公開(kāi)數(shù)據(jù)顯示，2025年全球AI視頻生成市場(chǎng)規(guī)模已突破300億美元，年復(fù)合增長(zhǎng)率維持在40%以上的高位水平，并呈現(xiàn)出短視頻廠商和通用大模型廠商分而治之的局面。

而短視頻平臺(tái)（如快手可靈、抖音即夢(mèng)）憑借其龐大的流量基礎(chǔ)，加之模板化創(chuàng)作+社區(qū)分發(fā)的使用閉環(huán)，在全球市場(chǎng)占有率上甚至超過(guò)了以Sora、Google Veo為首的技術(shù)領(lǐng)跑者。而這一趨勢(shì)也使得全球的主流AI視頻模型都在追求短片中的極致細(xì)節(jié)，以此來(lái)最大程度吸引C端用戶的付費(fèi)。

這種現(xiàn)狀也使得市場(chǎng)上主流的視頻模型在面對(duì)“長(zhǎng)片”，尤其是電影這種工業(yè)級(jí)需求時(shí)體現(xiàn)出的種種“力不從心”。

首先是一致性的問(wèn)題，主流視頻模型在處理短視頻、，少人物、，簡(jiǎn)單場(chǎng)景的鏡頭轉(zhuǎn)換時(shí)還能勉強(qiáng)保持一致性。而一旦涉及到長(zhǎng)程視頻、多人物、復(fù)雜場(chǎng)景，就會(huì)很難維持角色外貌、服裝和場(chǎng)景元素的穩(wěn)定。其次是模型敘事能力的缺失，視頻模型難以理解劇本中的因果鏈條和敘事手法，更無(wú)法匹配與之相符的鏡頭語(yǔ)言，導(dǎo)致生成的內(nèi)容常常與導(dǎo)演意圖天差地別。另外，主流模型的物理規(guī)則認(rèn)知水平不足。對(duì)于短視頻這種“淺內(nèi)容”來(lái)說(shuō)，些許的物理“幻覺(jué)”是可以容忍的，模型靠對(duì)2D像素統(tǒng)計(jì)規(guī)律理解的物理規(guī)則已經(jīng)足夠。但對(duì)于電影工業(yè)級(jí)別的視頻需求，這些還遠(yuǎn)遠(yuǎn)不夠。

而事實(shí)上，短程vs長(zhǎng)程，追求細(xì)節(jié)vs追求敘事，短視頻vs電影，AI視頻生成模型的發(fā)展已經(jīng)根據(jù)需求的差異分化出了完全不同的路徑，影視工業(yè)級(jí)的AI視頻大模型正逐漸浮出水面。

新物種來(lái)襲

近日，好萊塢的AI原生影視工作室Utopai Studios宣布，與全球創(chuàng)新與投資平臺(tái)Stock Farm Road共同出資數(shù)十億美元，設(shè)立新合資公司Utopai East，旨在建立全球首個(gè)AI原生影視制作體系。同時(shí)，Utopai Studios還同步推出專為電影與電視制作而設(shè)計(jì)的AI模型和工作流。與短視頻界面的模型不同，該模型具備“理解劇本、解析故事，并協(xié)助導(dǎo)演規(guī)劃鏡頭和生成場(chǎng)景”的能力。

根據(jù)公開(kāi)資料，Utopai Studios是第一家加入好萊塢公會(huì)的AI公司，在業(yè)內(nèi)被看作是“打破了好萊塢對(duì)AI抵觸”的關(guān)鍵節(jié)點(diǎn)。公司前身Cybever創(chuàng)立于2022年，專注于“用AI生成高精度3D虛擬環(huán)境”，初期服務(wù)游戲與影視行業(yè)。2025年，公司更名為Utopai Studios，從“AI技術(shù)供應(yīng)商”轉(zhuǎn)型為“AI原生影視工作室”，聚焦用AI技術(shù)制作電影、電視劇等原創(chuàng)內(nèi)容。

Utopai Studios的創(chuàng)始人兼首席執(zhí)行官Cecilia Shen出生于2000年，大學(xué)就讀于加拿大滑鐵盧大學(xué)，主修數(shù)學(xué)，大學(xué)二年級(jí)就進(jìn)入Google X實(shí)驗(yàn)室，參與Moonshot項(xiàng)目。2022年，她與Jie Yang（前Google X同事）聯(lián)合創(chuàng)立了Cybever。

