哥几个，国内的视频生成应用，又上新了。。
就在今天，大家可能还沉浸无法自拔的时候，国内的智谱 AI 上线了一个名为清影的 AI 生成视频产品。
跟 Sora类似的 DiT 架构，支持文生成视频和图生成视频，生成一个 6s 的视频大约需要 30秒。别的不说，这生成速度放现在一众视频生成应用里，确实拿得出手。
看官方给的 demo，这清晰度，还有这水花和波纹，如果不仔细看可能真就让AI给忽悠过去了。
不过这个吗喽打工，就差点意思了。手指敲键盘部分还有背景基本上都是变形的，但这埋头苦干的样子还挺符合打工人的形象。
主要这玩意儿现在是免费的，上线之后世超第一时间就测评了一波。另外，我们也有幸跟智谱CEO张鹏聊了聊，谈了谈他对于视频生成应用和大模型的一些看法。
首先，我们还是先来看清影响到底是什么水平？
先是比较考验提示词能力的文生视频，按照镜头语言+主体细节+光影的公式，世超随意发挥了一把。
提示词：
电影风格，从侧面拍摄，镜头聚焦在面部，写实描绘，夜晚，一个长发女人坐在公交车靠窗的位置，眼睛望向窗外不断变化的街景，忽明忽暗的光线打在她的脸上，画面弥漫着孤独感
别的不说，清影的提示词中文友好，大概 20s 的时间就结束了，在生成时长上几乎可以完胜大部分现役视频生成应用。（ 作为对比，可灵生成一个5s左右的视频需要几分钟甚至更长 ）
效果上，面部光影在随着街景发生变换，还有过程中眨眼睛的细节，也很自然。特别是人物面部的一致性，6s 的视频，几乎没有看到有变形的地方。
除了窗外的街景要扣分以外，已经可以被认为是一个符合要求的 AI 视频作品了。
还有这头狮子。
提示词：
写实描绘，通过近景特写镜头展现，一只狮子紧盯着不远处的羚羊，身体微微起伏，随时准备出击
风吹着旁边的狗尾巴草，身体上的起伏的确是有的，左上角已经出镜的动物，非要说是羚羊也能圆过去。只不过这狮子的状态不太像是要捕猎，更像午觉刚睡醒。
既然日常的场景还算得心应手，我们再换个天马行空的试试：一条在隧道中自主飞舞的反光织物。
隧道、反光织物、自主飞舞，包括隧道内的灯光以及应有的尽头光芒，提示词中的要点基本都理解到了，而且生成的效果也非常流畅，看上去真有点奇异博士悬浮斗篷的意味。
继续让 AI 发挥想象力，看看什么叫做 “ 五彩斑斓的黑 ”。
测试到这，清影文生视频在生成速度上表现出色，对提示词的捕捉几乎无遗漏，但生成效果中仍有许多细节处理不够到位。
就比如视频中文字的生成不够准确，把 “ WEET ” 变成了一串乱码。
提示词：
The camera zooms in, and the background is a vibrant shade of yellow. An artistic billboard adorned with the word “SWEET” is enveloped in a rich, decadent chocolate sauce, which cascades down in a slow, tantalizing motion.
理解不了物理世界规律的问题，也是反复教导无效的。最经典的，篮球在这位老哥手上，基本就是隔空在闪，看不出有一点弹性，不是我说，当年的《篮球火》就应该让AI来拍。
提示词：
镜头不动，傍晚，一个男人在球场拍打着篮球
当然，这些也都是目前视频大模型的普遍问题了，即便是 Sora 本身，也难免会出现错误。
另外，图生视频这边，我们同样简单测试了几个。
像幼苗不断朝着上方延展生长，初看之下似乎很符合植物的生长规律。
世超还请公司顶流火锅出来亮相了一波。前 3 秒的效果还凑合，就是这站起来之后，都快给咱锅哥整出影分身了。
火锅：溜了溜了
反正测试下来，世超对清影最大的感受，就是生成速度对得起官方的宣传。
至于生成效果，一些特定场景下确实让人眼前一亮，但依旧无法完全解决，诸如理解不了物理规律等业内视频大模型的通病。
智谱技术人员告诉我们，他们的技术路线实际上是逐步推进的。大致意思是，从自然语言理解和生成指令的抽象能力开始，然后逐步将这种能力具体应用到图片、视频、声音等不同模态上。
只不过这条技术路线，同样也会受限于很多方面，例如计算能力，以及数据。
