剛剛過去的國慶假期，相信很多人都被OpenAI推出Sora2更新刷屏了。

當(dāng)Sam Altman已經(jīng)可以在視頻里輸出標(biāo)準(zhǔn)的東北方言時(shí)，也再次點(diǎn)燃了對于AIGC視頻生成能力的想象與討論。

很快也有人問，國產(chǎn)視頻大模型，進(jìn)展到哪一步了？

就像當(dāng)初OpenAI發(fā)布chatGPT之后，百度最先做出反應(yīng)一樣，這一次在文生視頻領(lǐng)域，跑的最快的依然是百度。

10月15日，百度“蒸汽機(jī)”視頻生成平臺公布其最新技術(shù)進(jìn)展，宣布在AI長視頻生成與實(shí)時(shí)交互能力上取得突破。

現(xiàn)在，用戶僅僅只需要上傳一張圖片和一段提示詞，就能夠突破包括Sora在內(nèi)的僅能生成5s-10s的視頻時(shí)長限制，技術(shù)上看，目前蒸汽機(jī)的模型能力已經(jīng)支持無限時(shí)長生成。不僅如此，蒸汽機(jī)還支持隨時(shí)打斷、任意位置修改提示詞，能夠?qū)崿F(xiàn)“邊生成邊調(diào)整”的創(chuàng)作流程。

事實(shí)上，百度的視頻模型研發(fā)能力沉淀已久，早在今年5月17日，在海外權(quán)威視頻生成評測榜單VBench Leaderboard上，百度視頻生成模型就以總分89.38%的成績，登上VBench-I2V圖生視頻榜全球第一。

當(dāng)人工智能開始進(jìn)入AIGC階段，視頻生成可謂是這一領(lǐng)域最核心、也最具挑戰(zhàn)性的前沿。而在整個(gè)行業(yè)都在努力突破時(shí)長限制、提升內(nèi)容一致性的背景下，百度蒸汽機(jī)此次展示的“無限生成”與“實(shí)時(shí)交互”能力，為視頻賽道的國產(chǎn)競速打了個(gè)樣。

隨著全球主流AI公司紛紛進(jìn)入，這也標(biāo)志著AI視頻生成領(lǐng)域也正迎來發(fā)展的關(guān)鍵轉(zhuǎn)折點(diǎn)。或許正如百度視頻生成大模型的名字一樣，AI視頻的“蒸汽機(jī)革命時(shí)刻”正在到來，這也意味著，一個(gè)由算法驅(qū)動、想象力無界的視覺內(nèi)容新工業(yè)時(shí)代正在打開大門。

打破技術(shù)瓶頸：人人可用、一致流暢

從文本到圖像，過去幾年，AIGC已經(jīng)展現(xiàn)了顛覆性的潛力。業(yè)界普遍認(rèn)為，這不僅會重塑影視、廣告、游戲等內(nèi)容產(chǎn)業(yè)，更將催生全新的藝術(shù)形式與交互體驗(yàn)。

但想象固然美好，技術(shù)的挑戰(zhàn)卻一直存在。

在百度蒸汽機(jī)本次官宣升級之前，全球主流的視頻生成模型不僅普遍受困于5到10秒的“時(shí)長魔咒”，更重要的是，生成質(zhì)量相對較低，很容易出現(xiàn)邏輯混亂和失幀的情況。

而這一限制的背后，是兩個(gè)難以回避的核心技術(shù)難題：“記憶遺忘”與“累積漂移”。

模型在生成長序列視頻時(shí)，難以對初始內(nèi)容和關(guān)鍵特征保持長期、一致的記憶，導(dǎo)致視頻中的主體形象、場景風(fēng)格隨著時(shí)間推移而發(fā)生扭曲或“漂移”；與此同時(shí)，每一幀畫面生成時(shí)產(chǎn)生的微小誤差會不斷累積，如同滾雪球一般，最終導(dǎo)致后續(xù)畫面的質(zhì)量出現(xiàn)斷崖式下跌。

為了繞過這些難題，之前業(yè)內(nèi)通常的選擇是采用“首尾幀續(xù)寫”或簡單的拼接技術(shù)來延長視頻，但這無異于用膠水粘合碎片，無法掩蓋其內(nèi)在的邏輯斷裂和視覺跳躍感，導(dǎo)致用戶端的創(chuàng)作門檻和制作成本居高不下，難以滿足復(fù)雜和精細(xì)化的創(chuàng)作需求。

