如果把今年的 AI 創(chuàng)業(yè)圖景抽象成一幅熱力分布圖，會(huì)看到一個(gè)異常明亮的區(qū)域。它不在模型底座層，不在搜索、辦公、投喂式工具鏈，而是意外地集中在一個(gè)節(jié)點(diǎn)：視頻生成。

今年國(guó)內(nèi)融資最快，估值攀升最快的 AI 創(chuàng)業(yè)公司，幾乎清一色來(lái)自視頻賽道。

劉宇的Vivix尤為典型——不到 20 人的多模態(tài)班底，從年初創(chuàng)立到年末估值沖上 13.2 億美元，用不到一年的時(shí)間連跳三輪，直接跨入獨(dú)角獸區(qū)間，成為今年資本市場(chǎng)上增長(zhǎng)曲線最陡峭的 AI 公司之一。

與此同時(shí)，其他視頻創(chuàng)業(yè)者也在密集報(bào)喜。

前月之暗面產(chǎn)品負(fù)責(zé)人王冠創(chuàng)立的 ONE2X 在今年年中完成 A 輪融資，歷史累計(jì)融資額逼近 2300 萬(wàn)美元；

草根出身的阿彪靠 Pollo AI 在 7 個(gè)月里做出 2000 萬(wàn)注冊(cè)、600 萬(wàn)月活，一邊拿下 1400 萬(wàn)美元融資，一邊做到年化營(yíng)收突破 2000 萬(wàn)美元并實(shí)現(xiàn)盈虧平衡；

愛(ài)詩(shī)科技更是在9月宣布完成 6000 萬(wàn)美元 B 輪融資，直接刷新國(guó)內(nèi)視頻生成領(lǐng)域的單筆融資紀(jì)錄。

這些案例共同指向一個(gè)事實(shí)，只要做生成視頻，只要產(chǎn)品能讓用戶(hù)跑得起來(lái)、讓收入跑得出來(lái)，就會(huì)迅速被資本看見(jiàn)。哪怕大廠已經(jīng)全面入場(chǎng)，視頻生成依舊是少數(shù)幾個(gè)創(chuàng)業(yè)公司仍能切入、仍能做出差異化、仍能講出增長(zhǎng)故事的賽道。

從 OpenAI 把 Sora 做成日活千萬(wàn)級(jí)的 App，再到 Runway、Luma AI 等一眾新貴估值輪番抬升，對(duì)比國(guó)內(nèi)即夢(mèng)、可靈、Pollo AI、ONE2X、Vivix 這些玩家的集體發(fā)力，你會(huì)發(fā)現(xiàn)：視頻生成已經(jīng)從技術(shù)展示變成資本、巨頭、創(chuàng)業(yè)者三方博弈的主戰(zhàn)場(chǎng)。

這不是簡(jiǎn)單的下一個(gè) Stable Diffusion，而更像一場(chǎng)關(guān)于“下一代內(nèi)容形態(tài)”和“下一代交互界面”的豪賭。

為什么偏偏是視頻？

從技術(shù)端看，視頻本來(lái)是多模態(tài)里最難啃的一塊骨頭：既有空間維度、又有時(shí)間維度，還要兼顧物理規(guī)律、角色一致、鏡頭語(yǔ)言。按理說(shuō)，模型圈應(yīng)該先把文本、圖片吃干抹凈，再慢慢升級(jí)到視頻。

但過(guò)去 18 個(gè)月，節(jié)奏被徹底打亂了。

一邊是模型能力的突進(jìn)。Runway 的 Gen-4.5 在第三方評(píng)測(cè)機(jī)構(gòu) Artificial Analysis 的視頻模型榜上拿到 Elo 排名第一，超過(guò) Google、OpenAI、快手等一眾玩家，真實(shí)感、動(dòng)作連貫性、鏡頭調(diào)度都已經(jīng)可以對(duì)線專(zhuān)業(yè)廣告片。

另一邊，是產(chǎn)品端的爆款效應(yīng)。OpenAI 基于 Sora 2 推出獨(dú)立視頻 App“ Sora”，把寫(xiě)一句話(huà)生成一條短視頻的體驗(yàn)做成了類(lèi) TikTok 的內(nèi)容社區(qū)。上線幾天沖到蘋(píng)果 App Store 免費(fèi)榜第一，下載量直接超過(guò)自家 ChatGPT。

