AI视频三年剧变：从Sora神话到0.05元/秒，再到82亿美元的世界门票

2026-10-16 13:10 0 阅读

开篇：82亿美元买什么

2026年9月28日，AMD宣布以约82亿美元全股票收购World Labs。这家公司成立刚满两年，员工约70人，公开信息中尚无显著营收。收购价较五个月前估值溢价62%，是AMD史上第二大交易，仅次于2022年500亿美元收购赛灵思。

交易完成后，李飞飞出任AMD执行副总裁兼首席科学家，直接向苏姿丰汇报。World Labs的交互式3D世界生成产品Marble、多模态世界模型Atlas，将融入AMD芯片路线图。

一家芯片公司，用仅次于收购赛灵思的价格，买下一家没有规模收入的世界模型实验室——而且是它自己的被投公司。这笔交易指向一个核心问题：当"生成视频"本身越来越便宜、越来越可替换，这个行业真正值钱的东西还剩下什么？

上篇：从神话到流水线（2024—2025）

Sora的预期管理

2024年2月15日，OpenAI放出Sora预览：东京街头漫步的女子、咖啡杯中的海盗船、雪地打滚的金毛幼犬。最长60秒，没有产品、没有API、没有开放日期，只有技术报告和几十个精选样片。

OpenAI在报告中称视频生成模型是"世界模拟器"的雏形。从事后看，Sora在2024年完成的真正杰作不是模型，而是预期管理。一个不存在的产品，占据了整整十个月的行业心智。直到12月才向美加付费用户小规模开放，此时它早已不是最强视频模型——但名字已经赢了。

中国厂商的真空填充

Sora的十个月真空期，被中国厂商填成了产品日历：Vidu（生数科技，4月）、可灵（快手，6月）、CogVideoX（智谱，8月开源）、海螺视频（MiniMax，9月）、PixelDance与Seaweed（字节，9月）。

这不是运气，而是三种能力的叠加：短视频时代打磨的工程化流水线、全球最长的内容生态数据闭环、以及平台基础设施式的资本结构。可灵长在快手内部，即梦长在字节内部，混元长在腾讯内部，万相长在阿里内部——它们从一开始就不是创业项目，而是给自家内容生态降本增效的基础设施。

开源侧的年末一枪

2024年12月3日，腾讯混元开源HunyuanVideo：130亿参数DiT架构，彼时最大的开源视频生成模型，同步放出推理代码与完整权重。与Sora的"只给看"相反，HunyuanVideo选择了"全给"——权重、代码、基准测试集、FP8量化版、Diffusers集成、xDiT多卡并行陆续放出。

闭源侧用预期统治了2024年，开源侧用权重打响了年末最后一枪。

2025：商业化元年

Veo 3的原生音频。2025年5月，谷歌Veo 3登场，划时代之处不在画质，而在原生音频：环境音、角色对白、声景设计与画面同步生成，唇形对齐，声画一体。AI视频从此告别"默片时代"。

Sora 2的高点与终点。2025年9月，OpenAI发布Sora 2，技术上确实达到"视频生成的GPT-3.5时刻"：物理准确性改善、音视频同步、人物一致性增强。但真正出圈的是产品形态：Cameo功能（上传音视频即可入画）叠加邀请码机制，让Sora App上线不到24小时冲上美区App Store免费榜第三。

结局来得很快。2026年3月，OpenAI全面关停Sora：独立App、开发者API、ChatGPT内置视频功能，三线全停。事后账目：日均运营成本约1000万—1500万美元，年化约54亿美元；上线以来应用内总收入仅约210万美元；30天用户留存率约1%，生成内容可用率仅5%—10%。

技术高点与商业低点落在同一产品上。Sora之死不是视频生成技术的失败，而是一个清晰分界：为"惊艳"付费的时代结束了，为"可用"付费的时代开始计价。

开源路线的加速度。2025年开源阵营的主旋律属于阿里通义万相。2月，Wan 2.1开源：14B旗舰版之外，特意放出1.3B轻量版——仅需约8GB显存即可在消费级显卡上运行，5秒480P视频生成约4分钟。这一手把"开源"从论文复现变成了生产力工具。

价格战前置。2025年的价格战还未血腥，但所有动作都已就位：可灵多次下调API价格，即梦在国内C端长期采取近乎免费的积分策略，Veo 3以API形式入场把"每秒价格"变成公开报价单上的常规条目。开源侧的FP8量化、单卡推理、VAE压缩，把推理成本每个季度往下拧一圈。

