過去一年，是視頻生成大模型領(lǐng)域眾聲喧嘩的一年，年初Sora引爆全場，隨后國內(nèi)眾多企業(yè)也都推出了自己的產(chǎn)品。行業(yè)競爭愈發(fā)激烈，能夠成功“跑通”的路徑也變得更加陡峭。探索如何實現(xiàn)商業(yè)化，成為眾多視頻生成創(chuàng)業(yè)者的困境。

在日前舉行的第7屆北京智源大會大模型產(chǎn)業(yè)CEO論壇上，智象未來創(chuàng)始人兼CEO 梅濤談及當(dāng)前視頻生成模型商業(yè)化過程中面臨的困境時坦言：“（目前）大模型商業(yè)化仍不明顯，離最后的商業(yè)應(yīng)用還是差‘最后一公里’”。

智源研究院院長王仲遠在論壇上指出，過去一年，大語言模型的推理能力和智能化水平有了明顯的提升，然而，原生多模態(tài)技術(shù)尤其在文生視頻、文生圖方面仍處于探索期，距離“多模態(tài)的ChatGPT時刻”尚有距離。  

澎湃科技（m.dbgt.com.cn）注意到，盡管近期國產(chǎn)大模型在多模態(tài)融合、生成質(zhì)量等方面取得顯著進展，也在訓(xùn)練效率、推理成本等關(guān)鍵指標(biāo)上不斷優(yōu)化，但當(dāng)前技術(shù)上仍存在一定瓶頸，而這一定程度上也影響了視頻生成模型商業(yè)化路徑。

Sand.AI（北京三代科技有限公司）的創(chuàng)始人兼CEO曹越認(rèn)為，雖然Sora已經(jīng)證明可以生成高質(zhì)量視頻，但從底層技術(shù)路徑上看，當(dāng)前主流的Diffusion模型和Transformer模型的訓(xùn)練方案有很大問題，核心問題在于不夠“Scalable”（可擴展性）。

這一情況類似2018年語言模型的發(fā)展階段，當(dāng)時BERT模型剛推出時，在10B參數(shù)量級內(nèi)表現(xiàn)良好，但一旦繼續(xù)擴大模型規(guī)模，其性能提升卻趨于停滯，難以獲得預(yù)期收益。這也是后來ChatGPT能夠后來居上的原因之一，它能夠有效地擴展到千億（1000B）級別，從而實現(xiàn)質(zhì)的飛躍。

然而，在視頻生成方向，Diffusion和Transformer目前雖然已能生成5秒左右的視頻并呈現(xiàn)出不錯的效果，但隨著模型參數(shù)規(guī)模的擴大，則快速達到瓶頸。在現(xiàn)有技術(shù)框架下，如何實現(xiàn)真正可擴展的視頻生成解決方案，仍是一個懸而未決的問題。

智象未來創(chuàng)始人兼CEO 梅濤指出，視頻生成大模型目前正處于ChatGPT2到ChatGPT3的階段。要解決視頻創(chuàng)作的問題，有三個關(guān)鍵點要達到，即敘事性、穩(wěn)定性和可控性，這是突破商業(yè)化瓶頸的關(guān)鍵所在。

梅濤稱，從2023年到2025年，這三年他對于商業(yè)化有不同階段的思考。2023年，他認(rèn)為模型就是產(chǎn)品，2024年覺得可以賣工具，但后來發(fā)現(xiàn)，工具的門檻比較高，即便用了特效的方式，也很難滿足用戶所有需求。

2025年，他再將產(chǎn)品升級，即不用關(guān)心如何做，工具只是降本增效的方法，關(guān)鍵在于用低成本、極高效率，創(chuàng)造極高價值?！拔覀兿Ｍ苯影呀Y(jié)果交付給用戶，幫用戶做增長，跟用戶分傭，這種模式更貼近商業(yè)的本質(zhì)?！?/p>

梅濤表示，無論是做視頻生成還是大模型，最關(guān)鍵的挑戰(zhàn)在于如何從技術(shù)能力出發(fā)，走到一個可持續(xù)、可閉環(huán)、有現(xiàn)金流的商業(yè)模型中去。如果無法實現(xiàn)這一點，終究只能停留在“技術(shù)提供者”的角色。在這一過程中，梅濤說他得出一個清晰的判斷，無論模型底座能力多強，離真正的商業(yè)應(yīng)用仍然差“最后一公里”。下一步，他的策略不僅是向用戶交付結(jié)果，還將進一步構(gòu)建完整生態(tài)。比如，簽約大量具備流量優(yōu)勢的內(nèi)容創(chuàng)作者（UP主）、MCN機構(gòu)，搭建自有賬號體系，從而推動整個生態(tài)系統(tǒng)的運轉(zhuǎn)。

“最終我們可能進入電商領(lǐng)域，轉(zhuǎn)向賣貨，構(gòu)建起一個穩(wěn)定、有現(xiàn)金流支撐的業(yè)務(wù)閉環(huán)?！泵窛f。

曹越認(rèn)為，視頻生成模型在不同的發(fā)展階段，會展現(xiàn)出完全不同的產(chǎn)品契合度（PMF）。在早期階段，盡管生成效果還不完美，甚至需要頻繁“抽卡”才能生成一個可用片段，但與傳統(tǒng)拍攝相比，其成本優(yōu)勢依然顯著。他預(yù)測，視頻生成方向在未來三到五年內(nèi)會大有可為。