首页 / 资讯详情
要更真实，还是更动人？AI视频生成走到了分岔口 | CNCC 2026
摘要
从5大视角，看AI视频的挑战与风险在哪。 作者丨徐晓飞 编辑丨刘 伟 当下，视频生成的竞争焦点，正在从“像不像”转移到“能不能用”。画质、分辨率、单段时长这些指标，正被不同研究团队加速填平。当画面本身的差距收敛，剩下的落差就集中在了更难量化的地方，比如叙事是否连贯，情感是否到位，AI内容进入真实传播链路之后会引发什么。这正是 10 月 23 日下午，CNCC 2026大会“视频生成的智与情”主题论坛尝试讨论的问题。南开大学教授杨巨峰，是这场主题论坛的召集人。据他介绍，这个题目实际上有更早的源头。2024 年，包括他在内的国内十位学者联名提出了“情智兼备数字人与机器人的研究”。这个题目被遴选为当年度中国科协十大前沿科学问题的第一位。而今年，这个研究方向收敛到了“视频生成”这条更具体的赛道上。杨巨峰把“智”比作人体骨架，这块技术已相对成熟，更加悬而未决的是“情”的部分。他在开场留了一道引发大家思考的题：如果非要二选一，我们希望生成的视频更真实，还是更动人？雷峰网作为CNCC 2026大会的报道媒体之一，从工程交付、底层路线到社会影响三个维度，为大家带来这场主题论坛的精彩发现。01AI能拍科幻大片，却拍不好刘能赵四？视频生成发展至今，画面本身已经不难做了，但真要拿来干活，就会遇到更细碎的挑战：剧情怎么连贯？情绪怎么对味？单靠一个基座大模型，显然撑不起交付。如何做更好的交付，成为摆在从业者面前的一道必答题。哈尔滨工业大学（深圳）教授户保田在《多智能体协作的长时序视频生成：从规则可控到叙事共情》报告中，把长视频生成拆成“质”与“情”两条线：质是真实感的基石，要求符合物理规律和空间关系；情是感染力的来源，包含叙事审美与共情表达。据他介绍，目前，单基座大模型能稳定生成的长度在 15到 20 秒，再往上走，跨镜头的角色漂移、跨模态的音画错位、长周期叙事断裂会集中出现。他举了一个通俗例子：生成《乡村爱情》里刘能、赵四那类角色的对手戏，可能比生成科幻大片还难，难点不在场面，在人物关系的连续性。对此，他的团队主要做了三块工作：一块是把工作流变得可控，团队面向 ComfyUI 构建生成工作流基准，用节点优化加强化学习补上长程规划短板，14B 规模的模型就能达到较高准确率，这套系统已被 ComfyUI 集成为原生插件。一块是长程叙事，Pixel Video 用故事模板协调生成流程、维护人物和时间线状态，相关开源项目在 GitHub 上拿到 3 万 star；之后的 Video Vlog 弱化刚性规则，转向多智能体导演框架，可生成连续剧类长视频。还有一块是剪辑，Cut Master 以共享剪辑状态为核心，能处理小时级视频，剪辑质量评分相比平均水平最多提升 17 分。他给这件事定的目标是八个字：逻辑可控，情感可感。内蒙古大学骏马计划研究员亓帆的《视频生成中的物理感知与视频情感表达》报告在另一头接住这个目标。她把问题分成了三部分。在物理感知部分，早期做法是用轨迹、相机、运动场这类外部约束管控动态变化，可控但不保证碰撞、受力这类物理正确。近年的行业进展转向了物理规律引入，有研究设置了2000 种物理专家，先从文本提取规律再细化到局部视觉特征。她的观察是，这个方向的目标已经变了：过去追求下一帧好看，现在更强调状态能否持续，以及能否对环境变化做出响应。情感表达最靠近“