对话生数科技CEO唐家渝：AI视频到了“普及”节点 提升时长不是产品化的重点

9月11日，生数科技举办媒体开放日活动，发布“主体参照”（Subject Consistency）功能，意在破解视频模型生成主体的“一致性”难题。

活动上，生数科技联合创始人、CEO唐家渝在回应《每日经济新闻》记者关于商业模式的提问时表示，目前行业内有SaaS（软件即服务）订阅和MaaS（模型即服务）两种，7月30日Vidu上线以来，在全球范围内已收到数万个API接入申请。

就底层架构，唐家渝表示旗下产品“VIDU”所用的“U-ViT架构”与Sora所用的“DiT架构”几乎一模一样，差别在于U-ViT作了更多面向落地的设计。在技术路线上，大家现在处于底层架构收敛的状态，但同质化并不代表大家所有进展、能力相同，唐家渝举例说：“例如现在的语言模型，（虽然）大家都使用Transformer架构，但从现实来看，OpenAI还是明显领先的。”

目前，AI视频的主要使用者还是专业用户，如电影工作者等，但唐家渝认为，AI视频已经来到了“普及”的节点。

此外，从当前阶段的收入来说，生数科技在B端市场获得的收入更多，C端的增长曲线则在Vidu产品上市这一个月以来非常“陡峭”。

唐家渝 图片来源：每经记者 李少婷 摄

“最终的目标还是做通用大模型”

唐家渝是清华大学自然语言处理实验室硕士，此前曾任瑞莱智慧副总裁、腾讯优图实验室高级产品经理等。唐家渝目前所在的生数科技于2023年3月成立，今年3月初宣布完成新一轮融资。今年4月底，该公司与清华大学联合研发的原创视频大模型Vidu面向全球发布，7月底正式上线，全面开放使用。

Vidu问世即被称为“中国版Sora”。这种称呼一方面是因为外界对中国视频大模型充满期待，另一方面，从技术架构上说，二者也有异曲同工之处。

据介绍，Vidu的底层基于自研的U-ViT架构，而Sora是基于DiT架构。关于U-ViT与DiT架构的区别，唐家渝介绍：“一句话总结来说，几乎一模一样。”二者都是Diffusion和Transformer的融合，甚至底层一些技术细节也是相同的。不同之处在于，U-ViT架构“做了更多面向落地的优化设计”，简单概括下来，就是在训练同一模型时，相同时间下，U-ViT所需的算力更少。

从整体的技术路线来看，当前国内几家视频大模型都走的是“类Sora路线”，那大家未来是否会愈加同质化？

对此，唐家渝介绍，当前大家是处于底层架构收敛的状态中，“但同质化并不代表大家所有进展、能力都相同”。他以语言模型为例分析道，大家都会使用Transformer架构，但从现实情况来看，OpenAI还是明显领先，这是因为在这一架构基础上仍有诸多环节需要技术技巧、实践经验帮助破解难点，这就导致了不同语言模型在能力上的差距。

当前，业内也在探索新的架构路线，例如将多模态的生成和多模态理解结合起来，但目前仍没有特别好的方案出现。

“我们最终的目标还是做通用大模型，视频生成是多模态生成大模型中间的一个阶段。”唐家渝坦承了开发通用大模型的雄心。

他还表示：“这并不意味着我们完全只在做这一个事情（指视频大模型），我们除了视频以外也有其他模态的生成能力。”

“目前B端市场收入更多”

技术底层逻辑的趋同，也或多或少低导致了市场开发思路相近。

“大家的商业选择上还是比较类似的，即便是像Sora、Runway，都在积极地拥抱好莱坞或者广告合作等方向。”唐家渝认为，AI生成视频领域总的来说还处在发展前期，国际头部玩家在齐头并进，或者叫“共同扩大市场”。

以生数科技为例，唐家渝将落地商业模式分为两个方向：其一是SaaS订阅模式，Vidu每个月有一些免费的额度，但是如果有更多的需求或想使用更高级的能力，就需要支付订阅费用，Vidu也会不断丰富产品功能，以满足用户的创作需求；其二是模型能力输出模式（MaaS），当前不少客户需要视频生成能力，以此作为工作流程的一个环节或者来衍生出有意思的玩法，这些客户希望可以直接调用模型。

从收入角度来看，B端市场在目前这个阶段获得的收入更多。不过Vidu上线一个月来，C端的增长曲线也非常“陡峭”。“我们目前判断下来的话，B端（的需求）是比较明确、比较直接和比较稳定的，所以B端是我们的一个长期、重点方向。C端我们也在不断探索。”唐家渝表示。

当前，国内的视频生成模型和工具已形成“出海潮”，并且表现亮眼，但唐家渝认为：“还不能说国内已经完全领先，国内外头部玩家都属于第一梯队。”

“AI视频来到了一个节点”

视频大模型的受众群体中，影视、动漫从业者居多，他们多被视为“专业受众”，那对“普通人”来说，AI视频何时能成为他们可以驾驭的工具？

唐家渝以摄影为例，从胶片机时代到手机摄影普及，就是一个不断降低创作者门槛的过程。“现在的AI视频来到了一个节点。”唐家渝介绍，9月11日，生数科技发布的“主体参照”功能，正是为降低创作者门槛或者加速创作过程所作的努力。

“技术仍是关键因素，目前的视频生成只是初步符合物理规律，还有很高的天花板需要突破，比如更强的模型能力以及更多模态的协同生成。”唐家渝介绍，这次发布的“主体参照”能力在一致性生成方面确实有了很大提升，但是还有很多地方需要进一步提升。“例如要大模型从生成一个商品变成生成一个工艺品，而这个工艺品上面有繁复花纹和镂空部分，面对如此复杂的结构，目前的生成成功率依旧不高。场景生成包含很多组成因素，例如运动鞋，我就希望它能在更复杂、更动态化的场景中有更好的表现。这些都需要不断提升模型能力。”

这个过程中，技术的原创性和突破性需要与良好的商业化齐头并进，因为商业公司毕竟不是科研机构。

以视频生成的时长为例，拓展生成时长需要提升模型对世界抽象理解的能力、信息压缩和放大的双向能力。当前Vidu最长可以生成32秒的视频，生数科技计划将其扩展得更长，不过，时长还不是生数科技现在重点产品化的部分。

“在实际创作中，粗略地来说，90%以上的片段都是几秒钟。因此，从实用角度来看，我们还没有将时长作为我们的优先发布考虑。”唐家渝强调，但从模型能力角度，公司实际上在持续提升。