再往后看資本端。Luma AI 今年宣布完成 9 億美元融資，最新估值超過(guò) 40 億美元。Runway 的年化收入被第三方機(jī)構(gòu)估算已經(jīng)逼近 9000 萬(wàn)美元等級(jí)，且增長(zhǎng)主要來(lái)自視頻相關(guān)產(chǎn)品。快手在財(cái)報(bào)中單獨(dú)披露了可靈 AI 的收入，今年二季度單季收入就超過(guò) 2.5 億元人民幣，成為財(cái)報(bào)會(huì)上重點(diǎn)強(qiáng)調(diào)的增長(zhǎng)引擎之一。

這幾個(gè)數(shù)字背后，有一個(gè)很現(xiàn)實(shí)的判斷：在所有多模態(tài)方向里，視頻是離錢(qián)最近的一個(gè)。

廣告、劇情短片、電商詳情頁(yè)、游戲預(yù)告、公司培訓(xùn)、在線教育……幾乎所有行業(yè)都有“要做視頻”的剛性需求，但傳統(tǒng)視頻制作在人的時(shí)間、拍攝成本、后期成本上都極其昂貴。

大模型如果要從PPT 上的故事落到實(shí)際現(xiàn)金流，視頻是第一批真正能閉環(huán)的場(chǎng)景。文本模型做 Copilot、寫(xiě)代碼、做搜索，更多是提高效率，視頻模型則是直接幫你省掉一部分外包預(yù)算和團(tuán)隊(duì) headcount，甚至重寫(xiě)整個(gè)創(chuàng)作工作流。

大廠與創(chuàng)業(yè)公司：同一個(gè)戰(zhàn)場(chǎng)，兩套打法

如果從空中俯視今天的視頻生成賽道，會(huì)看到兩條清晰的力量對(duì)沖。

一條是大廠路線。OpenAI 用 Sora 把模型和消費(fèi)級(jí)產(chǎn)品打通，Google 用 Veo 系列綁定 Gemini 生態(tài)，字節(jié)/快手用即夢(mèng)/可靈深度綁定自家內(nèi)容、廣告與電商體系。

另一條，是創(chuàng)業(yè)公司路線。從模型基礎(chǔ)設(shè)施到應(yīng)用層產(chǎn)品，再到視頻版 Canva / 剪映，什么層級(jí)都有玩家在卷。剛剛提到的幾家公司，剛好構(gòu)成了一個(gè)很好的切面。

ONE2X 是典型的“重產(chǎn)品、重工作流”的創(chuàng)業(yè)路徑。創(chuàng)始人王冠本身就是月之暗面的前產(chǎn)品負(fù)責(zé)人，團(tuán)隊(duì)里大量成員來(lái)自月之暗面、字節(jié)、阿里、快手等公司。ONE2X 做的 Medeo，并不是再造一個(gè)“模型試玩網(wǎng)站”，而是把自己的定位定死在“創(chuàng)意表達(dá)工具”：像和 ChatGPT 聊天一樣對(duì)話(huà)式改視頻，前后文都在一個(gè) Context 里完整保留，同時(shí)內(nèi)置剪輯、工作流編排，讓動(dòng)畫(huà)、MV、廣告、解說(shuō)這些常見(jiàn)視頻形態(tài)都以“模版 + 自然語(yǔ)言”的方式組合出來(lái)。

他們?cè)诘讓幼隽艘惶住懊嫦蛞曨l的生成系統(tǒng)”——用領(lǐng)域特定語(yǔ)言 DSL 去描述視頻操作，再用 Context 系統(tǒng)和“人機(jī)共創(chuàng)環(huán)境”來(lái)把模糊自然語(yǔ)言映射到具體的視頻操作命令上。換句話(huà)說(shuō)，ONE2X 不只是“調(diào)用一個(gè)視頻模型”，而是把整個(gè)視頻編輯語(yǔ)言重新做了一次抽象，讓模型能聽(tīng)懂“把剛才那條鏡頭再暖一點(diǎn)、調(diào)成 16:9、把音樂(lè)推進(jìn) 2 秒”這種高度語(yǔ)義化的指令。

Pollo AI 則是完全另一套思路：先用極致的出海經(jīng)驗(yàn)和 SEO 能力，把聚合模型 + 視頻生成工具做成一個(gè)高速增長(zhǎng)的產(chǎn)品，再在增長(zhǎng)的浪里迭代產(chǎn)品形態(tài)。

