编辑：前沿在线 编辑部
你觉得视频大模型接下来会卷什么？
更高的分辨率？更长的时长？更逼真的画质？
这些当然还会继续卷。而且卷得很凶。就在过去三个月里，头部模型已经从 1080P 卷到了原生 4K，时长从十几秒卷到了三十秒。
影视级内容、广告、短剧这些场景，就是需要更高清、更长、更逼真的生成能力，这条路还远没到尽头。
但我想说的是，除了画质和时长，一个新的竞争维度正在打开。
这个新维度叫：实时交互。
是 AI 不再是一段你只能看的视频，而是一个能跟你面对面聊天的角色。
这件事，已经发生了。
今年 WAIC 上，生数科技展台前排队的人绕了三圈。有人玩了十分钟不想走，有人反复测各种指令，连路过的老外都停下来看了两眼。
最火的一个测试，是让 AI 角色 “把眼镜摘下来”。
很多人第一次看到这个动作的时候，都愣了一下。不是因为这个动作有多难，而是因为它居然真的能摘。
很多 2D 数字人方案里，眼镜是贴在脸上的贴图，跟脸是两层东西，自然摘不下来。
它能摘，说明它真的理解 “眼镜” 是什么，理解眼镜和脸的关系，理解 “摘” 这个动作的物理逻辑。
一个简单的动作，背后是两套完全不同的技术路线。
而这，就是视频大模型第二条战线的起点。
先说清楚，画质、时长、一致性，这些基础能力依然非常重要，而且还在快速进步。
过去半年，整个行业在这条战线上的进步可以用 “狂飙” 来形容。
分辨率上，头部模型已经从 1080P 卷到了原生 4K，不是后期超分，是从底层直接生成 4K 画面。
时长上，从十几秒卷到了三十秒，简单场景甚至能拉到几分钟。一致性、物理合理性、镜头逻辑，也都在快速提升。
据前沿在线梳理，目前国内至少有三家能做到原生 4K 输出，能做到 1080P、30 秒稳定生成的团队就更多了。
更重要的是，AI 视频正在告别 “抽卡时代”。
前两年做 AI 视频，提示词是个高度玄学的东西。同样的指令生成十次有十个结果，能用的素材全靠碰运气，业内戏称 “AI 视频生产 = 抽卡”。
但现在不一样了，随着多条件控制能力的跃升，模型已经能按分镜脚本精准控制镜头语言，生成过程越来越可控。
“能生成” 早就不是壁垒了，”能不能稳定产出好内容” 才是。
但问题也来了，当头部模型的基础能力都到了很高的水平，再往上卷，边际收益就开始递减了。
从 480P 到 720P，人人都能看出区别；从 720P 到 1080P，仔细看能看出来；
从 1080P 到 4K 呢？在手机屏幕上、在短视频场景下，大部分人其实感知不到明显差异。
不是说 4K 没用。恰恰相反，影视级内容、高端广告、大屏展示这些场景，对画质的追求是无止境的。
4K、8K、120fps、物理级渲染，这些方向依然有巨大的价值空间，而且会一直卷下去。
但对大部分通用场景来说，短视频、社交媒体、日常创作，720P、1080P 已经 “够用” 了。
当所有人都过了 “够用” 这个门槛，竞争就会自然地往新的维度延伸。
这其实是所有行业的规律，任何一条增长曲线，都会有边际收益递减的一天。真正厉害的公司，会在第一条曲线还没到顶的时候，就开始布局第二条曲线。
视频大模型行业，现在正处在这个节点上。第一条战线还在打，而且打得很凶；但第二条战线已经悄悄开打了。
那这条新战线到底是什么？很多人第一反应是，生成得更快了。
但我得说，这个理解还是浅了。实时交互不是 “更快的生成”，是生成范式变了。
第一条战线上的视频生成是什么样的？
你输入一段提示词，模型算几十秒，给你返回一段固定的视频。
整个过程是单向的、一次性的、不可干预的。就像去照相馆拍照，摄影师按快门，你等结果，不满意就重拍。
第二条战线上的实时交互是什么样的？
你边说它边生成，你随时打断它随时调整，你换个话题它马上跟着变。
整个过程是双向的、持续的、可干预的。
就像跟一个真人视频通话，对话是流动的，反应是即时的，过程是共创的。
这两种模式的差别有多大？就像唱片和现场演出的差别。唱片再高清也是固定的，现场演出再粗糙，它是活的。