轉(zhuǎn)型后的Utopai Studios隨即獲得好萊塢改革派力量（如前派拉蒙CEO）的投資，首年即實(shí)現(xiàn)1.1億美元預(yù)售收入（涵蓋史詩(shī)電影《Cortés》、科幻劇集《Project Space》等項(xiàng)目），打開(kāi)了AI在長(zhǎng)內(nèi)容領(lǐng)域?qū)嶋H應(yīng)用的想象空間。

而新公司的另一個(gè)主角Stock Farm Road（以下簡(jiǎn)稱SFR），由韓國(guó)LG集團(tuán)繼承人，斯坦福校友，近些年活躍在硅谷創(chuàng)投圈的Brian Koo與阿聯(lián)酋Offsets Group創(chuàng)始人、前董事長(zhǎng)兼CEO，推動(dòng)了阿聯(lián)酋主權(quán)財(cái)富基金成立的Dr. Amin Badr-El-Din聯(lián)合成立。此前，SFR也對(duì)外公布了即將在韓國(guó)建設(shè) 350億美元級(jí)AI數(shù)據(jù)中心的計(jì)劃。這個(gè)全球最大之一的數(shù)據(jù)中心與本次設(shè)立的新公司構(gòu)成戰(zhàn)略聯(lián)動(dòng)，為AI模型訓(xùn)練、渲染與生成提供基礎(chǔ)算力支撐。

韓國(guó)擁有成熟的影視工業(yè)體系、全球流行文化輸出能力（K-pop、K-drama、K-movie），以及開(kāi)放的政府創(chuàng)新政策。新公司名為Utopai East也表明了其把韓國(guó)影視產(chǎn)業(yè)優(yōu)勢(shì)和先進(jìn)的影視制作智能結(jié)合，并把這些內(nèi)容面向全球發(fā)行的戰(zhàn)略意圖。

在這個(gè)合資體系里，Utopai提供AI制作核心能力，Stock Farm Road提供資本、算力、數(shù)據(jù)與國(guó)際化通道。這一體系也成為AI時(shí)代下全球產(chǎn)業(yè)—技術(shù)—資本聯(lián)動(dòng)的成功案例（韓系產(chǎn)業(yè)資本+ 硅谷創(chuàng)新網(wǎng)絡(luò)+ 中東主權(quán)資金）。

影視工業(yè)級(jí)視頻模型

讓我們聚焦到Utopai的AI影視模型，看它是如何完成理解劇本、解析故事，并協(xié)助導(dǎo)演規(guī)劃鏡頭和生成場(chǎng)景這些動(dòng)作。

影視工業(yè)化的傳統(tǒng)流程，是靠人工完成從劇本→故事板→3D previz→實(shí)拍→后期的工作。動(dòng)畫(huà)上靠手捏，制作上靠physical production，前期場(chǎng)景搭建與預(yù)可視化工作量巨大，且修改起來(lái)非常麻煩。頭部影片從立項(xiàng)到上映常常需要3–5年，這個(gè)過(guò)程既費(fèi)錢(qián)又費(fèi)時(shí)間。

而Utopai的影視模型，會(huì)自己把劇本拆解為故事板、通過(guò)3D-EnGen生成可交互的3D場(chǎng)景，再輸出可控視頻，直接把劇本可視化，實(shí)現(xiàn)端到端閉環(huán)（Previz-to-Video Pipeline）。通過(guò)對(duì)劇本內(nèi)容、敘事結(jié)構(gòu)、電影語(yǔ)言和視覺(jué)風(fēng)格的深度解析，，該模型采用“規(guī)劃—生成”的自回歸AR（auto-regressive）機(jī)制，在創(chuàng)作者的全程指導(dǎo)下，系統(tǒng)性地規(guī)劃并生成多鏡頭序列，確保作品的敘事連貫性與畫(huà)面一致性。這套工作流也并非靠單一模型來(lái)完成，而是像電影工作組一樣“分工協(xié)作”完成。其中自回歸模型負(fù)責(zé)“規(guī)劃”，擴(kuò)散模型負(fù)責(zé)“渲染”，最后通過(guò)統(tǒng)一狀態(tài)空間耦合。

