從Sora到可靈，視頻AI還沒到GPT時刻

文 / 道哥

來源 / 智百道

視頻大模型的競速還在持續。

作為國內視頻生成大模型的代表，快手旗下的可靈AI近日宣布，其核心產品可靈O1正式上線“主體庫”與“對比模板”兩大重要功能，旨在提升AI創作的效率與作品展示效果。

但與此同時，在大洋彼岸，OpenAI旗下的Sora2，卻開始陷入新的困境。根據a16z合伙人前段時間貼出的一組對比，Sora留存率遠不如TikTok，首日留存率只有10%，30天留存率只有1%。對比來看，TikTok對應的留存率分別是50%和32%，差距明顯。

在9月底OpenAI正式發布Sora 2及獨立App時，不少預言家當時甚至集體狂歡，“Sora App將吞噬TikTok和Instagram上的網紅，一場由AI主導的視頻革命即將到來”。

OpenAI自己也說，我們可能迎來視頻領域的GPT-3.5時刻。

然而，到了2026年年末，現實還是比概念更骨感。

在這一輪AI泡沫論底層，實際上是資本市場與產業界開始冷靜審視這條賽道：所謂的“視頻GPT時刻”似乎并未如期而至。相反，高昂的推理成本、難以閉環的商業模式以及尚不穩定的技術表現，正在構成一道道難以逾越的“嘆息之墻”。

無論是谷歌被寄予厚望的Veo，還是曾驚艷全球的Sora，亦或是國內卷出天際的可靈、即夢，此刻都站在了一個尷尬的十字路口：技術看起來固然很炫酷，但到底誰能真正靠它賺到大錢？

01 模型競速

時間需要回到2024年。

彼時隨著Sora憑借60秒長視頻、多角度鏡頭切換以及驚人的物理世界模擬能力震驚世界后，當年被科技圈定義為“視頻生成元年”。

隨后Runway推出了Gen-3 Alpha，Luma AI發布了Dream Machine，谷歌則在I/O大會上祭出了Veo；而在國內，字節跳動的即夢（Jimeng）、快手的可靈（Kling）、生數科技的Vidu等模型如雨后春筍般涌現

這一年的主旋律，無疑是中美兩大科技陣營在視頻模型上的瘋狂競速。這種競速不僅體現在發布頻率上，更體現在參數規模與生成質量的軍備競賽中。

但很快，這種競速呈現出一種明顯的“同質化內卷”趨勢。現在的視頻模型，大多采用了DiT（Diffusion Transformer）架構，這一架構有效地結合了Transformer處理序列數據的能力與Diffusion生成高質量圖像的能力。

因為技術路徑的趨同，各家比拼的焦點迅速轉移到了數據質量、上下文長度以及對物理規律的理解上。

以國內戰場為例，可靈AI的突圍極具代表性。依托快手龐大的短視頻生態，可靈在視頻數據的理解上擁有天然優勢，其生成的視頻在運動幅度與邏輯連貫性上，一度被評測為“最接近Sora”的產品之一。而字節跳動的即夢則背靠抖音，在審美風格與運鏡語言上更懂C端用戶的偏好。

但問題是，作為視頻模型代表的Sora,都正在陷入爭議之中。前文提及的留存率，其實只是結果，真正的原因是，號稱打造AI短視頻的Sora2，其用戶體驗卻非常差。

目前的模型競速，更像是一場“演示片”的戰爭。哪怕是Sora2也同樣如此。

官方放出的Demo往往是百里挑一的結果，而當普通用戶上手時，人物肢體扭曲、物體憑空消失、物理邏輯崩壞（如倒出的水往天上流）等“抽卡失敗”的現象比比皆是。這種“Demo與實物不符”的現狀，直接導致了用戶體驗的斷層。

目前的模型能力，雖然已經從“不可用”跨越到了“偶爾驚艷”，但距離ChatGPT那樣“穩定且通用”的GPT-3.5時刻，仍有巨大的鴻溝。

大家都在卷時長、卷分辨率，卻很少有人能徹底解決“可控性”這一導演與創作者最在意的核心命題。

02 算力黑洞

如果說模型能力的不足是可以通過時間解決的“軟傷”，那么算力成本則是懸在所有視頻AI公司頭頂的“達摩克利斯之劍”。

視頻生成是目前所有AI模態中，對算力消耗最為恐怖的領域，沒有之一。

這不僅是因為視頻增加了“時間”這一維度，導致數據量呈幾何級數增長，更因為為了保證視頻的連貫性與物理邏輯，模型需要在極短時間內進行海量的推理計算。

我們可以算一筆賬。

在文本模態下，ChatGPT生成一段文字的成本雖然不低，但已經可以通過訂閱費覆蓋并實現盈利。然而，視頻生成的算力需求是文本的成百上千倍。生成一秒鐘的高清視頻，其所需的GPU算力，足以生成數萬字的文本或數十張高質量圖片。