正是在這樣的行業(yè)背景之下，百度蒸汽機(jī)的技術(shù)突破才顯得尤為重要和突出。

它并不是對現(xiàn)有方案的修補(bǔ)，而是從底層架構(gòu)上進(jìn)行了革新。通過引入創(chuàng)新的自回歸擴(kuò)散模型（Autoregressive Diffusion Models），并結(jié)合流式滑窗架構(gòu)，百度蒸汽機(jī)成功解決了長視頻生成在一致性、流暢度和制作成本上的核心痛點(diǎn)。

這一全新的技術(shù)架構(gòu)，使得模型能夠像人類思考一樣，進(jìn)行“流式”生成，推理出多少內(nèi)容，用戶就能實(shí)時(shí)預(yù)覽多少，無需等待全部生成完成。

更關(guān)鍵的是，它徹底改變了過去“多圖+多prompt”的復(fù)雜生產(chǎn)流程，用戶僅需一張初始圖片和一段提示詞，便能開啟一段連貫、流暢、高質(zhì)量的長視頻生成之旅。

這種從“有限片段的拼接”到“無限流光的演繹”的轉(zhuǎn)變，意味著視頻生成不再僅僅是制造“素材”，而是真正開始構(gòu)建一個(gè)動態(tài)的、連續(xù)的“世界”。

這不僅直接將行業(yè)的技術(shù)競爭帶入了下一個(gè)層次，更重要的是，它將專業(yè)級的視頻創(chuàng)作能力大眾化，讓長視頻生成從一個(gè)復(fù)雜、高成本的專業(yè)領(lǐng)域，走向了人人可用的簡單時(shí)代，為AIGC的普及和應(yīng)用打開了全新的想象空間。

告別盲盒生成：實(shí)時(shí)交互、任意改寫

如果說前面的技術(shù)革新解決的是AI視頻創(chuàng)作的門檻和質(zhì)量問題，那么“實(shí)時(shí)交互”則是對創(chuàng)作流程和用戶體驗(yàn)的徹底顛覆。

在傳統(tǒng)的AIGC工作流中，用戶的角色更像是一個(gè)“指令下達(dá)者”，提交提示詞后，只能被動地等待模型完成渲染，如果對結(jié)果不滿意，則需要修改提示詞并重新開始整個(gè)漫長的生成過程。

這種“開盲盒”式的創(chuàng)作體驗(yàn)，不僅效率低下，更極大地限制了創(chuàng)作者在過程中的靈活性和掌控力。

用戶的創(chuàng)意和想法無法在生成過程中進(jìn)行動態(tài)調(diào)整和即時(shí)驗(yàn)證，使得AI淪為一個(gè)功能單一的執(zhí)行工具，而非一個(gè)能夠激發(fā)靈感、協(xié)同創(chuàng)作的智能伙伴。

這種單向、非實(shí)時(shí)的交互模式，是阻礙AIGC技術(shù)從“能用”到“好用”的巨大鴻溝，也是導(dǎo)致許多用戶在嘗鮮后便迅速失去興趣的關(guān)鍵原因。

百度蒸汽機(jī)此次升級的核心亮點(diǎn)之一，便是徹底打破了這種單向輸出的桎梏，將前所未有的實(shí)時(shí)交互能力賦予用戶。

通過引入動態(tài)緩沖區(qū)管理機(jī)制和一系列針對實(shí)時(shí)計(jì)算的優(yōu)化，蒸汽機(jī)實(shí)現(xiàn)了“邊生成邊調(diào)整”的革命性創(chuàng)作流程。

當(dāng)用戶在觀看AI流式生成視頻的過程之中，可以像導(dǎo)演在片場一樣，隨時(shí)按下“暫停鍵”，在任意時(shí)間節(jié)點(diǎn)、任意位置修改提示詞，從而改變后續(xù)視頻的內(nèi)容走向。

比如，當(dāng)模型生成到一個(gè)森林場景時(shí)，用戶可以立刻介入，加入“一只白色的狐貍跑過”的新指令，模型便會無縫地在后續(xù)畫面中生成相應(yīng)內(nèi)容，而無需從頭再來。

