今年的视频生成领域，可不是一般的热闹。

快手的可灵自从6月开放申请以来，那叫一个众星捧月，在前几天正式开放全球服之前，排队等着上手的人甚至超过了百万。

另外，像Runway的Gen-3 Alpha、字节的即梦Dreamina、Luma的DreamMachine，还有爱诗科技的Pixverse V2、Stability的Stable Video Diffusion... 基本上，除了雷声大雨点小的 Sora 以外，各家都把自己的家伙事儿都搬出来了。

可以说，自打 Sora 出来给大家伙儿打了个样之后，视频生成的这把火是越烧越旺，完全没有要停下来的意思。

就在今天，大家可能还沉浸可灵无法自拔的时候，国内的智谱也趁热打铁，在智谱清言里上线了一个叫清影的 AI 生成视频产品。

根据官方的说法，清影采用了跟 Sora 类似的 DiT 架构，自研的视频生成大模型 CogVideo 支持文生视频和图生视频，生成一个 6s 的视频大概需要 30s。别的不说，这生成速度放一众视频生成应用里，确实算得上是快的。

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。

但这个吗喽打工，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，不过这埋头苦干的样子倒还真挺符合打工人的形象。

主要现在清影暂时还是免费的，上线之后知危编辑部在第一时间去测评了一波。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，咱们还是先看清影这产品到底成色几何？

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，我们随意发挥了一把。

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，已经算得上是一个合格的 AI 视频作品了。

还有这头狮子。

提示词：

写实描绘，近景特写镜头，狮子盯着不远处的羚羊，身体微微起伏，伺机而动

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，包括隧道里的灯还有尽头应该有的光，提示词里的要点清影基本都 get 到了，而且生成的效果也十分丝滑，看上去真有点奇异博士悬浮斗篷的意思。

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没得说，对提示词的抓取也基本上没有出现遗漏，但生成效果包括很多细节还是有处理得不到位的地方。

就比如视频中文字的生成，不够准确，把 “ SWEET ” 变成了一串乱码。

提示词：

The camera zooms in, and the background is pure yellow. An artistic billboard with the word " SWEET " written on it is wrapped in brown chocolate sauce, and the chocolate sauce slowly flows downwards.

理解不了物理世界规律的毛病，也是照样在犯。最经典的，篮球在这位老哥手上，基本就是隔空在闪，看不出有一点弹力。

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通病了，即便是 Sora，目前也依旧免不了犯这些错误。

图生视频这边，我们同样简单测试了几个。

像幼苗向上生长，打眼看着还挺符合植物生长规律的。

我们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，都快给咱火锅整出影分身了。

火锅：溜了溜了

反正测试下来，知危编辑部对清影最大的感受，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相当惊艳，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，他们的技术路线其实是循序渐进的。大概意思是，从自然语言理解和生成指令遵循的抽象能力开始，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东西，比如算力，还有数据。

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、标注，能用的数据少之又少。

另外，视频数据的质量也不够高。

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数量少，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，也认为现在谈视频大模型的商业化，还为时尚早。

但话又说回来，今年视频生成应用的接连涌现，也说明了一个问题：视频生成的方向是可行的，现在大家劲儿往一处使，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，不光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。

针对这些热议话题，我们试着询问了CEO 张鹏的看法。

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就此缓下来，或者像技术成熟度曲线一样，到达一个顶峰之后进入破灭期。但我们切身在研究这项技术的人会发现，其实目前仍然有很多的问题值得去探索。

有一些趋势是很明确的，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，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 AGI 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，就是用通用智能水平比较高的模型给大家赋能，智谱AI负责模型推理训练、算力、适配等高复杂事项，行业和企业端则可以无压力地部署应用，期待大模型的成果能够更广泛地应用于各个行业。

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，大模型就已经走到了价格战的阶段，但大模型落地究竟该做 To C 还是 To B，现在是否是大模型落地的最好时机，很多问题都等待着大模型公司们来回答。

2024年大模型应用将进入落地期，一方面垂直领域大模型的商业化应用正在加速，另一方面多模态大模型涌现，应用场景也将更加丰富。

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。

最后，知危编辑部想借用采访中张鹏总的一句话来结束这篇文章：“ 至少我们现在还没有看到技术的天花板 ”。

人工智能技术的下一次飞跃，可能是在十年后，但也有可能就在明天。