自回歸模型作為“導(dǎo)演大腦”，主要負(fù)責(zé)理解劇本，生成拍攝計(jì)劃，確保后續(xù)模型生成的幾十分鐘的視頻能夠始終為敘事服務(wù)并保持元素的一致性，這也是Utopai影視模型的核心。這一步極大程度上解決了前文提到的主流視頻模型在長(zhǎng)程視頻領(lǐng)域的一致性和敘事能力難題。自回歸模型通過(guò)前幀預(yù)測(cè)后幀機(jī)制，生成涵蓋角色I(xiàn)D向量、攝像機(jī)軌跡、光影變化等要素的時(shí)空計(jì)劃，也就是導(dǎo)演大腦中的拍攝藍(lán)圖。

接著，擴(kuò)散模型作為“執(zhí)行引擎”，負(fù)責(zé)根據(jù)既定敘事藍(lán)圖，依靠專業(yè)化的生成模塊（包含優(yōu)化的Diffusion技術(shù)）下層的條件渲染器，專注于執(zhí)行高質(zhì)量的畫(huà)面生成。和主流短視頻模型的“概率生成模型”這種“隨機(jī)抽卡式”產(chǎn)出不同，擴(kuò)散模型嚴(yán)格依據(jù)規(guī)劃層輸出的結(jié)構(gòu)化指令生成畫(huà)面，生成條件包括深度、法線、光流、遮罩、參考幀、相機(jī)軌跡等豐富的結(jié)構(gòu)化信號(hào)。

最終，規(guī)劃層與渲染層通過(guò)統(tǒng)一狀態(tài)空間交換信息：規(guī)劃器輸出未來(lái)幀的幾何與語(yǔ)義約束，渲染器據(jù)此生成圖像，并反饋生成結(jié)果供規(guī)劃器優(yōu)化后續(xù)計(jì)劃。這一過(guò)程不斷重復(fù)，就保證了整套模型體系可以一幀一幀完成一部敘事通順，要素一致的長(zhǎng)視頻。

擁有如此完整的“劇本—視頻”能力的模型，注定會(huì)被問(wèn)到的問(wèn)題就是：是否會(huì)取代“導(dǎo)演”。對(duì)此，Cecilia Shen對(duì)鈦媒體表示：“我們一直強(qiáng)調(diào)，AI 模型在影視制作中不是‘“作者’”，而是‘“協(xié)作者’”。它不是來(lái)決定故事的，而是幫助導(dǎo)演更高效、更精確地表達(dá)故事。核心仍然是劇本與敘事。不同的劇本意味著不同的視覺(jué)語(yǔ)言，模型不會(huì)改變創(chuàng)作的本質(zhì)，只是加快想象變成影像的速度?！?/p>

據(jù)Utopai Studio表示，大部分實(shí)際使用過(guò)模型的導(dǎo)演反饋他們并沒(méi)感覺(jué)到被替代，反而被激發(fā)了。很多導(dǎo)演在看到系統(tǒng)的實(shí)時(shí)生成后，會(huì)立刻想到更好的場(chǎng)景、更有張力的鏡頭。然后他們會(huì)重寫(xiě)劇本、重新設(shè)計(jì)節(jié)奏。換句話說(shuō)，AI并沒(méi)有收窄他們的想象力，而是把創(chuàng)作靈感低成本地提前釋放了出來(lái)。

“所以我更愿意說(shuō)，AI不是讓創(chuàng)作者消失，而是讓他們變得更‘“純粹’”?！盋ecilia Shen提到對(duì)我們說(shuō)，“還是回到初始，模型只是眾多技術(shù)浪潮中的一個(gè)而已。每一位藝術(shù)家或創(chuàng)作者都像孩子一樣，他們不是抵觸技術(shù)。比如《玩具總動(dòng)員》1995 年上映，這是世界上首部數(shù)字制作的動(dòng)畫(huà)長(zhǎng)片，無(wú)論在創(chuàng)意還是技術(shù)上都是一次影響深遠(yuǎn)的躍進(jìn)，也在全球斬獲了將近4億美元的票房收入。今天的情況同樣如此，所謂的抵觸AI，是否是因?yàn)槲覀冇肁I的方式錯(cuò)了？”

