精华速览
在CNCC 2026“视频生成的智与情”论坛上，多位学者指出，视频生成的竞争焦点正从画质、分辨率等指标转向“能不能用”。单基座模型稳定生成时长约15至20秒，长视频面临角色漂移、音画错位和叙事断裂。工程侧通过多智能体工作流、故事模板和剪辑系统补足长程叙事；研究侧则探索物理感知与情感强度调节。与此同时，视觉智能是否沦为语言模型的“渲染器”引发讨论，而AIGC视频进入传播链路后的认知安全风险，成为比画面真实更复杂的治理议题。
要点透视
- 南开大学教授杨巨峰召集CNCC 2026“视频生成的智与情”论坛，其源头可追溯至2024年十位学者联名提出的“情智兼备数字人与机器人的研究”，该题目入选当年中国科协十大前沿科学问题首位。
- 哈工大（深圳）教授户保田指出，单基座大模型稳定生成视频长度约15至20秒，再延长会出现跨镜头角色漂移、跨模态音画错位和长周期叙事断裂。
- 户保田团队面向ComfyUI构建生成工作流基准，14B规模模型达到较高准确率，系统已被ComfyUI集成为原生插件；其Pixel Video开源项目在GitHub获3万star，Cut Master可处理小时级视频，剪辑质量评分最多提升17分。
- 内蒙古大学研究员亓帆提出，情感表达需明确事件语义、定义连续情感维度并设置时间结构；其团队将可缩放低秩适配与强化学习结合，实现风格、情感与音色的连续强度调节。
- 北京大学深圳研究生院研究员袁粒认为，视觉退化为“画图工具人”源于理解与生成底层割裂，主张理解与生成共享骨干网络的并行统一，并提出“基模决定上限，智能体兜住下限”。
- 中关村实验室助理研究员折栋宇将AIGC视频社会风险归为五类：历史事实篡改、虚假灾情传播、语境裁剪误导、关键人物事件认知诱导、不良价值导向传播。
- 折栋宇举例，一条国内生成的河南拆迁寺庙视频被搬到海外后改写为西藏拆迁寺庙，再传回国内，显示传播链路会放大认知风险。
- 圆桌讨论中，刘武认为物理真实与情感真实的优先级由需求决定；折栋宇强调价值导向问题独立存在，治理需前移至生成阶段并覆盖传播与事后环节。
文章拆解
论坛传递出的核心信号是，AI视频生成的技术评价体系正在迁移。过去两年，画质、分辨率和单段时长是主要竞争维度，不同团队加速填平这些指标。当画面差距收敛，真正的交付难题暴露出来：15至20秒之后，角色一致性、音画同步和叙事逻辑难以维持。户保田用《乡村爱情》角色对手戏举例，说明人物关系连续性比科幻大场面更难生成，这揭示了长视频的本质障碍不在视觉渲染，而在状态维护与叙事规划。
工程侧的应对策略是在基座模型之上搭建“脚手架”。多智能体协作、故事模板、共享剪辑状态等方案，本质上是用外部规则和智能体分工弥补基模的长程能力短板。袁粒的判断“基模决定上限，智能体兜住下限”概括了这种分工。但这也引出更深层的问题：如果“智”主要来自语言模型，视觉智能是否只剩渲染功能？袁粒给出的出路是理解与生成共享骨干网络，让视觉成为系统的“眼睛”，为决策提供物理校验，而非与语言模型争夺抽象推理。
情感一侧的进展更早期。亓帆指出，现有配乐方案只能按指令生成“高兴的”或“紧张的”，无法调节情绪强度；观众视角的情感反馈也长期被忽略。将低秩适配与强化学习结合实现连续强度调节，是一个可度量的尝试，但距离“动人”仍有距离。圆桌讨论中，情感是建模还是演出来的，学者们没有共识，刘武甚至提示，若智能体涌现真实情感将触及伦理边界，这属于尚待确认的远期变量。
更紧迫的变量来自传播链路。折栋宇归纳的五类风险显示，单帧画面可能都不违规，风险藏在素材关联、叙事重组和语境迁移中。传统以规则判定为主的安防技术难以识别隐性影响，而跨境改写案例说明，同一生成内容在不同舆论场会被赋予完全不同的指向。治理的难点在于，价值导向层的问题缺乏可靠检测手段，只能尽量前移干预，并覆盖生成、传播和受众事后环节。
对行业而言，这意味着AI视频的商业化不能只交付画面，还要交付可控的叙事和可解释的安全边界。对用户而言，内容是否“真实”将越来越难凭观感判断，信源核验和跨平台溯源的需求会上升。值得关注的变量包括：基座模型在物理理解上的进展速度、情感强度调节能否形成可复用的评价标准，以及认知安全工具能否从静态部署转向自进化。论坛没有回答“更真实还是更动人”，但明确了一点：当画质不再是门槛，评价权正在从技术团队交到社会手中。
暂无评论。