智東西
作者 陳駿達
編輯 心緣

智東西7月30日報道，在2025世界人工智能大會（WAIC 2025）期間，視頻生成獨角獸生數(shù)科技的CEO駱怡航博士與媒體進行深入交流，詳細介紹了生數(shù)科技視頻生成技術的最新進展，并分享了他對視頻生成技術未來發(fā)展方向的見解。

駱怡航著重談到今年7月發(fā)布的Vidu Q1參考生功能，他認為，與文生視頻、圖生視頻相比，參考生視頻才是整個AI視頻創(chuàng)作范式的底層功能。這種方式既不會像文生視頻那樣缺乏一致性，也不會像圖生視頻那樣限制模型的發(fā)揮。

生數(shù)科技從去年開始研發(fā)參考生視頻技術，已經迭代4個版本。同時，該公司也在一致性方向不斷投入，駱怡航認為一致性對廣告、影視等商業(yè)創(chuàng)作而言至關重要。

駱怡航也談到了上周生數(shù)科技聯(lián)合清華大學發(fā)布的具身智能模型Vidar，這是國內首個基于視頻生成模型的具身基座模型。雖然具身智能的大規(guī)模應用還需要時間，但生數(shù)科技計劃繼續(xù)探索數(shù)字世界與物理世界的結合，并有可能在具身智能產業(yè)成熟后加大投入。

采訪中，駱怡航還針對生數(shù)科技的商業(yè)化策略、技術升級方向、AIGC產業(yè)趨勢等問題進行分享。

值得一提的是，今天恰好是生數(shù)科技視頻生成模型Vidu全球上線一周年。上線1年，Vidu生成視頻總數(shù)已超過3億個，用戶數(shù)超3000萬，B端落地率達到行業(yè)第一，這些數(shù)據也帶動生數(shù)科技的年化收入突破2000萬美元（約合人民幣1.44億元）。

一、參考生回歸視頻拍攝本質，Vidu架構可擴展至具身智能

視頻生成當前有多種實現(xiàn)形式，包括圖生視頻、文生視頻、參考生視頻等。其中，圖生視頻因其給予了創(chuàng)作者更多的控制力，而獲得廣泛使用。

圖生視頻需要用戶上傳完整的首幀圖或尾幀圖，模型以此為基準，生成畫面。但由于圖像中的各種元素已經被固定，模型很難對畫面中的內容進行調整、修改，無法完全發(fā)揮出視頻生成模型在創(chuàng)造力上的優(yōu)勢。

駱怡航認為，參考生視頻讓業(yè)界回到了本身視頻拍攝的本質：用戶可上傳人物、道具、場景等元素，無需將其通過P圖、生圖、融圖等繁瑣環(huán)節(jié)，而是直接根據參考圖直出視頻。

最近推出的Vidu Q1參考生視頻能力進一步提升，已經支持了七個主體的參考，基本可以滿足大部分場景需求。

Vidu參考生視頻同時具備主體庫功能，用戶可以上傳人物或者商品的正面、側面、背面圖，確保元素在不同場景下的主體一致性。

面向專業(yè)創(chuàng)作場景，Vidu參考生視頻提供了提示詞專業(yè)模式。用戶輸入簡單的提示詞后，模型能夠將用戶的簡單提示詞改寫為專業(yè)提示詞，讓最終作品質量更高，制作效率提升。

參考生視頻這項技術滿足了商業(yè)化場景對內容創(chuàng)作的需求，已在廣告電商、互聯(lián)網、動漫、影視、文旅、教育、游戲、廣電等八大行業(yè)落地應用。

在Vidu視頻生成模型的基礎上，生數(shù)科技和清華大學共同打造了具身智能模型Vidar，這一模型與Vidu一脈相承。

駱怡航稱，Vidu架構在設計之初就具備一定通用性，可勝任時空信息一致性的生成，在這個基礎架構之上，只需進行少量數(shù)據、低成本的微調，便可將生成的虛擬視頻轉化為控制具身智能的動作信息。

Vidar的主要創(chuàng)新在于，能突破原有VLA路線中優(yōu)質數(shù)據難以獲取和具身智能難以泛化的問題，實現(xiàn)了具身智能的少樣本泛化，所需真機人類操作數(shù)據量約為行業(yè)典型值的千分之一。

二、視頻生成技術分三步走，將優(yōu)先滿足專業(yè)用戶需求

駱怡航還分享了視頻生成技術發(fā)展過程中人與AI協(xié)作三階段的觀點。

第一個階段仍是圖生視頻為主，需要文生圖再生視頻或者用首尾幀再生視頻的復雜流程，雖然它在生產環(huán)節(jié)、效率上相比傳統(tǒng)流程有所進步，但還未達到100%的效率提升。

第二階段以參考生視頻為主要功能，無需中間分鏡生成環(huán)節(jié)，只要把主體選好，就可以直接生成視頻。根據生數(shù)科技得到的用戶反饋，這種方式給效率帶來了明顯提升。

第三個階段中，將有大量內容100%由AI生成，內容生產執(zhí)行的效率和成功率極大提升，創(chuàng)作者可以把大量時間投入到故事創(chuàng)意和關鍵設計上。

駱怡航稱，目前生數(shù)Vidu正推動AI視頻內容生成由第二個階段向第三個階段轉變。

生數(shù)科技當前最高的優(yōu)先級依舊是滿足視頻行業(yè)最嚴格、最復雜的專業(yè)要求，其次才是擴展C端用戶。

對此，駱怡航解釋道，當前視頻生成技術尚無法支撐普通用戶打造高質量視頻，仍需在一致性、速度上實現(xiàn)突破，才能實現(xiàn)AI視頻創(chuàng)作的普惠。

生數(shù)科技可以在服務B端專業(yè)用戶的過程中，逐步打磨這些技術，例如根據廣告電商客戶的需求提升一致性，或是在動畫場景針對性地提升風格和生產效率。這些在專業(yè)領域的技術積累，最終可以惠及C端用戶。

結語：視頻生成技術持續(xù)迭代，速度與成本仍有突破空間

隨著視頻生成模型能力的持續(xù)迭代，有越來越多的企業(yè)開始探索其應用價值，尤其是在影視制作、廣告營銷、教育培訓等場景中。不過，要真正實現(xiàn)規(guī)模化落地，仍有很長的路要走。

在采訪的最后，駱怡航也分享了他眼中視頻生成未來的優(yōu)化空間。首先，一致性作為基礎問題，仍需要進一步提升；解決一致性問題后，下一步就是讓視頻生成做到“快”、“好”、“省”。

其中，“快”和“省”的部分還有很大突破空間，現(xiàn)在生數(shù)科技已經實現(xiàn)普通清晰度幾秒鐘生成視頻片段、分鐘級生成1080P視頻片段，未來會推進AI視頻實時生成。