機器之心發布

機器之心編輯部

當 Sora 2、Google Veo 3 還在卷短視頻逼真度，AI 影視的下一站該是長片敘事了？

在 AI 視頻生成技術日新月異的今天，主流模型如 Sora 2、Google Veo 3 等已能生成視覺驚艷的短視頻片段，但想要創作長視頻甚至是影視作品時，AI 模型似乎開始變得力不從心。

然而，在好萊塢，一家 AI 影視公司卻已經拔地而起，開始將 AI 影視生成技術從模型驗證推向大規模產業化。

11 月 3 日，據 Deadline 報道，AI 原生影視工作室 Utopai Studios 與全球創新投資平臺 Stock Farm Road（SFR）宣布成立資本規模達數十億美元的合資公司 Utopai East，以加速韓國影視的國際化進程。

SFR 背后，一面是 LG 集團繼承人 Brian Koo，另一面是阿聯酋主權基金推動者 Amin Badr-El-Din。

報道顯示，此次合作中 Utopai Studios 將成為 SFR 在娛樂領域的獨家 AI 技術合作伙伴，依托 SFR 在韓國規劃的 350 億美元 AI 數據中心樞紐，構建下一代影視制作基礎設施。

在這場以韓娛為核心的產業協同背后，隱藏著 Utopai 希望系統性攻克的關鍵命題：如何讓 AI 真正理解并駕馭影視長片的敘事邏輯，進而實現從「短片生成」到 「長片制作」的工業級跨越？

視頻鏈接：https://mp.weixin.qq.com/s/ACTi_DYghRP2rFKSungTeQ

核心問題：為何傳統視頻模型難以駕馭長片制作？

目前主流視頻生成模型（如 Diffusion）的本質還是概率性生成器，它們逐幀或短片段獨立生成視頻，缺乏對長敘事邏輯的全局規劃能力。

當視頻生成目標從「生成片段」升級為「制作長片」時，Diffusion 模型的短板開始凸顯：

長程一致性崩塌：角色外貌、場景元素在跨鏡頭時容易出現「漂移」，例如服裝顏色突變、人物外貌畸變等。敘事可控性不足：模型難以理解劇本中的因果鏈條（如情緒的遞進轉換），生成的內容往往與導演意圖偏離。物理合理性缺失：模型僅學習 2D 像素統計規律，缺乏對三維空間遮擋、碰撞等規則的認知，易產生反物理的「幻覺」。

Utopai 帶來的解決方案則是直擊痛點 ——不再追求單一模型的極致優化，而是通過架構重組，讓不同模型各司其職。

技術架構：規劃與渲染解耦的協同范式

Utopai 在技術上的重要創新是構建了分層協同架構，其中自回歸模型（AR）負責「規劃」，擴散模型（Diffusion）負責「渲染」，二者通過統一狀態空間耦合。

1.規劃層：自回歸模型作為「導演大腦」

序列預測機制：AR 模型以劇本為輸入，通過前幀預測后幀的機制，生成涵蓋角色 ID 向量、攝像機軌跡、光影變化等要素的時空計劃。該計劃本質是一個機器可執行的「拍攝藍圖」，確保長達數十分鐘的片長中元素演進邏輯保持一致。狀態記憶與因果推理：模型能夠維護可回放的長程狀態記憶，例如追蹤角色從第 1 鏡到第 50 鏡的動作軌跡，避免傳統模型因局部生成導致的邏輯斷裂。

2.渲染層：擴散模型作為「執行引擎」

條件化生成：擴散模型不再隨機「抽卡」，而是嚴格依據規劃層輸出的結構化指令（如深度圖、光流信號）生成畫面。例如，當規劃層指定「攝像機以俯角拍攝雨夜小巷」 時，擴散模型就會據此渲染細節。物理規律注入：通過訓練時引入帶精確標注的 3D 合成數據，模型學習空間遮擋、材質反射等規則，避免生成內容違反重力或碰撞邏輯。

3.協同接口：統一狀態空間

規劃層與渲染層通過統一狀態空間交換信息：規劃器輸出未來幀的幾何與語義約束，渲染器據此生成像素，并反饋生成結果供規劃器優化后續計劃。這一閉環解決了擴散模型「生成即遺忘」的缺陷。

簡單來說，Utopai 的突破就在于構建了一種融合自回歸模型與擴散模型的協同架構，通過「規劃 — 渲染」解耦的協同范式，將 AI 從「畫面生成工具」升級為「敘事協作伙伴」。

訓練方法論：從 2D 統計到 3D 物理規律的躍遷

Utopai 模型能力的基石是其獨特的訓練策略，訓練的核心是用 3D 物理規律替代 2D 像素統計。

1.預訓練階段：幾何與語義對齊

通過使用高質量 3D 合成數據（如虛擬城市、動態物體），訓練模型去理解場景的深度信息，如材質屬性、運動軌跡等，而非僅學習網絡視頻的像素分布；通過構建「下一狀態預測」「掩碼重建」等任務，強制模型推理物體遮擋關系（如角色繞過桌椅而非穿模）。

2.微調階段：多模態指令遵循

在這一階段，引入劇本、分鏡等專業數據，訓練模型將抽象指令（如「史詩感」）轉化為具體視覺元素（如低角度鏡頭、暖色調光影）。

這樣的訓練方式使模型能處理復雜指令，例如當要求角色「由懷疑轉為恍然大悟」時，模型能夠協調人物角色的面部微表情、肢體語言、鏡頭焦距的同步變化，而非簡單替換表情貼圖。

可量化的技術優勢：定義 AI 電影敘事的新指標

當前 AI 視頻領域的通用指標（如 FVD、CLIP Score）主要衡量視覺逼真度和文本符合度，但無法有效評估「敘事質量」。

Utopai 的核心優勢之一，正是建立一套基于專業影視標準的內部評估體系，其在三個維度超越傳統方案：

1.一致性指標

相較于通用模型在幾秒后可能出現角色特征「漂移」的現象，Utopai 的系統旨在跨越數十甚至上百個鏡頭，仍然穩定保持核心角色身份、場景布景和光影邏輯的連續性。這種一致性不是簡單的「不變化」，而是按照敘事邏輯的「合理演進」。

2.劇本指令遵從度

Utopai 能夠量化生成內容與復雜劇本指令的匹配程度。例如，當劇本要求「角色從猶豫轉為決絕」時，AI 模型能通過姿態、視線、鏡頭語言與光影的協同變化，呈現出符合表演邏輯的情感轉變，而非生硬的表情切換。

3.制作效率的躍升

這樣的架構能極大優化專業影視制作的前期流程，導演可通過修改時空計劃（如調整攝像機軌跡）精準控制生成結果，無需反復「抽卡」，將創意迭代周期從數周縮短至幾天。

Utopai 的實踐揭示了一條代表范式轉變的技術路徑：影視級 AI 模型的未來不是替代 Diffusion 或 AR，而是通過架構創新實現專業化分工。

在這里，AI 不再是輔助工具，而是能夠理解導演愿景、具備電影級思維的真實創作伙伴。

正如 Utopai 創始人兼 CEO Cecilia Shen 所言：「AI 可以生成無窮選項，但定義品味的永遠是會講故事和有藝術審美的人。」

而此次合作也不僅是資本層面的聯手，更是以韓國為戰略樞紐，整合 AI 技術、算力基建與內容生態的系統性布局。

當技術的成本壁壘被 AI 擊穿，電影制作的未來將更多地取決于想象力的邊界，而非預算的多少。那些曾因「拍不起」而被擱置的宏大敘事，或許正奔跑著擁抱 AI 影視，闊步走向好萊塢大熒幕。