对话腾讯云副总裁李郁韬：AI大规模走进世界杯直播生产 腾讯云卡位多模态Harness

财联社7月26日讯（记者 付静）刚刚落下帷幕的美加墨世界杯，腾讯云支持了全球17个国家和地区官方赛事直播，覆盖亚太及国内三分之二的官方授权平台。

本周，腾讯云副总裁、腾讯云国际产品技术负责人李郁韬在接受财联社记者采访时透露，此次世界杯AI首次大规模进入直播生产，画质增强、智能导播、自动剪辑、智能横转竖、质检溯源在内的大部分环节已由AI全自动完成。

世界杯赛事直播支持，仅仅是当下快速发展的AI时代，AIGC开始进入大规模生产应用的一个案例。

李郁韬告诉财联社记者，腾讯云要做多模态领域的Harness（驾驭工程），即关注从模型生成到稳定交付给用户之间的包括预处理、质检、拼接、转码、分发、格式适配等在内的一整条产业链路。

模型与用户需求之间的“供给关系差”

李郁韬观察到，在生成式人工智能的发展下，多媒体应用面临多重挑战。特别是在直播、点播、媒体创作、多媒体互动等，受限于网络传输、视频画质、用户体验以及各种特性的叠加，单一模型只能解决部分问题。

他介绍，“很多厂商看到新的多模态大模型后，第一件事就是全部对接一遍，今天对接这家，明天出了新的再对接。对接完一定会发现这样那样的问题，如果每一家遇到的都一样，我们从客户反馈里得出一个共性诉求：应该帮他们把底层全部做好，让他们更专注于业务创新和上层应用。如何识别用户需求、找到能解决需求的模型，并修补模型天然的一些缺陷，再把最终的服务提供给用户，这是我们作为云服务厂商，特别是音视频PaaS云服务厂商，所要追求和解决的挑战。”

此前在6月5日的腾讯云AI产业应用大会上，腾讯云音视频发布AI品牌Tencent Cloud WAND，构建6大自研媒体专用模型与60+项AI能力，覆盖内容生成、理解、处理、编码全链路。WAND专门为电商、短漫剧、教育、赛事直播等垂直场景训练, 覆盖媒体内容生产的全链路场景。

李郁韬称，“我们将把所有模型串起来，不仅包括大语言模型，也包括多模态模型，甚至还包括一些小参数量的画质提升模型、小参数量的应用模型。我们团队去年已经开始做多模态领域的Harness。刚好今年生成式视频模型开始变多，大家对Harness的概念和理解也变得更加一致。”

值得关注的是，视频生成被业内视为AI Coding之后第二个跑通商业闭环的AI变现场景。今年以来音视频大模型领域竞争加速，行业格局加速洗牌。

国内，厂商商业化进程迅猛，字节旗下Seedance、快手可灵AI形成AI视频生成赛道的“双寡头”。据公开数据，今年3月可灵AI的ARR近5亿美元，一年内增长4倍。

另有媒体报道称，截至上半年Seedance 2.0 ARR已达20亿美元，字节方面虽辟谣称这一收入数据“偏高、与实际不符”，也明确提及Seedance 2.0已跨过“生产力质变点”门槛。

不过在海外，今年3月OpenAI宣布停止Sora的独立App、API接口及ChatGPT内置视频功能，退出消费级AI视频生成市场。

李郁韬谈到，做To B的产品和解决方案，生态合作是摆在第一位的战略选择。

同时他坦言，团队内部也在讨论，以后从生成到交互之间的链路被压缩以后，Harness这一生态位是否将会被忽略、绕过。

对此他谈到，“至少在过去半年，我们观察下来发现不会，甚至Harness的重要性还会加强。如果把大模型当成后端的生产力，生产力的提升会显著刺激前端应用需求的增长，而且需求增长的广度会一直强于生产力的提升。大模型永远满足不了最终用户的极致需求，中间存在一个供给关系差，这就是Harness存在的必要性。”

在李郁韬看来，腾讯云卡位多模态Harness，最大的机会在于，很多音视频场景体验都值得重新做一遍。第二个机会点则是，“未来会有更多、更强、更全面的模型出来，怎么快速把这些模型应用到企业级的生产服务里，让最终用户感受到最新的大模型体验，这是多模态Harness要解决的问题。要不断把最新的模型应用到客户的最前端，整套生产流程和工具链条就显得非常重要。”

AIGC开始进入大规模生产应用

李郁韬注意到，自去年开始，整个AI算力已经开始从训练往推理倾斜，很多厂商构建推理算力的开销已经超过训练投入，这也意味着很多AIGC应用开始进入大规模生产应用。国内，短剧、漫剧制作是典型场景，目前已大量使用多模态技术做生产。

据财联社记者此前报道，音视频解决方案为腾讯云出海“排头兵”，在亚太地区收入、市场份额、行业心智方面居行业第一。最近五年，腾讯云把国际化作为重要战略方向，投入大量业务资源和基础设施建设在海外做储备、布局。公司披露，近三年腾讯云在海外业务保持两位数增长。

腾讯云音视频总经理李志成在接受财联社等媒体采访时提到，不管是短剧、漫剧还是电商、工具类场景出海，最大的共性在于，前期客户可能关注效果、关注影响力，但中后期都很关注ROI，即到底能不能盈利、能产生多少价值。“现在我们被问得最多的，就是短剧、电商工具的使用，我觉得未来1-2年会慢慢普及，很多用户、企业都会用起来。就跟以前的（大语言）模型一样，两三年前更多是垂直行业在用，现在基本上全普及了，成了大家工作中的一部分。”

财联社记者获悉，随着Agent时代到来，腾讯云前述能力还将与音视频智能体、AI硬件、具身机器人、云手机结合，依托全球基建与边缘推理，支撑AI应用快速跑向全球、就近上线。

李郁韬介绍，目前团队已与艾欧等多家具身智能企业、无人清扫车企业开展了合作，已孵化出TRRO远程实时操控（远程数智人解决方案），以解决弱网情况下机器人在人工介入时的低延时稳定通信、音视频数据回传等核心问题。

李郁韬进一步谈到，未来云厂商在多模态领域的竞争，将围绕三个方向：

第一，多模态的训练和算力。“不同于语言模型训练，多模态领域很大比例还投在多模态的理解和生成上。未来会有大量端到端的语音交互、端到端的视频生成，对算力的要求、对云厂商本身基建的投入都很大。所以训练和算力是未来竞争的一个点。”

第二，存储和数据积累。多媒体相对于文字，存储量要求更高，对存储稳定性、数据清洗和获取的要求也不一样。大量视频需要在预训练之前做数据清洗和处理，不同模态的数据要放在一起，训练前要做的处理都与语言文字类不一样，这是云厂商需要构建的竞争力之一。

第三，应用生产端。云服务商提供更面向最终客户的推理服务、综合处理的应用能力，是影响云厂商能否被客户选择的重要因素。“创新趋势中产生的需求，怎么在运营端用很好的方式帮客户满足，这一点对腾讯云来说也非常重要。”

（财联社记者 付静）