本文來源：時(shí)代周報(bào)作者：雨辰

在AIGC技術(shù)快速迭代的當(dāng)下，圖生視頻正在從實(shí)驗(yàn)室走進(jìn)創(chuàng)作室、工作坊和工業(yè)一線。

2025世界人工智能大會(huì)（WAIC2025）期間，商湯科技聯(lián)合創(chuàng)始人、執(zhí)行董事、首席科學(xué)家林達(dá)華博士在接受時(shí)代周報(bào)等媒體采訪時(shí)，深入剖析了多模態(tài)大模型的演進(jìn)趨勢(shì)、技術(shù)挑戰(zhàn)與商湯的戰(zhàn)略布局。他強(qiáng)調(diào)：“多模態(tài)能力是通向通用人工智能（AGI）的必經(jīng)之路?！?/p>

今年5月，CreateAI發(fā)布《多模態(tài)生成技術(shù)在動(dòng)畫制作領(lǐng)域的應(yīng)用與發(fā)展白皮書》，該報(bào)告首次以中國(guó)動(dòng)漫電影《哪吒2》為案例，結(jié)合權(quán)威數(shù)據(jù)，揭示了AI在激發(fā)創(chuàng)意與優(yōu)化流程方面如何實(shí)現(xiàn)“降本增效”。

林達(dá)華認(rèn)為，生成式AI的未來，不應(yīng)僅僅追求“從文字直接生成圖像或視頻”的技術(shù)炫技，而應(yīng)聚焦于創(chuàng)作者意圖與結(jié)果之間的精準(zhǔn)對(duì)接?！癆IGC的終極形態(tài)，是一個(gè)真正服務(wù)創(chuàng)作過程的交互工具?！?/p>

商湯科技聯(lián)合創(chuàng)始人、執(zhí)行董事、首席科學(xué)家林達(dá)華博士

時(shí)代周報(bào)：從技術(shù)角度來看，在視頻生成過程中，如何實(shí)現(xiàn)對(duì)空間結(jié)構(gòu)和物理邏輯的有效把控？

林達(dá)華：商湯很早就布局了數(shù)字人、三維建模等方向，因此在三維空間建構(gòu)方面積累深厚。在Sora引發(fā)關(guān)注時(shí)，我們也研究了它的視頻質(zhì)量，的確在視覺效果上令人驚艷，但它在物理規(guī)律的掌握上存在明顯不足——它采用的是基于時(shí)間的一幀幀生成邏輯，本質(zhì)上并不具備三維結(jié)構(gòu)的建模與控制能力。相比之下，商湯內(nèi)部一直在探索如何將三維結(jié)構(gòu)能力應(yīng)用于視頻合成，讓生成視頻在空間結(jié)構(gòu)和物理邏輯上都更加真實(shí)可控。

這一優(yōu)勢(shì)也體現(xiàn)在我們參與的奧運(yùn)場(chǎng)景應(yīng)用中。例如在去年奧運(yùn)會(huì)乒乓球等項(xiàng)目中，我們把三維的結(jié)構(gòu)的這種信號(hào)，用于控制視頻的生成，使得它生成的結(jié)果符合物理的結(jié)構(gòu)、物理的規(guī)律。成功實(shí)現(xiàn)對(duì)球拍與球體軌跡的精準(zhǔn)還原，為賽事回放與輔助判罰提供了強(qiáng)有力的技術(shù)支持。

時(shí)代周報(bào)：在實(shí)際運(yùn)用中，視頻生成結(jié)果“符合物理邏輯”有多重要？

林達(dá)華：這是我們高度重視的關(guān)鍵能力。生成內(nèi)容不僅要“看起來真實(shí)”，更要“邏輯上成立”。例如，商湯的“開悟”世界模型，在某種意義上，也可被視為一種視頻生成模型，但它對(duì)三維結(jié)構(gòu)生成的準(zhǔn)確性和物理性的要求極為嚴(yán)格。若生成的結(jié)果不符合物理規(guī)律，將其用于駕駛訓(xùn)練，將導(dǎo)致災(zāi)難性的后果。所以，相較于一些AI公司追求生成畫面越“炫”越好，商湯更強(qiáng)調(diào)結(jié)果的正確性：我們生成的畫面必須符合物理規(guī)律、空間邏輯，并具備可解釋性。

時(shí)代周報(bào)：圖生視頻較文生視頻有哪些提升？圖生視頻具體有哪些典型應(yīng)用場(chǎng)景？在哪些環(huán)節(jié)真正能發(fā)揮價(jià)值？

林達(dá)華：相較于文生視頻，圖生視頻顯然具備更堅(jiān)實(shí)的依托。以文字為例，若要生成一只在空中飛翔的鳥，單憑文字描述，系統(tǒng)難以構(gòu)思出豐富的細(xì)節(jié)。然而，若有一張圖片作為基礎(chǔ)，生成的結(jié)果便會(huì)日新月異。例如，要求系統(tǒng)生成“我媽媽微笑的照片”，若系統(tǒng)未曾見過你母親，又怎能憑空創(chuàng)造？顯然，必須有一張實(shí)際圖像作為參考。因此，我認(rèn)為真正的個(gè)性化生成，不應(yīng)僅依賴文字描述，而需以真實(shí)影像為支撐，方能實(shí)現(xiàn)這一可能性。

從圖生視頻的角度來看，最直接的莫過于C端應(yīng)用場(chǎng)景。假設(shè)你家中存有大量照片，希望讓它們“動(dòng)”起來，這無疑是一個(gè)極具吸引力的創(chuàng)意。早期，我的團(tuán)隊(duì)開發(fā)了AnimateDiff，影響力較大。如今，許多后續(xù)的圖生視頻研究都與AnimateDiff有著千絲萬縷的聯(lián)系。我們注意到，這項(xiàng)于2023年開源的技術(shù)，被廣泛用于創(chuàng)作各類充滿想象力的視頻，用戶僅需幾張照片便能展開創(chuàng)作。

時(shí)代周報(bào)：圖生視頻的價(jià)值在哪里？您怎么看AI和人類創(chuàng)作者的關(guān)系？

林達(dá)華：我們一直認(rèn)為，文生視頻也好，圖生視頻也好，都不是生成式AI的終極形態(tài)。真正的理想狀態(tài)，是將創(chuàng)作者的意圖與生成過程深度融合，把AI當(dāng)作一個(gè)真正服務(wù)創(chuàng)作流程的“工具”。

在我理解，包括我們剛剛發(fā)布的視頻平臺(tái)上的SekoAI，它是一個(gè)交互式創(chuàng)作工具，我們將視頻的制作視為一種創(chuàng)作，而不是僅僅輸入一句話后就不管不顧，等待它生成一個(gè)結(jié)果。這個(gè)結(jié)果很可能并不符合你的預(yù)期，也不一定能直接使用。

真正有價(jià)值的是，它能大幅減少你的工作量，同時(shí)你仍能對(duì)最終的生成內(nèi)容進(jìn)行把控。當(dāng)發(fā)現(xiàn)生成內(nèi)容不合適時(shí)，你可以指導(dǎo)它進(jìn)行修改，掌控生成的脈絡(luò)，這就是交互式生成的核心所在。