Vidu S1负责人张金涛在一次专访中说过一个判断我很认同：视频生成未来的关键变化，不只是从 “生成得不够好” 变成 “生成得更好”，而是从 “生成一段内容” 走向 “生成一种体验”。
离线视频生成对应的是高质量内容生产，电影、广告、短片、精准剪辑。
但人类还有很多需求，本质上是实时发生的。
比如你喜欢一个人，你不会只满足于每天看他的照片，或者看他提前录好的视频；你会想和他说话，想见到他，想看到他对你产生即时反应。
游戏也是一样，真正吸引人的不是看一段提前录好的内容，而是在一个世界里行动，并且立刻得到反馈。
从这个角度看，流式视频生成不是简单地让视频生成更快，而是让视频模型从 “一次性生成内容” 变成 “持续生成交互体验”。
新维度会带来什么变化？我觉得至少三个本质不同。
首先是商业模式变了。
以前卖的是内容，按条收费，一锤子买卖。以后卖的是时间，按分钟收费、按订阅收费，持续性收入。
一个工具卖 99 块钱一年用户觉得贵，一个能陪你聊天的 AI 角色一个月收 29 块，用户觉得便宜。价值逻辑完全不一样。
从工具到陪伴，用户付费的心理账户完全不同。这不是定价的问题，是价值感知的问题。
然后是用户规模变了。
以前的用户是创作者，做视频的、做广告的、做短剧的，几千万的规模。以后的用户是所有人，只要你需要跟 AI 交互就是潜在用户，几十亿的规模。
从生产工具到消费入口，用户量级差了好几个数量级。
这个变化有多重要？你看看大语言模型的发展路径就知道了。
最早的大模型也是给开发者用的工具，后来 ChatGPT 出来，变成了人人能用的产品，用户规模直接涨了一百倍。
视频大模型也会走同样的路，从创作者工具，到大众消费产品。
最后是核心壁垒变了。
第一条战线比的是谁的数据多、谁的模型大、谁生成得好看。
第二条战线比的是谁的推理快、谁的延迟低、谁的部署成本低、谁的长时稳定性好。算法的权重在下降，工程化的权重在快速上升。
这个变化最容易被忽略，但可能是最根本的。
第一条战线是算法驱动的时代，谁有新算法谁就领先。第二条战线是工程驱动的时代，谁能把成本压到最低、把体验做到最好，谁就能赢。
这就是为什么说这是一条新战线。
不是说它比画质更高级，而是说它是一个完全不同的赛场，比的东西完全不一样。你在第一条战线上积累的优势，到了第二条战线上可能根本用不上。
目前在这条新战线上，已经有不少玩家在布局。
海外的 HeyGen等数字人公司在往 AI 生成方向转型，国内其他视频模型公司也在探索实时交互的可能性，传统数字人厂商也在升级技术路线。
在第一批跑出来的玩家中，生数的 Vidu S1 是最受关注的一个。
7 月 3 日，在 2026 全球数字经济大会上，生数科技创始人朱军正式对外发布了这款全新的实时交互模型。
它由朱军教授的 00 后博士生张金涛担任负责人，带领团队完成全链路研发。
Vidu S1 面向的是一类全新的使用场景：让视频模型从离线成片，走向可对话、可响应、可持续在线的实时交互。
它的核心能力包括语音实时控制视频生成内容、无限长实时生成、540P+25FPS 实时交互，以及自定义初始图像与音色。
它为什么能先跑出来？
答案可能跟你想的不一样，不是靠堆 GPU，不是靠模型更大，是靠全栈工程优化。
Vidu S1 最狠的一点是什么？
它单张高端消费级显卡（如 RTX 5090）就能跑 540P、25FPS 的实时交互，最高支持 42FPS。
什么概念？
相比传统高端定制数字人方案，动捕加建模加服务器集群，成本下降了一到两个数量级。
以前做一个高质量数字人几十万起步，现在一张显卡的成本，就能跑一个能实时对话的数字角色。门槛被大幅拉低了。
有意思的是，这很像那些颠覆性技术的经典路径。
一开始画质差、效果糙、主流玩家看不上，但成本低一个数量级，体验是全新的，然后慢慢往上爬，最后把主流市场给颠覆了。
它是怎么做到的？
不是某一个技术点的突破，是一整套体系的协同。
