如何打通视频模型商业化最后一公里？ 智象未来梅涛：技术之上还得构建生态

过去一年，是视频生成大模型领域众声喧哗的一年，年初Sora引爆全场，随后国内众多企业也都推出了自己的产品。行业竞争愈发激烈，能够成功“跑通”的路径也变得更加陡峭。探索如何实现商业化，成为众多视频生成创业者的困境。

在日前举行的第7届北京智源大会大模型产业CEO论坛上，智象未来创始人兼CEO 梅涛谈及当前视频生成模型商业化过程中面临的困境时坦言：“（目前）大模型商业化仍不明显，离最后的商业应用还是差‘最后一公里’”。

智源研究院院长王仲远在论坛上指出，过去一年，大语言模型的推理能力和智能化水平有了明显的提升，然而，原生多模态技术尤其在文生视频、文生图方面仍处于探索期，距离“多模态的ChatGPT时刻”尚有距离。  

澎湃科技（www.thepaper.cn）注意到，尽管近期国产大模型在多模态融合、生成质量等方面取得显著进展，也在训练效率、推理成本等关键指标上不断优化，但当前技术上仍存在一定瓶颈，而这一定程度上也影响了视频生成模型商业化路径。

Sand.AI（北京三代科技有限公司）的创始人兼CEO曹越认为，虽然Sora已经证明可以生成高质量视频，但从底层技术路径上看，当前主流的Diffusion模型和Transformer模型的训练方案有很大问题，核心问题在于不够“Scalable”（可扩展性）。

这一情况类似2018年语言模型的发展阶段，当时BERT模型刚推出时，在10B参数量级内表现良好，但一旦继续扩大模型规模，其性能提升却趋于停滞，难以获得预期收益。这也是后来ChatGPT能够后来居上的原因之一，它能够有效地扩展到千亿（1000B）级别，从而实现质的飞跃。

然而，在视频生成方向，Diffusion和Transformer目前虽然已能生成5秒左右的视频并呈现出不错的效果，但随着模型参数规模的扩大，则快速达到瓶颈。在现有技术框架下，如何实现真正可扩展的视频生成解决方案，仍是一个悬而未决的问题。

智象未来创始人兼CEO 梅涛指出，视频生成大模型目前正处于ChatGPT2到ChatGPT3的阶段。要解决视频创作的问题，有三个关键点要达到，即叙事性、稳定性和可控性，这是突破商业化瓶颈的关键所在。

梅涛称，从2023年到2025年，这三年他对于商业化有不同阶段的思考。2023年，他认为模型就是产品，2024年觉得可以卖工具，但后来发现，工具的门槛比较高，即便用了特效的方式，也很难满足用户所有需求。

2025年，他再将产品升级，即不用关心如何做，工具只是降本增效的方法，关键在于用低成本、极高效率，创造极高价值。“我们希望直接把结果交付给用户，帮用户做增长，跟用户分佣，这种模式更贴近商业的本质。”

梅涛表示，无论是做视频生成还是大模型，最关键的挑战在于如何从技术能力出发，走到一个可持续、可闭环、有现金流的商业模型中去。如果无法实现这一点，终究只能停留在“技术提供者”的角色。在这一过程中，梅涛说他得出一个清晰的判断，无论模型底座能力多强，离真正的商业应用仍然差“最后一公里”。下一步，他的策略不仅是向用户交付结果，还将进一步构建完整生态。比如，签约大量具备流量优势的内容创作者（UP主）、MCN机构，搭建自有账号体系，从而推动整个生态系统的运转。

“最终我们可能进入电商领域，转向卖货，构建起一个稳定、有现金流支撑的业务闭环。”梅涛说。

曹越认为，视频生成模型在不同的发展阶段，会展现出完全不同的产品契合度（PMF）。在早期阶段，尽管生成效果还不完美，甚至需要频繁“抽卡”才能生成一个可用片段，但与传统拍摄相比，其成本优势依然显著。他预测，视频生成方向在未来三到五年内会大有可为。