創(chuàng)始人阿彪沒(méi)有大廠履歷，起步是做各種工具出海，靠 SEO 讓幾十個(gè)產(chǎn)品活下來(lái)。Pollo AI 最早只是一個(gè)接入可靈等內(nèi)測(cè)視頻 API 的殼，后來(lái)逐步演化為聚合幾乎所有公開(kāi)視頻、圖片模型的 POE 平臺(tái)?？繉?duì)“選品”和流量窗口的敏感理解，它在 7 個(gè)月內(nèi)做到月活超 400 萬(wàn)、注冊(cè)用戶(hù)超 2000 萬(wàn)，并且在今年已經(jīng)實(shí)現(xiàn)年化收入 2000 萬(wàn)美元、整體盈虧平衡。

這是一條更草根的路線：不自研模型、不燒上億美金算力，而是用產(chǎn)品能力、SEO 能力和對(duì)時(shí)機(jī)的把握，把“模型紅利”盡可能轉(zhuǎn)化為用戶(hù)規(guī)模和現(xiàn)金流；再在這個(gè)基礎(chǔ)上，從“工具疊加”升級(jí)成“完整工作流 + 對(duì)話(huà)式創(chuàng)作 + Agent 編排”，試圖向“AI 版剪映 / 視頻版 Canva”演化。

第三類(lèi)，則以劉宇的 Vivix AI為代表，走得最激進(jìn)。不是單純做視頻模型，而是把視頻當(dāng)成實(shí)時(shí)交互界面的第一語(yǔ)言，試圖在系統(tǒng)層面重寫(xiě)多模態(tài)智能和推理基礎(chǔ)設(shè)施。

從公開(kāi)信息和論文線索來(lái)看，這家公司做了三件本質(zhì)性的事：

第一，把視頻推理當(dāng)成系統(tǒng)工程問(wèn)題來(lái)解，把精度-算力-延遲重新平衡，在低精度計(jì)算、自適應(yīng)位寬、深度學(xué)習(xí)編譯器和多維并行上做系統(tǒng)性重寫(xiě)，目標(biāo)是做到“0.6T 秒生成 T 秒畫(huà)面”這個(gè)量級(jí)的實(shí)時(shí)推理。

第二，不再把語(yǔ)言當(dāng)成總路由，而是用統(tǒng)一 token 空間做原生多模態(tài)，讓視覺(jué)、音頻、動(dòng)作與語(yǔ)言在同一個(gè)表征空間里共同訓(xùn)練，盡量減少“先轉(zhuǎn)成文字再推理”的信息損失。

第三，從 Day 1 就把產(chǎn)品想象成“實(shí)時(shí)交互多模態(tài)內(nèi)容”的載體：用戶(hù)不再是在信息流里被動(dòng)刷視頻，而是站在一個(gè) AI 系統(tǒng)的對(duì)面，像玩游戲一樣實(shí)時(shí)對(duì)話(huà)、互動(dòng)、共創(chuàng)——視頻不再是結(jié)果，而是一種持續(xù)生成的過(guò)程。

在這三種路徑之間，大廠的優(yōu)勢(shì)是資源和分發(fā)，創(chuàng)業(yè)公司的優(yōu)勢(shì)是速度和敢賭方向。視頻生成之所以熱，是因?yàn)檫@兩股力量難得地在一個(gè)時(shí)間點(diǎn)、一個(gè)方向上形成了強(qiáng)共振。

技術(shù)戰(zhàn)場(chǎng)：質(zhì)量、速度與成本的三角博弈

從遠(yuǎn)處看，視頻生成像是在比誰(shuí)更逼真、誰(shuí)更像真人拍的。但所有真正做事的團(tuán)隊(duì)都知道：這背后是質(zhì)量、速度與成本的三角博弈。

質(zhì)量不僅僅是清晰度和分辨率，更包括：它能不能在鏡頭里保持角色、光影、場(chǎng)景的一致性？能不能遵守基本物理規(guī)律，不會(huì)走著走著突然穿模？能不能聽(tīng)得懂鏡頭語(yǔ)言，理解運(yùn)鏡、拉焦、搖鏡頭、等專(zhuān)業(yè)指令？

像 Runway Gen-4.5、可靈、Sora 這些頭部模型，今天已經(jīng)能把文本描述 + 參考圖像翻譯出極具電影感的短片，用戶(hù)可以控制鏡頭推進(jìn)、景別變化，甚至在一個(gè)提示詞里寫(xiě)下“前 5 秒是空鏡，后 10 秒切到人物特寫(xiě)”。

