A16Z最新洞察：视频模型从狂飙到分化，产品化是下一个机会

在过去一年，几乎每周都有一款新的视频生成模型登场，不断刷新基准成绩：更长的视频、更真实的物理、更一致的角色与镜头语言。我们习惯了模型性能一路狂飙、不断突破。

但今年，节奏变了。如果你密切关注基准测试，可能会感觉“进步”放缓了：大多数主流模型都能生成 10–15 秒带同步音轨的视频，效果已经相当惊人，但也不再令人惊讶。

这并不是坏事。在A16Z合伙人贾斯汀·摩尔看来，我们正在进入一个新的阶段：视频模型的“产品时代”。

简单来说，视频模型的进步，不再体现在模型参数或基准分数上，而是体现在多样性和专业化上。比如，我们开始看到不同模型在特定能力上各自突破：物理模拟、卡通风格、多镜头剪辑……没有哪一个模型能“通吃全场”，但每一个都在变得更擅长某一个维度。

与此同时，更大的机会开始从模型本身，转向“围绕模型”的产品构建：那些能简化创作流程、抽象出复杂操作的工具，正变得比模型本体更有价值。

今天，就让我们跟着贾斯汀·摩尔来看看视频模型在过去一年的变化。

01

视频领域不存在最强模型

过去几年，各大扩散模型实验室不断发布性能更强的新版本，在各种测试榜单上不断刷新纪录。大家逐渐形成一个共识：总有一天会出现一个“神级模型”，在所有视频生成任务中表现最出色，成为行业默认标准。

但这个假设最近被打破了。上个月发布的 Sora 2，在 LMarena 等测试中甚至不如 Veo 3，表现不升反降。很多人开始怀疑，扩散模型的技术进步是不是开始变慢了。所谓“最强模型”的概念，在视频领域可能根本不存在。

其实，大语言模型也走过类似的路径。2023到2025年，主流模型性能持续上升，之后在各种评测中逐渐趋于稳定。到了这个阶段，各家研究机构开始把重心放在具体场景和垂直领域上，而不是单纯追求更高分。同时，基于这些模型的AI产品也开始快速落地。

回头看，视频模型在公开测试上进展放缓其实也可以理解。过去几年，它们在“真实感”上突飞猛进，现在很多生成视频已经非常逼真。到了这个阶段，再想做得“更真实”就很难了，因为它已经几乎和现实看不出差别。

这就像17、18世纪的油画大师们，已经能画出接近照片的肖像和风景。那时大家不再纠结谁更写实，而是开始关注作品的风格和审美取向。

如果“更真实”不再是模型的优势来源，接下来会发生什么？我们可能会看到更多风格化、专业化的模型出现。每个模型不再追求通用，而是各有特长。资源丰富，选择也变多了。视频生成，正在进入一个“百花齐放”的新阶段。

02

视频模型价值开始分化

在聊模型越来越“专业化”之前，先简单回顾一下过去。

2024 年初，我写过一篇文章，当时的视频生成技术还很原始。别说一分钟，连生成3～4秒的稳定片段都很难。物理效果经常崩坏，比如人物会突然“融化”到地板上，篮球会以奇怪的轨迹弹来弹去，最后却能神奇地进篮筐。

那时我说：距离 AI 拍出像皮克斯那样的短片，还有很长的路要走。而现在，一切都变了。

谷歌推出了 Veo 模型，直接登上多个排行榜榜首；OpenAI 正在用 30 人团队、3000 万美元预算，制作一部完整的 AI 动画长片（虽然不是完全由模型生成，但依然是一次飞跃）。如今，视频长度更长，物理细节更真实。篮球从篮板反弹再落地？已经是标配。

不过，虽然整体水平在变好，我们也看到了另一个趋势：模型正在变得专一，各有特长。

为什么会这样？很简单，没有一款模型能满足所有用户的需求，比如有的团队专注提速和成本控制；有的专攻后处理阶段，让模型在某些场景表现特别好。

比如：

Veo 3：最擅长物理细节、复杂动作，音画同步也做得最好

Sora 2：可以根据一句话生成有趣的多镜头视频，像在帮你“拍短剧”