Wan 2.1的1.3B版本让一条5秒视频的成本从"云API几美元"降到"自有显卡几分钱"。当成本曲线以这个斜率下降，价格战只是谁在什么时候扣动扳机的问题。

中篇：2026五大战场

2026年的视频生成行业，已经没有"发布会时刻"了。模型像炮弹一样落下，榜单像股市一样波动。

匿名屠榜

2026年4月7日前后，一个名叫HappyHorse-1.0的模型出现在Artificial Analysis视频竞技场。没有发布会，没有技术报告，只有四个字："即将推出"。

然后就是屠榜。截至4月9日中午的盲测数据：文生视频赛道1378分，领先第二名Seedance 2.0达105分；图生视频赛道1411分，平台历史最高。但带音频赛道，105分蒸发成1—2分。

4月10日，阿里巴巴ATH事业群正式认领。HappyHorse是约150亿参数的统一Transformer架构，1080p直出，支持7种语言口型同步。ATH事业群成立于2026年3月16日，由CEO吴泳铭亲自挂帅——这不是孤立的技术胜利，而是组织改革的亮剑。

屠榜之后立刻降价：4月27日灰度开放，6月22日1.1版发布，1080P每秒1.2元（优惠后0.72元），比1.0版降价25%。

时长战争

2026年上半年比的是时长。主角是字节Seedance。2月发布的2.0版本形成业界公认的代差优势，吃掉OpenAI关停Sora后留下的份额，直接推动中国短剧行业从真人实拍大规模转向AI制作。

2.5版本的发布过程成为年度最值得玩味的样本：6月23日公布"7月初正式发布"，7月9日取消发布，7月14日、20日两个流传日期落空，7月31日正式上线，8月7日API上线。三阶段后移——公布→上线→API，每一阶段都比承诺晚几周。

当成本以平方级增长时，"发布时间"就不再是营销决策，而是算力供给的函数。能力本身：单次生成30秒、多轮延长可至数分钟；单次最多接受30张图片+10段视频+10段音频共50个参考素材；时间戳级精准编辑。

同一天，MiniMax发布H3并开源，8月3日开放权重。30秒对15秒、闭源对开源——时长战争的两侧，站着两种商业信念。

声音现场

为什么105分的画质优势，在音频赛道会蒸发成1—2分？

这不是HappyHorse一家的窘境，而是整个行业的音频悖论。2025年5月Veo 3把"原生音频"带入旗舰标配，9月Sora 2实现音视频同步生成，8月腾讯混元开源HunyuanVideo-Foley，2026年上半年Seedance 2.0/2.5采用统一的多模态音视频联合生成架构。当所有人都在同一条联合建模的路线上时，音频就从"差异化优势"降格为"入场券"。

"有声"之后的门叫"可控"：口型能否按七种语言精准对齐？音色能否被参考素材锁定？环境声、对白、配乐能否分层、分时间戳地编辑？

"文生"的退场

一个缓慢发生、但从未被正式承认的变化："文生视频"这个品类正在消失。

证据在输入框里：Seedance 2.5单次最多30张图片+10段视频+10段音频作为参考素材；MiniMax H3的Ref2VA模式支持最多9图+3视频+3音频共12个文件；Wan 3.0最多10图+5视频+5音频参考，并能读取Word、Excel、PPT、PDF、Markdown和网页内容。

文本正在从"唯一的输入"退化为"众多条件之一"，而且是信息密度最低的那个。角色长什么样由图片锁定，动作由视频参考迁移，声音由音频参考给定，剧情由剧本文档输入——文本只剩两个职能：描述无法提供素材的部分，以及串联所有条件之间的逻辑。

但"文生"作为词汇还将继续营业。产品命名滞后于技术现实，而命名权本身是竞争资源。"文生视频"是过去三年教育出来的搜索词、预算科目和媒体版面，谁主动放弃这个词条，谁就白白让出获客入口。

数字人现场

2026年的关键一跃来自MiniMax H3（8月3日开源）：V2V Motion Transfer可以把参考视频中的动作迁移到目标角色，配合自然语言指令编辑——换背景、换物体、改动作，无需整段重绘。

身份由参考图像锁定，表演由参考视频迁移，环境由文字指令改写——三条通道可以分别迭代，互不重采。这实际上把数字人从"一次生成"解放出来，进入了"持续修改"的工作流。

输家与规则

输家。2024年站在舞台中央的欧美明星创业公司：Runway转向"通用世界模型"公司，押注影视工作流；Pika退回C端消费特效；Luma聚焦3D/空间智能。三家共同选择：退出通用模型的军备竞赛。

