智东西
作者 陈骏达
编辑 心缘

智东西7月30日报道，在2025世界人工智能大会（WAIC 2025）期间，视频生成独角兽生数科技的CEO骆怡航博士与媒体进行深入交流，详细介绍了生数科技视频生成技术的最新进展，并分享了他对视频生成技术未来发展方向的见解。

骆怡航着重谈到今年7月发布的Vidu Q1参考生功能，他认为，与文生视频、图生视频相比，参考生视频才是整个AI视频创作范式的底层功能。这种方式既不会像文生视频那样缺乏一致性，也不会像图生视频那样限制模型的发挥。

生数科技从去年开始研发参考生视频技术，已经迭代4个版本。同时，该公司也在一致性方向不断投入，骆怡航认为一致性对广告、影视等商业创作而言至关重要。

骆怡航也谈到了上周生数科技联合清华大学发布的具身智能模型Vidar，这是国内首个基于视频生成模型的具身基座模型。虽然具身智能的大规模应用还需要时间，但生数科技计划继续探索数字世界与物理世界的结合，并有可能在具身智能产业成熟后加大投入。

采访中，骆怡航还针对生数科技的商业化策略、技术升级方向、AIGC产业趋势等问题进行分享。

值得一提的是，今天恰好是生数科技视频生成模型Vidu全球上线一周年。上线1年，Vidu生成视频总数已超过3亿个，用户数超3000万，B端落地率达到行业第一，这些数据也带动生数科技的年化收入突破2000万美元（约合人民币1.44亿元）。

一、参考生回归视频拍摄本质，Vidu架构可扩展至具身智能

视频生成当前有多种实现形式，包括图生视频、文生视频、参考生视频等。其中，图生视频因其给予了创作者更多的控制力，而获得广泛使用。

图生视频需要用户上传完整的首帧图或尾帧图，模型以此为基准，生成画面。但由于图像中的各种元素已经被固定，模型很难对画面中的内容进行调整、修改，无法完全发挥出视频生成模型在创造力上的优势。

骆怡航认为，参考生视频让业界回到了本身视频拍摄的本质：用户可上传人物、道具、场景等元素，无需将其通过P图、生图、融图等繁琐环节，而是直接根据参考图直出视频。

最近推出的Vidu Q1参考生视频能力进一步提升，已经支持了七个主体的参考，基本可以满足大部分场景需求。

Vidu参考生视频同时具备主体库功能，用户可以上传人物或者商品的正面、侧面、背面图，确保元素在不同场景下的主体一致性。

面向专业创作场景，Vidu参考生视频提供了提示词专业模式。用户输入简单的提示词后，模型能够将用户的简单提示词改写为专业提示词，让最终作品质量更高，制作效率提升。

参考生视频这项技术满足了商业化场景对内容创作的需求，已在广告电商、互联网、动漫、影视、文旅、教育、游戏、广电等八大行业落地应用。

在Vidu视频生成模型的基础上，生数科技和清华大学共同打造了具身智能模型Vidar，这一模型与Vidu一脉相承。

骆怡航称，Vidu架构在设计之初就具备一定通用性，可胜任时空信息一致性的生成，在这个基础架构之上，只需进行少量数据、低成本的微调，便可将生成的虚拟视频转化为控制具身智能的动作信息。

Vidar的主要创新在于，能突破原有VLA路线中优质数据难以获取和具身智能难以泛化的问题，实现了具身智能的少样本泛化，所需真机人类操作数据量约为行业典型值的千分之一。

二、视频生成技术分三步走，将优先满足专业用户需求

骆怡航还分享了视频生成技术发展过程中人与AI协作三阶段的观点。

第一个阶段仍是图生视频为主，需要文生图再生视频或者用首尾帧再生视频的复杂流程，虽然它在生产环节、效率上相比传统流程有所进步，但还未达到100%的效率提升。

第二阶段以参考生视频为主要功能，无需中间分镜生成环节，只要把主体选好，就可以直接生成视频。根据生数科技得到的用户反馈，这种方式给效率带来了明显提升。

第三个阶段中，将有大量内容100%由AI生成，内容生产执行的效率和成功率极大提升，创作者可以把大量时间投入到故事创意和关键设计上。

骆怡航称，目前生数Vidu正推动AI视频内容生成由第二个阶段向第三个阶段转变。

生数科技当前最高的优先级依旧是满足视频行业最严格、最复杂的专业要求，其次才是扩展C端用户。

对此，骆怡航解释道，当前视频生成技术尚无法支撑普通用户打造高质量视频，仍需在一致性、速度上实现突破，才能实现AI视频创作的普惠。

生数科技可以在服务B端专业用户的过程中，逐步打磨这些技术，例如根据广告电商客户的需求提升一致性，或是在动画场景针对性地提升风格和生产效率。这些在专业领域的技术积累，最终可以惠及C端用户。

结语：视频生成技术持续迭代，速度与成本仍有突破空间

随着视频生成模型能力的持续迭代，有越来越多的企业开始探索其应用价值，尤其是在影视制作、广告营销、教育培训等场景中。不过，要真正实现规模化落地，仍有很长的路要走。

在采访的最后，骆怡航也分享了他眼中视频生成未来的优化空间。首先，一致性作为基础问题，仍需要进一步提升；解决一致性问题后，下一步就是让视频生成做到“快”、“好”、“省”。

其中，“快”和“省”的部分还有很大突破空间，现在生数科技已经实现普通清晰度几秒钟生成视频片段、分钟级生成1080P视频片段，未来会推进AI视频实时生成。