本文時代周報 作者：雨辰

在AIGC技術快速迭代的當下，圖生視頻正在從實驗室走進創作室、工作坊和工業一線。

2025世界人工智能大會（WAIC 2025）期間，商湯科技聯合創始人、執行董事、首席科學家林達華博士在接受時代周報等媒體采訪時，深入剖析了多模態大模型的演進趨勢、技術挑戰與商湯的戰略布局。他強調：“多模態能力是通向通用人工智能（AGI）的必經之路。”

今年5月，CreateAI發布《多模態生成技術在動畫制作領域的應用與發展白皮書》，該報告首次以中國動漫電影《哪吒2》為案例，結合權威數據，揭示了AI在激發創意與優化流程方面如何實現“降本增效”。

林達華認為，生成式AI的未來，不應僅僅追求“從文字直接生成圖像或視頻”的技術炫技，而應聚焦于創作者意圖與結果之間的精準對接。“AIGC的終極形態，是一個真正服務創作過程的交互工具。”

商湯科技聯合創始人、執行董事、首席科學家林達華博士

時代周報：從技術角度來看，在視頻生成過程中，如何實現對空間結構和物理邏輯的有效把控？

林達華：商湯很早就布局了數字人、三維建模等方向，因此在三維空間建構方面積累深厚。在Sora引發關注時，我們也研究了它的視頻質量，的確在視覺效果上令人驚艷，但它在物理規律的掌握上存在明顯不足——它采用的是基于時間的一幀幀生成邏輯，本質上并不具備三維結構的建模與控制能力。相比之下，商湯內部一直在探索如何將三維結構能力應用于視頻合成，讓生成視頻在空間結構和物理邏輯上都更加真實可控。

這一優勢也體現在我們參與的奧運場景應用中。例如在去年奧運會乒乓球等項目中，我們把三維的結構的這種信號，用于控制視頻的生成，使得它生成的結果符合物理的結構、物理的規律。成功實現對球拍與球體軌跡的精準還原，為賽事回放與輔助判罰提供了強有力的技術支持。

時代周報：在實際運用中，視頻生成結果“符合物理邏輯”有多重要？

林達華：這是我們高度重視的關鍵能力。生成內容不僅要“看起來真實”，更要“邏輯上成立”。例如，商湯的“開悟”世界模型，在某種意義上，也可被視為一種視頻生成模型，但它對三維結構生成的準確性和物理性的要求極為嚴格。若生成的結果不符合物理規律，將其用于駕駛訓練，將導致災難性的后果。所以，相較于一些AI公司追求生成畫面越“炫”越好，商湯更強調結果的正確性：我們生成的畫面必須符合物理規律、空間邏輯，并具備可解釋性。

時代周報：圖生視頻較文生視頻有哪些提升？圖生視頻具體有哪些典型應用場景？在哪些環節真正能發揮價值？

林達華：相較于文生視頻，圖生視頻顯然具備更堅實的依托。以文字為例，若要生成一只在空中飛翔的鳥，單憑文字描述，系統難以構思出豐富的細節。然而，若有一張圖片作為基礎，生成的結果便會日新月異。例如，要求系統生成“我媽媽微笑的照片”，若系統未曾見過你母親，又怎能憑空創造？顯然，必須有一張實際圖像作為參考。因此，我認為真正的個性化生成，不應僅依賴文字描述，而需以真實影像為支撐，方能實現這一可能性。

從圖生視頻的角度來看，最直接的莫過于C端應用場景。假設你家中存有大量照片，希望讓它們“動”起來，這無疑是一個極具吸引力的創意。早期，我的團隊開發了AnimateDiff，影響力較大。如今，許多后續的圖生視頻研究都與AnimateDiff有著千絲萬縷的聯系。我們注意到，這項于2023年開源的技術，被廣泛用于創作各類充滿想象力的視頻，用戶僅需幾張照片便能展開創作。

時代周報：圖生視頻的價值在哪里？您怎么看AI和人類創作者的關系？

林達華：我們一直認為，文生視頻也好，圖生視頻也好，都不是生成式AI的終極形態。真正的理想狀態，是將創作者的意圖與生成過程深度融合，把AI當作一個真正服務創作流程的“工具”。

在我理解，包括我們剛剛發布的視頻平臺上的Seko AI，它是一個交互式創作工具，我們將視頻的制作視為一種創作，而不是僅僅輸入一句話后就不管不顧，等待它生成一個結果。這個結果很可能并不符合你的預期，也不一定能直接使用。

真正有價值的是，它能大幅減少你的工作量，同時你仍能對最終的生成內容進行把控。當發現生成內容不合適時，你可以指導它進行修改，掌控生成的脈絡，這就是交互式生成的核心所在。