如果把生数的技术能力拆开来看，你会发现它的壁垒不是某一层，而是从底到顶一整条链。
最底层是算子层，就是SageAttention，一个 8 位整数量化（INT8）注意力加速方案。
传统注意力运算都是 FP16 浮点，SageAttention把Q和K矩阵量化成INT8，同时保留V矩阵的高精度，在几乎不损失生成质量的前提下，实现了 2 到 3 倍的加速。
而且是即插即用的，不需要重新训练模型。
据张金涛在公开采访中透露，SageAttention 已被 Nvidia、AMD、Google、华为、Meta、字节跳动、腾讯等约 200 家企业在产品中使用或集成，某种程度上已经成了行业标准。GitHub 上 3000+ 星标。
一个做视频模型的公司，先做出了一个全行业都在用的加速算子。
这就是底层实力。很多人只看到了 Vidu S1 这个产品，没看到底下这一层又一层的积累。
中间层是模型层，TurboDiffusion，一个扩散模型推理加速框架。
这一层的加速来自四个方向的协同：注意力加速，把 SageAttention 和 SLA 稀疏线性注意力结合起来，通过稀疏化剪掉 90% 的计算量，同时保持生成质量基本无损；步数蒸馏，用 rCM 正则化一致性模型方法，把扩散模型原本几十上百步的去噪过程，蒸馏到 3 到 4 步就能完成，这是提速最核心的一步；
还有 W8A8 全局 8 位整数量化，把权重和激活值都压缩到 INT8，显存占用减半，计算速度翻倍。
四个方向叠在一起，最终实现了 100 到 200 倍的端到端加速。GitHub 上也是 3.6K 星标，行业里广泛在用。
这里有个很有意思的观察。很多人以为，把注意力剪得越稀疏，效果会越差。
但实际情况是，传统注意力机制里有大量计算是冗余的、是浪费的。
找到那些真正重要的计算，把资源投上去，反而能又快又好。这就是工程优化的魅力，不是简单地做减法，是找到规律之后的精准优化。
最上层是系统层，TurboServe，一个流式推理部署引擎。
实时交互跟离线生成不一样，它是持续的、流动的，不能断不能卡不能崩。这就需要专门的调度引擎，动态分配算力，管理用户状态，保证服务稳定。
三层优化全栈打通，才跑出了单卡实时生成这个结果。
所以你看，真正的壁垒是什么？
不是我有多少张 A100，不是我模型参数有多大。
真正的壁垒是你能不能用更少的资源跑出更好的效果，是从算子到模型到部署的全链路工程能力。
算法可以抄，论文可以复现。但一套打磨了好几年的全栈工程体系，抄不走。
张金涛说过一句话我觉得很到位：推理速度本身就是智能水平的一部分。
如果给足够的时间，很多复杂任务都不难解决。但如果要在实时交互的约束下做到又快又好，那就是另一回事了。
支撑这套能力的，是自回归扩散模型（AR+Diffusion）路线。
模型并非一次性产出完整片段，而是基于已经生成的历史画面，结合用户当前的语音、指令等上下文信息，实时预测并生成下一帧内容。
这种逐帧生成的方式，天然具备可被实时打断和改写的特性。
用户随时发出的新指令，都能被模型实时理解并体现在后续画面中，不必等待一整段视频生成完毕再重新开始。
论文里的数据也能说明问题。
根据生数发表在 arXiv 上的技术论文，Vidu S1 在两个基准上做了测试：一个是公开的HDTF数据集，三项指标CSIM 0.9192、Sync-D 7.847（音视频同步误差，越低越好）、DOVER 0.5660，在对比的商业系统中均处于第一梯队；
另一个是生数自建的 Vidu-StreamBench 人类偏好测试，在 “主体可控性” 这个指标上，Vidu S1 对另外两家海外主流方案的偏好率达到了 100%。
这个数字看起来很夸张，但其实很好理解：路线差异带来的代差。很多 2D 数字人方案，主要聚焦于口型驱动和上半身微动作，动作生成能力相对有限，对自由指令的跟随能力天然较弱。