這種“所見即所得、所改即所得”的體驗(yàn)，將用戶的控制權(quán)提升到了極致。它不僅極大地提升了創(chuàng)作效率，更重要的是，它將AI視頻生成從一個(gè)線性的、封閉的過程，轉(zhuǎn)變?yōu)橐粋€(gè)開放的、探索性的、充滿無限可能的動態(tài)交互過程。

這種能力的價(jià)值遠(yuǎn)不止于視頻剪輯。在游戲、虛擬旅游、數(shù)字人陪伴等領(lǐng)域，實(shí)時(shí)交互打開了全新的應(yīng)用場景。用戶可以通過自行操作在AI生成的開放世界里自由探索，創(chuàng)造真正屬于自己的沉浸式體驗(yàn)。

這也標(biāo)志著，人機(jī)協(xié)作的范式正在被重塑，用戶不再僅僅是內(nèi)容的消費(fèi)者或指令的給予者，而是成為了與AI共同創(chuàng)造的“作者”，AI則成為了一個(gè)能夠?qū)崟r(shí)響應(yīng)、激發(fā)創(chuàng)意的“世界構(gòu)建者”。

創(chuàng)造力革命開始了

科技思想家凱文·凱利（Kevin Kelly）曾經(jīng)用“我們正處在第一天的第一個(gè)小時(shí)”來描述互聯(lián)網(wǎng)的黎明時(shí)刻。今天，這句話或許也同樣精準(zhǔn)地適用于AIGC所開啟的時(shí)代。

我們正在見證的，不僅僅是一次工具的迭代或效率的提升，而是一場深刻的創(chuàng)造力革命。這場革命的核心，在于它正在以前所未有的方式，將人類的想象力從物理世界和專業(yè)技能的束縛中解放出來。

在過去，要將一個(gè)腦海中的奇幻故事或一個(gè)夢中的瑰麗場景轉(zhuǎn)化為視覺影像，需要一個(gè)龐大的專業(yè)團(tuán)隊(duì)、昂貴的設(shè)備以及漫長的制作周期，這道高墻將無數(shù)擁有創(chuàng)意火花的普通人擋在了門外。

而現(xiàn)在，隨著無限生成和實(shí)時(shí)交互等技術(shù)的成熟，視頻創(chuàng)作的門檻被前所未有地降低。每一個(gè)普通人，無論是否具備專業(yè)的拍攝、剪輯或特效制作技能，都有可能成為視覺故事的講述者、虛擬世界的建筑師。

當(dāng)AI能夠以流式、可交互的方式無限生成一個(gè)動態(tài)發(fā)展的時(shí)空，它便不再是一個(gè)簡單的“素材庫”，而是一個(gè)擁有內(nèi)在邏輯和持續(xù)創(chuàng)造能力的媒介形態(tài)。

這為內(nèi)容產(chǎn)業(yè)帶來了顛覆性的想象空間。

在影視領(lǐng)域，導(dǎo)演可以在生成過程中實(shí)時(shí)調(diào)整鏡頭、光影和角色表演，劇本的迭代可以與視覺呈現(xiàn)同步進(jìn)行。在游戲行業(yè)，動態(tài)生成的開放世界將為玩家提供真正獨(dú)一無二的探索體驗(yàn)；在教育領(lǐng)域，學(xué)生可以親身“走進(jìn)”歷史事件或科學(xué)模型中進(jìn)行互動學(xué)習(xí)。

更重要的是，它將催生出今天無法想象的全新藝術(shù)形式和商業(yè)生態(tài)——

內(nèi)容消費(fèi)正在從“被動接收”轉(zhuǎn)向“共同創(chuàng)造”，當(dāng)每一個(gè)用戶都能在AI構(gòu)建的世界中留下自己的印記并影響其演變，一種全新的互動敘事時(shí)代即將到來。

正如蒸汽機(jī)的發(fā)明驅(qū)動了第一次工業(yè)革命，將人類從繁重的體力勞動中解放出來一樣，AI技術(shù)正在豐富人類的表達(dá)方式、激發(fā)全社會的創(chuàng)新潛能，開啟一個(gè)屬于每個(gè)人的、想象力無界的“大航海時(shí)代”。

這場創(chuàng)造力的革命，才剛剛拉開序幕。