Sora的关停是这一判断最昂贵的注脚：连OpenAI都烧不起。模型层正在大宗商品化，胜负手移出了模型本身。

规则。2025年9月，迪士尼、环球、华纳联合起诉MiniMax；2026年2月，迪士尼正式指控字节Seedance 2.0侵权。起诉一个、授权另一个、失去全部——好莱坞对AI的态度从来不是技术判断，而是议价能力问题。

中国侧：2025年11月广电总局启动专项治理，2026年4月AI微短剧"先备案、后上线"，7月《管理提示》按投资额分三级管理，9月《微短剧发展管理办法》要求AI生成内容每集添加显著提示标识。2026年Q1全行业上线微短剧约12.8万部，AI短剧占比超95%。

规则的两个侧面——版权与监管——看起来是束缚，实际上在重新定义竞争资源：合规能力、授权资产、备案通道，都成了别人短期无法复制的存量。

下篇：Omni之后

交互现场：灵波

2026年1月29日，蚂蚁灵波开源第一代世界模型LingBot-World：连续稳定生成推进到近10分钟，约16 FPS生成吞吐、端到端交互延迟控制在1秒以内。用户可以用键盘鼠标实时控制角色与相机，可以用文本指令改变天气、触发世界事件；镜头移开60秒再回来，房子还在，车还是那辆车。

7月9日，第二代LingBot-World 2.0（Infinity）接棒：小时级实时生成、720p/60fps，首次把Agent机制引入世界模型——世界不再只是"可观看、可操控"，而是"可持续互动、可动态变化"。

同步开源的LingBot-Video是全球首个面向具身智能的MoE架构开源视频生成基座模型，在RBench机器人操作视频基准上以0.620分超过Wan2.6、Seedance 1.5 Pro与英伟达Cosmos3 Super。专攻具身的开源模型击败了所有通用旗舰。

从Sora的60秒样片到LingBot的小时级可交互世界，只用了两年半。视频生成在这里完成了第一次身份转变：它不再是内容，而是环境。

物理现场：世界模型与机器人

ABot-Earth。2026年6月，高德发布3D原生城市世界模型ABot-Earth 0.5；9月发布0.7版。直接用海量3DGS数据训练，端到端一次性生成3DGS格式的城市场景。输入一张卫星图或一段文字，消费级GPU上10分钟即可生成公里级3D城市，效率较传统模式提升约1000倍。

这个"数字地球"的第一批产业客户就是具身智能：0.5版发布时即明确，已支撑高德四足机器人"途途"的开放环境仿真训练——先为机器人生成一座城市，再让机器人进去学会走路。

World Labs。李飞飞的路径同样指向机器人：少量真实照片或视频→重建三维空间→在模拟环境中批量生成不同动作、路径、视角的训练数据。9月初发布的Atlas多模态世界模型已能利用图片、视频重建三维环境并生成机器人可用的模拟数据。

机器人的世界模型竞赛全面展开：阿里达摩院2月开源具身基座RynnBrain，字节推出Seed GR-3，京东8月开源JoyAI-Echo WM，宇树用世界—动作大模型让机器人完成全自主搏击，加上英伟达Cosmos与谷歌Genie，世界模型在2026年9月突然拥挤。

现在可以回到开篇那笔交易了。AMD以82亿美元收购World Labs，表面是芯片公司买模型公司，实质是算力方收购"下一代算力需求的定义权"：当视频生成在模型层商品化、利润率被开源与价格战压薄之后，算力增长的下一曲线只能来自新的工作负载——世界模拟、机器人训练、实时交互环境。

速度暗线

真正决定战局的，是一条几乎没有上过头条的暗线：推理成本工程。

回看三年的技术公报：腾讯混元自研3D VAE，Wan-VAE支持任意长度1080P，H3-VAE带来约4倍序列长度收益；HunyuanVideo开源FP8权重版与xDiT多卡并行，1.5版把旗舰体验压进14GB显存；Wan 2.1的1.3B模型让8GB显卡成为视频工作站；MiniMax H3用高压缩Tokenizer降低token数，异构训练与负载均衡压推理成本，支撑起0.8元/秒的"旗舰三分之一价"。

2026年8月底，这条暗线浮出水面。SkyProduction接入阿里Wan 3.0，定价0.05元/秒——一条30秒视频最低约1.5元，创下全网视频模型最低价。这不是慈善，是一个标志：模型价格已经击穿"制作成本"的心理账户，开始向"流量成本"看齐。

三年前，Sora用60秒样片让全世界惊叹"这得多少钱"；三年后，1.5元一条的价格把这个问题的答案变成了"不用想"。