而 Vidu S1 是端到端生成的，理解指令后实时生成动作，这是两种技术范式的差距。
当然，这里必须说明：Vidu-StreamBench 是生数自己构建的 benchmark，不是第三方独立测试。
自建 benchmark 难免有偏向性，这个 100% 的数字也有路线差异放大的因素。但即使打个折，也能说明问题，在指令跟随这个维度上，Vidu S1 确实有明显优势。
更关键的是，这些成绩是在 RTX 5090 上、3 步配置下最高 42FPS 的推理速度下取得的，超过了 30FPS 的实时播放阈值。
值得一提的是，Vidu S1 还具备一定程度的场景理解能力。
当用户开启摄像头，模型能识别画面中的人物数量、动作状态等信息，并据此给出实时反馈，而不只是被动响应语音指令。
这让交互不再局限于对话本身，也延伸到了对物理环境的感知。
自定义角色方面，Vidu S1 支持用户上传任意图片创建角色。
无论是真人形象、动漫人物、萌宠，还是游戏角色和其他虚拟形象，都可以作为初始角色使用；
声音层面，用户也可以选择系统音色，或录制自己的声音进行定制。上传图片并完成基础设置后，新角色几乎可以立即进入对话状态。
这意味着，数字人的创建门槛被进一步降低了。
普通用户可以用宠物、插画或自创人物生成互动角色；企业则可以通过 API，将品牌IP、虚拟客服、数字主播、游戏 NPC 或教育陪练接入自己的业务。
生数的做法也很坦诚。
他们没有只剪几个精美的 demo 做宣传，而是把前端和 API 都开放出来，让用户自己去试、去感受。
这意味着模型的缺点会非常直接地暴露在所有人面前，但他们觉得值得。一个新方向刚开始出现时，它不一定是完美的，更重要的是它能不能让大家看到一种新的可能性。
更深一层看，Vidu S1 并不是一个孤立的产品。它是生数通用世界模型布局中的一环。
朱军在央视专访里讲过一个判断：视频并非简单的像素序列，而是对现实世界动态变化的记录。
人物、物体、环境、动作和事件，都以时空变化的方式包含在视频之中。
通过大规模视频训练，模型不仅能够生成画面，也在逐步学习物体如何运动、环境如何变化，以及不同动作可能带来怎样的结果。
所以在生数的技术路线里，从视频生成到实时交互再到机器人行动，底层是一体的。
Vidu 在像素空间生成动态内容，学习世界如何变化；Vidu S1 引入实时输入，让模型能够持续理解指令、更新状态并作出响应；Motubrain 则把对环境的理解和对未来的预测，转化为机器人可以执行的动作。
三者分别对应世界模型能力的逐步演进：生成世界、与世界实时交互，并最终行动于世界。
这也是为什么生数能从视频模型自然延伸到机器人领域。不是跨界追热点，是视频模型技术路线的自然延伸。
当你的模型已经通过海量视频学会了世界如何运转，下一步自然就是让它在物理世界里行动起来。
Vidu S1 跑出来了，实时交互这条新战线也正式打开了。
但这只是一个开始。接下来，这个方向还有很大的进化空间，整个行业都在往几个方向同时推进。
画质和实时性能的平衡是第一个方向。
现在能做到实时交互的，分辨率普遍还在 540P 左右；画质好的方案，又做不到实时。
接下来的关键突破点，是在保持实时帧率的前提下，把分辨率逐步提升到 720P、1080P 甚至更高。
这不是某一家的问题，是整个行业共同的技术方向。谁能先做到 1080P 实时，谁就能拿下对画质有要求的场景。
动作范围和场景复杂度的扩展是第二个方向。
目前的实时交互主要还是上半身、小动作、简单场景。接下来，全身动作、复杂场景、多人交互、环境互动这些能力，都会逐步解锁。
从 “坐着聊天” 到 “自由活动”，从 “单角色对话” 到 “多角色互动”，交互的丰富度会不断提升。
长时一致性的持续验证是第三个方向。
“无限时长” 是一个很吸引人的概念，Vidu S1 已经实现了连续数小时的稳定生成。
但真正的长时一致性，几天、几周、甚至更长时间的连续交互，角色记忆、性格、成长轨迹的持续保持，还需要更大规模、更长时间的验证。
