技术深度解析
像Sora这类模型背后的技术雄心——一种扩展到视频规模的扩散Transformer（DiT）架构——遭遇了严峻的工程现实。其核心创新在于将视频视为时空补丁的序列，应用类似于LLM的Transformer架构来处理视觉数据压缩。这种方法虽然强大，但对计算力的需求极为贪婪。
在数百万个视频片段上训练模型，不仅需要存储帧，还需要存储它们的时间关系，这导致数据维度爆炸式增长。一秒钟1080p、30fps的视频所包含的原始像素数据，就是一张高分辨率图像的30倍。DiT架构必须学会对这个高维空间进行去噪，这个过程需要在数千块最新GPU上运行数周。在GitHub上获得大量关注（分别超过8k和6k星标）的`VideoCrafter`和`ModelScopeT2V`仓库，为这些架构提供了开源视角，但它们通常是在更小、受限的数据集上训练的，这凸显了资源差距。
一个尚未解决的主要挑战是时间连贯性。当前模型在*过渡连贯性*（帧间平滑运动）上表现出色，但在*叙事或逻辑连贯性*上则很差。一个物体可能在序列中改变颜色、消失或违反物理定律，因为模型缺乏对场景持久、内在的表征。这就是“世界模型”问题。像Yann LeCun这样的研究者早就指出，纯粹的生成/扩散方法对此是不够的；它们需要用于规划和推理的互补系统。
推理成本是直接的商业杀手。 生成一分钟高质量视频可能需要在昂贵硬件上耗费数分钟的GPU时间，这使得面向消费者的产品在大规模应用时经济上不可行。
| 指标 | 图像生成（例如 DALL-E 3） | 视频生成（Sora级别） | 成本倍数 |
|---|---|---|---|
| 训练算力（PF-日） | ~10,000 | ~1,000,000（估计） | ~100倍 |
| 推理时间（秒） | 2-5 | 60-300+ | ~30-60倍 |
| 输出Token数 | ~10k（一张图像） | ~300k（1秒视频） | ~每秒~30倍 |
| 商业API成本（估计） | 每张图像 $0.04 - $0.12 | 每分钟视频 $5 - $20+ | ~100-500倍 |
数据要点： 生成式视频在训练、推理和输出量上的成本结构，相比图像呈指数级恶化。这构成了根本性的市场进入壁垒，因为覆盖成本所需的定价远超过大多数消费者或企业为非必需、质量不稳定的内容所愿意支付的费用。
关键参与者与案例研究
OpenAI在Sora项目上的战略退却，使得整个领域进入重新校准的状态。关键参与者现在正基于实用主义而非纯粹规模来区分各自的路径。
Runway ML 已成功从研究演示（Gen-1, Gen-2）转向以电影制作人为中心的工具集。他们的战略聚焦于可控生成——使用图像/视频参考、运动笔刷和精确的时间控制——通过利用用户意图来减少计算浪费。这与一种混合智能体方法相契合，即人类充当规划LLM的角色。
Pika Labs 和 Stability AI（凭借 Stable Video Diffusion）则拥抱了开放权重模型和社区驱动的开发。Stability在Hugging Face上发布SVD，允许开发者针对特定、低成本的用例（例如，Logo动画、产品旋转）进行微调，有效地众包寻找可行的应用场景。
Google的Lumiere 和 Meta的Make-A-Video 代表了持续的大规模研究工作。然而，它们的出版物越来越多地强调效率指标，例如旨在降低计算负载的时空U-Net架构，这标志着内部对成本问题的承认。
Nvidia 是这一转变中的关键赋能者和潜在赢家。他们在潜在扩散以及像Picasso这样的工具上的工作，旨在优化其硬件上的推理流程。无论哪个应用层取得成功，他们都能从计算需求中获益。
| 公司/项目 | 核心战略 | 关键差异化 | 商业状态 |
|---|---|---|---|
| OpenAI (Sora) | 将DiT扩展到极致 | 长时长、高复杂度提示 | 据传关闭（仅限研发） |
| Runway ML | 专业创意套件 | 细粒度用户控制，迭代工作流 | 订阅制SaaS（约120万美元年经常性收入估计） |
| Pika Labs | 社区与易用性 | 用户友好界面，快速迭代 | 免费增值模式，寻求企业交易 |
| Stability AI | 开源生态系统 | 可定制性，针对垂直领域微调 | API及企业授权 |
| Google (Lumiere) | 研究效率 | 时空U-Net以获得更好速度/质量 | 无公开产品 |
数据要点： 竞争格局正在分化。一条路径（Runway, Pika）通向为专业人士打造的集成化、用户可控的工具。另一条路径（Stability AI, 开源社区）则通过开放模型和众包创新，探索垂直化、低成本的应用场景。而大型科技公司（Google, Meta）和硬件巨头（Nvidia）则继续在基础研究和基础设施层面深耕，为未来的突破铺路。