據(jù)悉，Utopai產(chǎn)出的所有影視作品均已用到了該模型體系。其中，《科爾特斯》（Cortés）：由奧斯卡提名編劇 Nicholas Kazan 執(zhí)筆，頂級(jí)概念設(shè)計(jì)師 Kirk Petruccelli 執(zhí)導(dǎo)，被譽(yù)為“史上最難拍史詩(shī)巨作”，常年位列好萊塢呼聲高卻未能拍攝的電影前10位，Utopai將以AI原生制作兩部100分鐘電影來(lái)呈現(xiàn)。另一部以AI原生制作的8集科幻劇集《太空計(jì)劃》（Project Space），被譽(yù)為“當(dāng)《壯志凌云》遇見(jiàn)《世界大戰(zhàn)》”，由Vanessa Coifman 和 Martin Weisz 擔(dān)任編劇和導(dǎo)演，目前也已成功預(yù)售到歐洲市場(chǎng)了。

數(shù)據(jù)基座與訓(xùn)練方法

Utopai模型能力的飛躍源于其獨(dú)特的訓(xùn)練數(shù)據(jù)和訓(xùn)練方法論，其核心是讓AI從大量高質(zhì)量、帶精確標(biāo)注的3D合成數(shù)據(jù)中學(xué)習(xí)，而不依賴于通用視頻模型常用的網(wǎng)絡(luò)二維視頻數(shù)據(jù)。這種方法使模型能夠內(nèi)化物理規(guī)律，從根本上理解空間、遮擋和碰撞等三維世界規(guī)則，有效避免生成內(nèi)容出現(xiàn)違背物理規(guī)律的“幻覺(jué)”問(wèn)題。

Utopai從設(shè)計(jì)之初就非常關(guān)注合規(guī)和透明。模型僅使用經(jīng)授權(quán)、與影視內(nèi)容高度相關(guān)的專業(yè)數(shù)據(jù)集進(jìn)行訓(xùn)練，確保學(xué)習(xí)來(lái)源于專業(yè)且合規(guī)的素材，避免使用未經(jīng)篩選的互聯(lián)網(wǎng)數(shù)據(jù)，確保學(xué)習(xí)源頭的高質(zhì)量和合法性。而據(jù)我們了解，此次的合作方SFR就擁有體量相當(dāng)龐大的合規(guī)視頻數(shù)據(jù)集與算力基礎(chǔ)設(shè)施，這也是此這次合作的重要戰(zhàn)略協(xié)同。同時(shí)，Utopai的工作流在美國(guó)、歐洲和亞洲均采用本地化部署，以符合各地區(qū)的AI與數(shù)據(jù)監(jiān)管要求，確保使用透明、治理合規(guī)?！皵?shù)據(jù)永遠(yuǎn)是模型最大的壁壘。”Cecilia對(duì)我們表示，“Utopai目前模型只用于自制項(xiàng)目和影視領(lǐng)域信賴的合作伙伴，不會(huì)對(duì)外商業(yè)化，也暫不開(kāi)放數(shù)據(jù)庫(kù)、版權(quán)等?！?/p>

另一方面，Utopai的對(duì)模型訓(xùn)練過(guò)程也非常獨(dú)特，主要分為兩個(gè)關(guān)鍵階段：第一是幾何與語(yǔ)義對(duì)齊預(yù)訓(xùn)練：此階段目標(biāo)是建立模型對(duì)物理世界和視覺(jué)元素的底層理解，進(jìn)行“文本-視頻-幾何”對(duì)齊以及下一狀態(tài)/掩碼重建等任務(wù)。第二是多模態(tài)指令微調(diào)：此階段增強(qiáng)模型對(duì)復(fù)雜、抽象的敘事指令和跨模態(tài)約束的遵循能力，使其能精準(zhǔn)理解并實(shí)現(xiàn)導(dǎo)演的創(chuàng)作意圖。這種訓(xùn)練方式使模型能夠?qū)?fù)雜的情感和敘事意圖進(jìn)行狀態(tài)級(jí)的精確建模與可視化表達(dá)。