实验室里跑通和千万级用户天天用，是两个量级的挑战。
杀手级应用的探索是第四个方向。
技术跑出来了，接下来就是找场景。虚拟陪伴、互动游戏、虚拟主播、智能客服、在线教育、语言陪练…… 现在大家都在试，各种方向都有团队在跑。
哪个场景能最先跑通商业模式、能跑出大规模用户，是接下来一两年最值得关注的事。
这些都是整个赛道正在快速推进的方向。
技术路线是对的，基础能力已经跑通了，接下来就是不断迭代、不断扩展、不断找场景的过程。
这两条战线，会分别走向哪里？
我觉得可以分开来看。
第一条战线（画质/时长），走向的是 “内容生产的革命”。
这条战线上的玩家，目标是把 AI 视频生成的质量做到影视级，把时长做到电影级，最终替代传统的影视制作流程。
受益的是内容行业。
短剧、广告、影视、动画，这些需要大量视频内容的行业，生产效率会大幅提升，成本会大幅下降。
以前需要几十人团队几个月做的事情，以后可能几个人几周就能做完。
这件事已经不是未来时了，是正在发生的现在进行时。
今年有个很有意思的现象，二手视频相机价格崩了。
索尼 A7S3 这种曾经的视频神机，二手价格半年跌了五千多。
闲鱼上挂着大量 99 新的视频机，转手理由清一色是 “闲置吃灰”。为什么？因为以前拍短剧、拍短视频、拍电商素材，都得买台好相机。现在呢？很多团队直接用 AI 生成了，连相机都不用了。
上游的变化更夸张。据中国网络视听协会的数据，2026 年一季度全行业上线的微短剧里，AI 生成的已经占了 95% 以上，真人短剧上线量还不到 AI 短剧的二十分之一。
多地影视基地真人剧组大幅缩减，演员劳务行情腰斩，重金打造的实景棚在闲置。
有业内人士形容：”提示词取代了摄影机。”
以前拍一部 20 集短剧，需要组几十人的摄制组，搭场景、找演员、拍素材、做后期，至少三个月，单集成本三五万。
现在用 AI，十个人的小团队二十天就能做三十集，单集成本最低能压到几百块，成本降幅超过 90%。
冲击还传导到了教育端。
今年 3 月，中国传媒大学一口气停招了翻译、摄影、漫画等 16 个本科专业和方向，其中摄影专业并入了影视摄影与制作专业，强化 “前期 + 后期 + AI” 一体化培养。
不是个例，广西艺术学院、湖北美术学院等也相继撤销了摄影本科专业。
信号很明确，只会按快门的传统摄影师，已经撑不起一个独立的本科专业了。
但话说回来，AI 不是来抢饭碗的，是来搭梯子的。
工业级的影视制作，天然对应着漫长的周期和高昂的成本。
创意的每一次修正，都要换算成实打实的人力、时间与资金投入。
AI 的出现，相当于给这套笨重的生产流程装上了加速器。
大量基础生成与调优工作被工具承接，团队不用再把时间耗在流程周转上，能把精力真正放回创意与品质本身。
它没有抢走谁的导演身份，反而让每一个有表达欲的人，都拥有了把想法落地的可能。
十九世纪英国经济学家杰文斯提出过一个悖论：当技术进步提高资源使用效率时，该资源的消费量不仅不会减少，反而可能增加。
因为效率提升导致使用成本下降，进而刺激了更广泛的应用需求。
这个原理同样适用于影视行业。
单位内容的制作成本每下探一个数量级，能够入场的创作者规模至少会增长一个数量级，最终落地的作品总量则会迎来至少两个数量级的爆发。
这不是简单的 “降价走量”，而是原本被高成本堵在门外的创意产能，被一次性释放了出来。
承压的是传统内容制作公司和整个上游产业链。
如果你的核心竞争力是 “能拍片子”” 能做特效 “，那 AI 生成的方案很快就能追上甚至超过你。相机、灯光、场地、器材租赁，这些曾经的刚需，需求都在萎缩。
这条战线的终局，是AI 成为内容生产的基础设施。
就像现在的 PS、PR 一样，人人都能用，人人都能用它做出专业级的内容。
第二条战线（实时交互），走向的是 “人机交互的革命”。
这条战线上的玩家，目标是把 AI 从一个工具变成一个 “角色”，从 “你用它” 变成 “你跟它对话”。