Sora之所以采用“切片”的方式處理視頻數據，正是為了在Transformer架構下盡可能地壓縮計算量，但即便如此，其推理成本依然高得令人咋舌。

這就是“算力黑洞”。

對于谷歌、OpenAI這樣的巨頭來說，或許還能通過燒錢來維持戰略卡位，利用自身的云服務設施進行內部補貼。但對于Runway、Luma以及國內眾多創業公司而言，每一幀視頻的生成都是在燃燒真金白銀。

更可怕的是，視頻模型似乎還沒有摸到“Scaling Law”（縮放定律）的邊界，或者說，繼續Scaling的邊際收益正在遞減，而邊際成本卻在指數級上升。

為了追求更好的物理模擬效果，模型參數量需要進一步擴大，訓練所需的高質量視頻數據（如電影級素材、高幀率實拍）卻比文本數據更加稀缺且版權復雜。

互聯網上雖然有海量視頻，但大部分是低質量、高壓縮、缺乏標注的“垃圾數據”，清洗和標注這些數據的成本遠高于文本。

用戶的使用習慣也加劇了這一困境。在ChatGPT中，用戶輸入Query，得到答案，流程是線性的。而在視頻生成中，由于結果的不可控，用戶往往需要反復生成、反復修改，就像玩“老虎機”一樣，直到搖出滿意的畫面。

這意味著，一個最終可用的視頻片段背后，可能伴隨著十幾次甚至幾十次的廢片生成。這些廢片消耗的算力，全部是沉沒成本。

目前，無論是國內的可靈、即夢，還是國外的Sora、Veo，都在面臨同一個拷問：這把火到底能燒多久？

如果無法在算力成本與生成效果之間找到一個具備正向經濟效益的平衡點，那么視頻生成極有可能成為一個“叫好不叫座”的富人游戲。

在硬件架構出現革命性突破之前，算力瓶頸將死死卡住視頻AI大規模普及的咽喉。

03 商業困境

其實說到底，技術競速與算力成本最終都要回歸到一個終極問題：商業模式。

為什么ChatGPT能迅速成為殺手級應用？因為它直接解決了信息檢索、代碼編寫、文案撰寫等具有明確“生產力屬性”的剛需，且交付結果相對確定。

反觀視頻生成，目前的定位極其模糊。

在C端市場，視頻AI陷入了“玩具化”的陷阱。絕大多數用戶下載Sora或可靈，更多是出于獵奇心理。他們生成幾個搞怪視頻發朋友圈，獲得社交貨幣后，新鮮感便迅速消退。這解釋了為什么首日留存率尚可，但30天留存率會暴跌至1%。

對于普通人而言，制作視頻并非高頻剛需，且目前AI視頻生成的精細度遠未達到替代拍攝的程度，更無法提供TikTok那種基于算法推薦的娛樂消費體驗。

指望AI生成工具去取代TikTok，在現階段無異于癡人說夢——一個是生產工具，一個是內容消費平臺，兩者的底層邏輯截然不同。

在B端專業市場，視頻AI其實同樣面臨著“不可控”的致命傷。對于影視制作、廣告營銷等專業領域，核心訴求是“精確控制”——導演需要指定角色的微表情、光影的具體走向、物體運動的精確軌跡。

目前的視頻大模型，雖然能生成“看起來很美”的畫面，但本質上還是基于概率的“抽卡”。好萊塢大亨泰勒·佩里雖然因為看了Sora的演示而暫停了影視基地的擴建，但這更多是一種對未來的防御性恐慌，而非當下的實際替代。

真正的影視工作流中，由于AI生成內容難以保持角色一致性和場景連續性，導致其目前只能充當“動態分鏡腳本”或“靈感參考”，很難直接輸出成品素材。

最后也是最為關鍵的，還是變現路徑的狹窄。

目前主流的商業模式依然是Sora、Runway采用的SaaS訂閱制，即賣點數、賣時長。但在高昂的推理成本面前，這種訂閱費往往只能勉強覆蓋成本，甚至虧本賺吆喝。如果為了覆蓋成本而提高定價，又會將大量中小用戶拒之門外，限制了規模效應的形成。

國內市場的情況更為復雜。

可靈、即夢等背靠短視頻巨頭，它們的算盤或許不是直接賣會員賺錢，而是將AI能力融入到自家的短視頻生態中，降低創作者門檻，從而維持內容生態的繁榮，最終通過廣告和電商變現。

這是一種“羊毛出在豬身上”的策略。但問題在于，如果AI生成的視頻內容泛濫且質量參差不齊，反而可能稀釋平臺的內容質量，導致用戶審美疲勞。

從這個角度來看，視頻AI目前正處于Gartner技術成熟度曲線的“期望膨脹期”頂峰滑落向“泡沫破裂谷底期”的階段。

雖然谷歌、OpenAI、快手、字節都在全力以赴，但視頻AI距離“GPT時刻”，也就是要成為一個低門檻、高可用、全行業通用的基礎設施，目前看，無論硅谷還是國內大廠，都還有很長的路要走。

這不僅需要算法層面的突破來解決“可控性”難題，更需要算力成本的數量級下降，以及一個能真正能夠跑通ROI的殺手級應用場景。

在此之前，視頻AI注定依然是一場還得繼續海量燒錢的馬拉松。

*題圖由AI生成