一个是相比于大语言模型的文本数据，视频需要的数据可能从这两三年才开始收集、做标注，能用的数据少之又少。
另外，视频数据的质量亦显不足。
高质量的文本数据包括了文本的完整性、内容之间的逻辑性、用词的规范性还有内容的知识性等等。换到视频数据也一样，甚至视频数据里包含的细节要复杂得多，像什么视频内容的丰富性，是不是高清，运镜分镜又是怎么处理的。。。
简而言之，视频模型所需的数据量较少，获取成本也更高。
由于底层的算力、数据，导致的视频内容可控性、画面闪烁和帧率等等一系列技术问题，即使是智谱，也认为目前讨论视频大模型的商业化，仍然为时尚早。
但是话又说回来，今年视频生成应用的接连涌现，也表明了一个事实：视频生成的方向是可行的，现在大家都在往同一个方向努力，剩下的只是时间问题。
而除了对视频生成应用的探讨以外，被称为大模型四小龙之一的智谱，不仅是在视频生成上有所布局，如果熟悉国内 AI 圈的人可能听说过，智谱几乎是全线在对标 OpenAI。
我们这次也跟智谱 CEO 张鹏聊了聊，他对于大模型行业的一些见解。
可能大家也知道，今年上半年技术派的杨植麟和市场派的朱啸虎，针对大模型行业发表了不同的观点。杨植麟认为短期目标应该服务长期的 AGI 愿景，而朱啸虎则觉得目前 AI 行业的商业化和盈利更重要，这在当时还引发了不小的讨论。
还有前阵子，百度 CEO 李彦宏提出“开源大模型将越来越落后”的观点，也引发了热议。
针对这些备受关注的话题，我们尝试询问了首席执行官 张鹏的观点。
从人工智能这个学科产生到现在已经过去了将近七十年的时间，早期发展的速度可能会相对慢一些，最近几年突飞猛进，相信大家已经感受到了。
当然很多人也预测人工智能可能会在未来走向成熟，或者像技术成熟度曲线一样，到达一个顶峰之后进入衰退期。但我们深入研究这项技术的人会发现，其实目前仍然有许多的挑战值得去探索。
有一些趋势是非常明显的，比如超级认知智能、超级对齐、原生多模态技术等等。它们的泛化能力、对世界的理解，包括物理规律的理解等都有望达到更高的层次。
另外，智谱也在进行一些前沿探索，包括基于超级认知和超级对齐技术，以及多模态混合训练的大模型（GLM-4.5 及后续升级模型）；人类的“无意识”学习机制，这项技术名为GLM-zero，研究将进一步拓展人类对意识、知识、学习行为的理解。
“ 我们的目标定在 AGI，这里面每一个问题的突破都有可能带来飞跃式的发展。”
看得出来，张鹏总虽然没有直接对争议发表观点，但人工智能通用智能的目标，毋庸置疑。
另外，在百模、千模大战的背景下，大模型公司们究竟还应不应该一股脑地卷底层大模型？从智谱本身出发，张鹏总也发表了一些对于大模型同质化的观点。
对于 “ 百模大战 ”，在商业化方面，还是要打造分层生态圈，联手踏实落地，避免 “ 重复造轮子 ” 的内耗。
如今，中国大型模型赛道正在从拥挤走向分层。大部分技术进步大抵如此：新技术产生，大家一拥而上；当技术发展到一定程度，自然而然地会分层——有些人解决底层的问题，有些人解决中间的问题，有些人解决上层的问题，相对稳固而不是混乱的生态，大家互相促进。
我们希望做的，就是利用普适智能水平较高的模型来为大家提供支持，智谱AI负责模型推理训练、算力、适配等复杂任务，行业和企业端则可以轻松地部署应用，期待大模型的成果能够在各个行业中得到更广泛的应用。
还有，就是所有大模型企业都无法绕过的一个问题，商业化。
短短两年的时间，大模型已经进入了价格竞争的阶段，但大模型在实际应用中是面向消费者（To C）还是面向企业（To B），以及现在是否是大模型实际应用的最佳时机，这些问题都等待着大模型公司们来解答。
2024年，大型模型的应用正处于落地阶段。一方面，垂直领域中大型模型的商业化应用正在加速；另一方面，多模态大型模型不断涌现，其应用场景也将更加多样化。
智谱希望做的，就是能用通用智能水平比较高的基座模型去赋能大家，让大家去做行业应用。我们做好 L0 的层面，赋能伙伴和客户做好 L1 和 L2。
真正能够提供商业化服务的公司还是比较少的。从一个模型概念到一个能运作的模型，再到一个能商业化的方案，中间每一步都是巨大的跨越。
人工智能技术的下一次飞跃，有可能会在十年后出现，但也有可能就在明天实现。