受益的是交互行业。
虚拟陪伴、互动游戏、智能客服、在线教育，这些需要高频人机交互的场景，体验会有质的飞跃。以前是打字聊天、语音聊天，以后是面对面视频聊天，完全不是一个维度的体验。
承压的是传统数字人公司。如果你的技术路线还是 2D 驱动、预设动作，那 AI 生成的方案会从根本上颠覆你。
这条战线的终局，是AI 成为新的人机交互入口。以前的入口是键盘、鼠标、触摸屏、语音助手，以后可能就是一个站在你面前的 AI 角色。
两条战线，两种未来，都有巨大的想象空间。
而且有意思的是，这两条战线不是完全分开的，它们最终可能会汇合。当实时交互的画质也做到了影视级，当离线生成的内容也能实时交互，那时候就不分什么第一条第二条战线了。
那时候的 AI 视频，既是高质量的，又是可交互的。
就像手机行业，当年大家分屏卷芯片卷拍照，最后所有功能都汇合到了一台手机上。
视频大模型也会走这条路，先分头突破，最后汇合到一个统一的形态。
当然，这都是比较远的事了。短期来看，两条战线还会各自发展一段时间，各自有各自的玩家、各自的赛道、各自的竞争逻辑。
中国公司在这两条战线上，分别处于什么位置？
我的判断是：在第一条战线上，中国跟海外处于并跑甚至局部领先的状态。各有优势，各有特色，整体差距不大。
海外有 Sora 这样的标杆，我们有 Seedance、Kling、Vidu 等一批模型，在 4K、时长、多模态参考等某些维度上甚至做得更好。
在第二条战线上，在落地速度和工程化实践上，中国公司暂时走在前面。不是某一家公司领先，是整个生态领先。
为什么这么说？三个原因。
首先我们有最丰富的应用场景。
全球最发达的短剧产业，每天需要海量内容；全球最活跃的直播生态，虚拟主播需求旺盛；全球最大规模的短视频用户，对新内容形态接受度最高；全球最卷的电商客服，对数字人降本增效的需求最迫切。
模型做出来马上就能拿到真实场景里去用，用户反馈马上就能回来，然后快速迭代。
这就是技术落地的飞轮。
海外呢？海外是先有模型后找场景，我们是先有海量场景再用模型去放大。落地速度根本不在一个量级。
据前沿在线观察，中国 AI 视频的落地速度，确实比海外快很多。
海外很多公司还在研究技术、发论文，我们这边已经在各种场景里试错、迭代、赚钱了。这种场景驱动的迭代，速度是非常快的。
然后我们有最完整的产业链。
上游有生数、字节、快手这样的模型公司做底层能力，中游有万兴这样的工具公司做全链路产品，下游有灵河、长信这样的内容公司做场景落地，平台有抖音快手做分发和商业化闭环。
从模型到工具到内容到发行，整条链路都跑通了。
这不是单点优势，是体系优势。单点优势容易被追上，体系优势很难被打破。
更深一层看，当 AI 影视的基础生成能力快速同质化，赛道的胜负逻辑已经悄然生变。
不少人以为 AI 影视的核心竞争力还停留在拼模型、卷画质、比时长，但当主流产品都能实现稳定的工业级输出，”能做出好内容” 就不再是某一家的独家壁垒。
此时，真正能拉开差距的，是工具之外的生态承载力。打通从创作、分发到变现的完整链路，才能留住创作者、形成持续的内容供给。
工具解决的是 “怎么拍” 的效率问题，生态解决的是 “为什么拍” 的动力问题。
AI 影视要真正成为内容行业的主流生产方式，不能只靠技术迭代推着走，更要靠正向的商业循环养着走。
而中国，恰恰是生态最完整的地方。
最后我们的工程师文化更适合工程化竞争。
第一条战线比算法比论文，海外有先发优势。但第二条战线比工程化、比落地速度、比迭代效率，这是我们的强项。
你看 SageAttention、TurboDiffusion 这些底层优化工作，都是中国团队做出来的。而且不是在实验室里做的，是在真实产品的压力下磨出来的。这种从实战中长出来的工程能力，往往最扎实。
但也不能太乐观。我们有优势，也有明显的不足。
基础研究积累相对薄弱。
原创性的算法、开创性的理论，还是海外做得多。我们更多是在工程化和落地上领先，底层原创性的东西还不够多。