第二層是速度。在做 Demo 時(shí)，等幾分鐘生成一個(gè) 10 秒視頻并不是問(wèn)題；但在真正的創(chuàng)作、電商、廣告甚至互動(dòng)游戲場(chǎng)景里，幾分鐘一次是不可接受的。你要的是試錯(cuò)-預(yù)覽-再改的快迭代體驗(yàn)，甚至是實(shí)時(shí)互動(dòng)的低延遲體驗(yàn)，這要求推理?xiàng)１粡氐字貙?xiě)。

這也是為什么像 Vivix、Luma 這樣的公司會(huì)把大量精力砸在編譯器、低精度推理和多卡并行上。不是為了寫(xiě)更學(xué)術(shù)的 paper，而是為了把延遲打到一個(gè)能支撐交互的量級(jí)。

與此同時(shí)，視頻是算力最燒錢(qián)的場(chǎng)景之一。OpenAI 自己估算過(guò)，Sora 這類(lèi)模型在自由生成模式下，每天的 token 成本可能在千萬(wàn)美元量級(jí)，這也是為什么它在產(chǎn)品設(shè)計(jì)上必須小心控制時(shí)長(zhǎng)和生成頻率。

一端是像 Sora 這樣的社交 + 創(chuàng)作產(chǎn)品，為了冷啟動(dòng)必須承擔(dān)相當(dāng)高的免費(fèi)用量；另一端是廣告主、游戲公司、影視公司，它們更關(guān)注的是“這條視頻到底省了我多少人力成本”、“這個(gè) API 的單價(jià)能不能打平 ROI”。

所以，真正的技術(shù)競(jìng)爭(zhēng)，其實(shí)是把這三個(gè)變量壓進(jìn)一個(gè)更小的空間。在可接受的成本下，把質(zhì)量做到某個(gè)閾值以上，同時(shí)把延遲打到可以撐起創(chuàng)作工作流甚至實(shí)時(shí)交互的程度。

從“做視頻”到“用視頻說(shuō)話(huà)”：一個(gè)更遠(yuǎn)的終局

如果只把視頻生成看成更便宜地做廣告片、做帶貨視頻，那它只是一次技術(shù)升級(jí)；但如果順著 Vivix 等團(tuán)隊(duì)的視角往前走，你會(huì)看到一個(gè)更遠(yuǎn)的終局：

視頻會(huì)從一種內(nèi)容形態(tài)，變成一種交互語(yǔ)言。

今天，我們用語(yǔ)言和文字和模型互動(dòng)。明天，越來(lái)越多的人會(huì)直接用視頻和動(dòng)作去和系統(tǒng)對(duì)話(huà)。

你給模型看一段你家客廳的視頻，它幫你實(shí)時(shí)生成裝修方案；你用一句話(huà)和幾張草圖描述一個(gè)產(chǎn)品，系統(tǒng)直接生成產(chǎn)品介紹短片、發(fā)布會(huì)開(kāi)場(chǎng)視頻、投放素材；你在游戲里走動(dòng)、說(shuō)話(huà)、做表情，身邊的 NPC 和環(huán)境都在根據(jù)你的行為實(shí)時(shí)重寫(xiě)劇情和畫(huà)面。

要支撐這些場(chǎng)景，視頻模型必須具備三件東西：足夠強(qiáng)的多模態(tài)理解能力，能看懂人、環(huán)境和動(dòng)作；足夠快的推理速度，能做到說(shuō)一句、立刻給一段；足夠低的成本，才能規(guī)?；M(jìn)入每一部手機(jī)、每一臺(tái)頭顯、每一個(gè)網(wǎng)頁(yè)。

這就是為什么 2025 年的視頻生成賽道看起來(lái)如此擁擠，卻又如此合理。它會(huì)像觸屏取代按鍵、短視頻取代圖文一樣，改變我們與數(shù)字世界的關(guān)系。

歡迎掃碼加群參與討論

我們相信認(rèn)知能夠跨越階層，

致力于為年輕人提供高質(zhì)量的科技和財(cái)經(jīng)內(nèi)容。

稿件經(jīng)采用可獲邀進(jìn)入Z Finance內(nèi)部社群，優(yōu)秀者將成為簽約作者，00后更有機(jī)會(huì)成為Z Finance的早期共創(chuàng)成員。

我們正在招募新一期的實(shí)習(xí)生