Wan：开源模型，支持很多风格化插件（LoRA），适合定制风格

Grok：速度快、成本低，特别适合动画内容

Seedance Pro：可以一次生成多镜头结构

Hedra：长时间对话类视频的表现最稳

以 Veo 和 Sora 为例，两者都很强，但方向完全不同。

Sora 适合创作趣味内容，比如用一句话生成一段“霍金打篮球”的视频，或把你和朋友放进某部电影里。它更像是一位“故事导演”，适合普通用户和 meme 创作者。但它在物理表现、音视频同步方面还不太稳定，经常出现嘴型不对、声音延迟等问题。

相比之下，Veo 就更“专业”。它缺乏幽默感，需要你提供更清晰的指导，但它的动作、镜头、音画同步更精确，更适合内容创作者、影视工作者这类对质量要求高的用户。

这种“专业化”趋势也带动了整条生态链的发展。像 Fal、Replicate 这样的 AI 视频云平台，已经托管了几十种模型，供用户按需选择。Krea 这类编辑工具，则提供了一个中心平台，让用户可以和多个模型打交道，并建立自己的工作流程。

当然，一些大公司仍在努力追求“万能型模型”，那种什么都能做、表现都顶尖的“上帝视角”模型。我们当然也希望它能早点出现。但在这之前，不同模型在不同场景里“各显神通”，已经是一个非常现实、非常值得期待的阶段了。

03

AI视频下一个方向是更好的产品化

熟悉我的朋友都知道，我平时会用各种视频和图像生成模型，去尝试做一些非常定制化的内容。这个过程往往涉及好几个工具来配合使用。

举个例子：如果我要做一个“定制家具展示视频”，我通常会用到 Ideogram、nano-banana 和 Veo3；如果是想在已有视频中添加“产品赠品”的动画片段，那就要靠 nano-banana、Hedra，再加上一些编辑工具，比如 Krea 和 Kapwing。

这些组合工作流程其实挺复杂的，不是每个人都有时间、精力去折腾这么多工具。我们确实需要更好的一体化产品来简化整个创作过程。现在模型的能力已经很强，但对应的产品进度，依然有很多“追赶空间”。

很多创作者正在手动拼接多个模型的功能，来完成模型本可以自动做到的事情。

比如，要让角色在不同镜头中保持一致，就需要在每一段视频里手动调整人物形象；如果想延续上一个镜头的结尾画面，还得把最后一帧导出来，再作为下一段的起始条件去重新生成；控制镜头运动轨迹，也得先用图像模型画出起点和终点画面，再通过其他工具去“推导”中间的过渡过程；甚至连做一张故事板，都要靠拼贴、截图、剪辑多个片段才能完成。

这些本可以由模型自动处理的工作，如今却依然依赖创作者手动拼接，正是产品体验和创作效率之间的巨大断层。好消息是，有些团队已经开始尝试解决这些问题。

Runway 就发布了一套工具，可以让用户修改镜头角度、生成下一个镜头、切换风格、改变天气，甚至在画面里加东西或删东西。

OpenAI 的 Sora Storyboard 也支持更细致地控制视频中每一帧的动作；而谷歌刚发布的 Veo 3.1，更像是一次“产品更新”而非“模型升级”，它围绕音频控制和视觉控制做了很多功能增强。

其实，这就像我们过去看到的大语言模型（LLM）一样：即便模型性能不再突飞猛进，围绕它构建实用产品的空间依然非常大。视频模型现在也处在这个阶段，能力不缺，缺的是好用的产品。

未来，我相信我们会看到越来越多“小而美”的模型，专门为某个行业或某种场景优化，比如室内设计、营销、动画制作等等。

同时，我们也需要更强大的“创意工具包”来打通各种模态，让视频、配音、音乐这些元素的生成与编辑更顺畅，最终形成一整套真正闭环的 AI 视频工作流。

本文来自微信公众号“乌鸦智能说”，作者：智能乌鸦，36氪经授权发布。