高端算力依赖进口。
芯片这个东西，是卡脖子的环节。人家不给你芯片，你工程能力再强也没用。这是整个 AI 行业的共同问题，不是某一家公司的问题。
全球化能力弱。
中国公司做国内市场很厉害，但出海能力普遍不强。海外市场那么大，能不能拿下来，是个问号。
所以我的判断是：我们有不错的起点，有生态优势，但领先幅度不大，而且优势主要在应用和工程层面，不是在底层技术层面。海外大厂一旦发力，追赶速度会很快。
真正的胜负手，是谁能先把场景跑通、把生态建起来。技术可以追，生态一旦建起来，就很难被颠覆了。
说了这么多，最后给几个我比较确定的判断，再留几个我也没想明白的悬念。
比较确定的是：
视频大模型正在从单维度竞争走向多维度竞争。
画质这条战线还会继续打，而且远没到尽头；同时实时交互这条新战线已经打开，会越来越热闹。
以后的视频大模型公司，两条腿走路的会比单腿蹦的走得稳。
工程化的权重在快速上升。
第一条战线是算法驱动为主，第二条战线是工程驱动为主。整体来看，整个行业的竞争重心正在从 “谁的算法新” 转向 “谁的工程强”。
谁能把成本压到最低、把体验做到最好、把稳定性做到最高，谁就更有可能赢。
中国在实时交互这个方向上有不错的起点，有生态优势。能不能把这个优势保持住、放大，就看接下来两三年的落地速度了。
还有一个判断我越来越坚定：数据范式的变化，很多时候会比单纯改模型结构更本质。
模型结构像智商，150 和 140 当然有差距，但当模型已经足够强之后，更大的差别可能来自 “老师” 和 “教材”。
数据就像老师和教材，同一个知识点，好老师十分钟就能讲明白，因为他知道怎么组织信息、怎么拆步骤；但如果教材很差、讲法很乱，你可能看十个小时也学不会。
这个逻辑放到视频生成里也一样。尤其是未来的实时交互视频，模型不能只学 “最后生成什么画面”，还要学 “过程如何连续发生”。
它要理解状态变化、动作反馈、上下文延续和多模态交互。
谁能把人类的视觉偏好、娱乐偏好和实时交互过程更好地组织成可学习的数据，谁就更可能推动下一阶段的突破。
往更远了看，实时交互也不是终点。
视频模型的终极形态，可能不只是生成视频，而是理解世界。
当一个模型能够通过海量视频学会物体如何运动、环境如何变化、动作带来什么结果，它就不只是一个内容生成工具了，而是一个能够理解和预测世界的智能体。
从生成内容，到实时交互，再到行动于物理世界。这是一条清晰的技术演进路线，也是很多公司正在走的路。今天屏幕里的 AI 能听懂指令做动作，明天可能就是机器人在真实世界里听懂指令干活。
还不确定的是：
两条战线什么时候会汇合？
画质和实时性能不能兼得？什么时候能做到 1080P 实时？什么时候能做到影视级的实时交互？这些都是技术问题，但需要时间来回答。
实时交互的杀手级应用是什么？
是虚拟陪伴？是互动游戏？是虚拟主播？还是现在还没人想到的什么场景？一个新的技术范式，往往会催生出大家预想不到的杀手级应用。
最终的市场格局会是什么样？
是一家通吃，还是多家并存？是模型公司赢，还是应用公司赢？是垂直场景的公司跑出来，还是通用平台跑出来？
海外大厂什么时候进场？
会带来什么变化？OpenAI、Google、Meta 这些公司，一旦把注意力转到实时交互视频上来，会是什么局面？我们的领先优势能保持多久？
世界模型的终局到底是什么样？
AI 真的能像人一样理解和行动于这个世界吗？还是说，它永远只是一个高级的模拟系统？
这些问题，现在都没有答案。
任何新技术的发展都有它的节奏。从技术触发，到热度攀升，到泡沫破裂，到稳步爬升，最后走向成熟。
现在的实时交互视频生成，还处在热度刚开始攀升的阶段，离真正成熟还有很长的路要走。
Vidu S1 不是终点，它是实时交互这条新战线上第一个真正被大规模体验的产品。
但这只是开始。接下来的一两年，会有更多玩家进场，竞争才真正开始。
而这场多维度的竞争，才刚刚拉开序幕。
END –