例如，當(dāng)指令要求表現(xiàn)角色從“懷疑”轉(zhuǎn)變?yōu)椤盎腥淮笪颉睍r(shí)，模型能夠協(xié)調(diào)生成身體姿態(tài)、視線方向、鏡頭語(yǔ)言以及光影變化等一系列要素，呈現(xiàn)一個(gè)在表演邏輯上合理、情感層次分明的完整轉(zhuǎn)變過(guò)程，而非簡(jiǎn)單地替換一個(gè)表情貼圖。

值得一提的是，Utopai真正做到了模型與工作流的統(tǒng)一。在模型被應(yīng)用的真實(shí)制作場(chǎng)景中產(chǎn)生的數(shù)據(jù)，將會(huì)被用來(lái)持續(xù)優(yōu)化模型，而更強(qiáng)大的模型則能反過(guò)來(lái)簡(jiǎn)化甚至重塑工作流，最終賦能創(chuàng)作者。這一理念更接近蘋(píng)果的「軟硬件一體」生態(tài)：數(shù)據(jù)、模型、工作流與創(chuàng)作者，必須是一個(gè)深度集成、相互關(guān)聯(lián)、持續(xù)優(yōu)化的閉環(huán)系統(tǒng)?！斑@個(gè)閉環(huán)，將是未來(lái)的所有AI的核心競(jìng)爭(zhēng)力?！盋ecilia表示。

當(dāng)前AI視頻領(lǐng)域的通用指標(biāo)（如FVD、CLIP Score）主要衡量視覺(jué)逼真度和文本符合度，但無(wú)法有效評(píng)估“敘事質(zhì)量”。Utopai作為影視工業(yè)級(jí)視頻模型的領(lǐng)先者，也在著力建立一套基于專業(yè)影視標(biāo)準(zhǔn)的內(nèi)部評(píng)估體系，主要做了三個(gè)額外評(píng)估緯度的補(bǔ)充：一致性指標(biāo)；劇本指令遵從度；制作效率的躍升指標(biāo)。

在Utopai Studio驗(yàn)證中，這套工作流可以實(shí)現(xiàn)60%到90%提效，具體程度取決于內(nèi)容類型和復(fù)雜程度。

視頻模型的未來(lái)

談及AI在影視工業(yè)的未來(lái)，Cecilia說(shuō)到：

“接下來(lái)數(shù)年內(nèi)，我們預(yù)計(jì)workflow agent將會(huì)在各行業(yè)爆發(fā)，AI會(huì)帶來(lái)更新的題材和內(nèi)容，這是一定的。如果可以在一個(gè)行業(yè)里，將 80%～90%的事情實(shí)現(xiàn)自動(dòng)化，那你就是成功的。

不過(guò)衡量成功可能有兩個(gè)重心，一個(gè)是是否真能做一個(gè)好的產(chǎn)品，而好的產(chǎn)品，要有好的審美和taste，最終衡量標(biāo)準(zhǔn)并不應(yīng)該是「智能」。因?yàn)槿绻脩粜枰粩嗉m正，那么這不是一個(gè)好的體驗(yàn)。第二個(gè)，效率層面是否能真的代替掉 80%的行業(yè)臃腫重復(fù)的工作。

Utopai底層強(qiáng)調(diào)的不是‘“無(wú)人參與’”和‘“替代’”，技術(shù)應(yīng)擴(kuò)展人類想象力，讓模型和工作流與創(chuàng)作者協(xié)作而非替代。每個(gè)組件都圍繞創(chuàng)作流程而設(shè)計(jì)，可解讀劇本、理解故事走向、協(xié)助導(dǎo)演進(jìn)行鏡頭規(guī)劃，并生成與敘事意圖一致的場(chǎng)景。

此外，目前的視頻模型只是一個(gè)渲染器，而未來(lái)視頻模型會(huì)是unified（理解性系統(tǒng)），會(huì)越來(lái)越有敘事邏輯、理解思考能力。到那時(shí)候，可能AI或許真的能自成導(dǎo)演?！?strong>（作者｜郭虹妘、陶天宇，編輯｜陶天宇）

更多對(duì)全球市場(chǎng)、跨國(guó)公司和中國(guó)經(jīng)濟(jì)的深度分析與獨(dú)家洞察，歡迎訪問(wèn) Barron's巴倫中文網(wǎng)官方網(wǎng)站