2025：AI视频商业化元年，生数科技Vidu Q1抢先入局

本文围绕生数科技发布业内首个高可控视频大模型Vidu Q1展开，介绍了该模型在技术上的突破，探讨了AI视频模型的商业化发展、多模态探索、行业竞争格局等方面的情况，同时对视频大模型的未来发展趋势进行了分析。

在科技飞速发展的今天，大模型的进步可谓日新月异。

3月29日，在2025中关村论坛年会期间举办的“未来人工智能先锋论坛”上，清华大学人工智能研究院副院长、生数科技创始人兼首席科学家朱军正式宣布，生数科技推出了业内首个高可控视频大模型——Vidu Q1，并且计划于4月在全球上线。

会后，朱军在接受媒体采访时表示，2025年将会是AI（人工智能）视频商业化快速发展的一年。他认为，视频大模型的商业化路径比语言大模型更为多元，行业竞争格局也不会像“大模型内卷”那样。

朱军觉得，未来视频大模型不会出现像语言模型市场那样“一超多强”的局面，而是会依靠持续创新能力，朝着更高质量、更长时长、更强叙事性的方向不断发展。

下面，我们来深入探讨一下AI视频模型的商业化发展情况。

朱军介绍，和生数科技1月推出的Vidu 2.0相比，Vidu Q1在技术层面有了重大突破。它能够接受空间布局信息作为输入，大大提升了视频生成的可控性，让视频生成进入“高可控”时代成为可能。

朱军指出，走向高可控为AI视频生成的发展找到了新的方向，明确指出了AI视频生成的痛点。通过技术手段引入多元素控制，AI视频生成不再是毫无头绪的“乱生成”，而是可以人为控制，这使得AI视频生成与当下追求精益求精的制作逐渐趋于一致。

另一方面，高可控意味着AI视频生成的创意呈现会更加极致和多元。朱军表示，过去Vidu在画面生成、生成速度、多主体一致等视频生成关键环节不断努力。如今，“高可控”时代的到来，让人们能够更方便地将自己头脑中的想法变成现实。具体来说，Vidu Q1在多主体细节可控、音效同步可控、画质增强等方面都取得了不错的成效。

在多模态模型层面的探索上，朱军表示，生数科技从成立之初就专注于多模态大模型研发。Vidu的基座本身就是一个多模态大模型，视频只是多模态技术的一种表现形式。此外，公司还在探索音频及机器人可控操作数据的应用等多种模态。“对我们来说，底层架构基本相同，无需修改就能适应多模态，只是会根据用户需求在不同阶段推出相应产品。”

朱军认为，未来多模态的发展方向是智能体与工作流的全面打通，这也是生数科技规划的重要方向。他表示，未来需要推动智能体与工作流的打通，实现不同模态之间的协同，以更好地服务各行业用户。

在商业化方面，朱军坦言，随着AI视频技术商业价值的不断提升，资本市场对生数科技的关注重点也在发生变化。他说，公司早期，投资人更看重团队实力，而现在，除了技术壁垒，商业化进展已成为核心考量因素。“视频的价值密度更高，商业化进程也更快。2025年将是AI视频模型商业化快速发展的一年。”

目前，生数科技的SaaS（软件即服务）产品已覆盖全球200多个国家和地区，上线100天内用户就突破了千万，增速位居全球第一。同时，在MaaS（模型即服务）端，AI视频技术正在深入应用于动漫影视、文旅、广告、游戏等多个行业，重塑内容生产模式。

近期，OpenAI宣布在GPT – 4o模型中集成了迄今为止最先进的图像生成器，并将其整合进ChatGPT中。那么，未来视频生成能力是否也会被集成进大模型呢？朱军认为，现在讨论这个问题还为时尚早。

目前，视频生成的重点仍然是提升视频生成的质量和效率。随着基座模型的不断优化，AI视频生成自然会逐步向交互式方向发展，但其中最核心的突破点在于理解能力和可控性。朱军表示，只有实现真正的高可控生成，才能满足未来交互式AI视频的需求。

当被问及高可控能力是否会影响创意表达时，朱军表示两者并不冲突。相反，提升可控性能够让创作过程更加高效、精准，减少用户反复试验的成本，提高创作体验。

“在AI视频创作中，用户的输入可能是图片或文字，我们的任务是精准理解并实现他们的需求。”朱军解释道，过去，AI视频生成往往随机性较高，用户需要反复尝试才能得到理想的结果。而高可控能力的引入，使模型能够更准确地理解并执行用户的创作意图，同时保持创意表达的自由度，例如动作幅度、想象力等方面依然可以充分发挥。

接下来，我们看看视频大模型的行业情况。

朱军在接受采访时表示，2025年行业整体落地进展非常快。在视频和音频领域，由于其应用场景较为通用，市场接受度更高，而语言模型的落地往往需要结合行业专业知识，因此链路相对较长。不过，目前行业内也有应用公司致力于推进大语言模型的落地应用。

谈及技术突破，朱军强调，现阶段最重要的仍然是通用基础模型的提升。“它决定了我们后端在控制和一致性方面的能力，所有后端的实现都依赖于基础模型的进展。”基于基础模型，生数科技也在不断探索，以实现更高的模型一致性和可控性。

朱军认为，与语言模型不同，视频大模型的商业化路径相对更快。他指出，视频的消费需求非常广阔，因此，当前行业内领先的公司在视频大模型领域各具特色，并形成了不同的商业化布局。这一领域并不像语言模型市场那样“内卷”，而是呈现出更多元化的竞争格局。

目前，大语言模型行业逐步进入收购与被收购阶段，朱军认为，这与行业发展状态相关。语言模型的竞争已经进入深水区，领先企业在技术和市场布局方面占据优势，而视频大模型则完全不一样，中国的视频大模型在全球范围内很多方面都有应用，这与语言模型的发展状态截然不同。

未来，视频大模型行业是否会和语言大模型一样，只会留下几家专注于基础模型研发的公司呢？朱军认为，大概率不会出现一家独大的情况。一方面，视频大模型行业不算拥挤；另一方面，从人工智能发展的长期来看，核心因素在于团队是否具备持续创新能力。今天，模型的发展大部分是阶段性发展，尽管目前已经可以服务专业用户并生成高质量内容，但整体上仍有很大提升空间，包括效率、成本以及内容密度等方面的突破。

相比于语言模型，视频生成模型的起步稍晚，但朱军认为，这种“后发”反而带来了更快、更坚定的前进步伐。他提到，视频模型领域已经形成了对效率优化的共识。例如，生数科技在推出Vidu2.0时，就明确提出要做“最高效、最便宜的高质量视频模型”。这种理念已经深入行业，因此，他判断视频领域很难出现类似DeepSeek在语言模型中“效率遥遥领先”的局面，而是更期待让视频模型朝着“更可控、更好用”的方向发展。

谈及开源，朱军表示，开源一直是人工智能行业的重要趋势，生数科技也会开放部分创新方法供业界使用。然而，他指出，大部分所谓的开源模型并未真正开放核心训练过程及数据。“DeepSeek之所以受到用户欢迎，核心在于其出色的效果和高效率。对C端用户而言，最关心的始终是质量和效率，而非模型是开源还是闭源。”

目前，视频生成模型大多集中在5秒以内的短视频，朱军认为，这主要是成本问题，而非能力限制。同时，用户的使用习惯也影响了视频时长的选择。“现阶段，大部分用户习惯于竖屏短视频，而如果要创作1分钟以上的内容，就需要更完整的故事架构，涉及到从文案策划到内容创作的完整流程，而不仅仅是简单的‘图生视频’。”

朱军认为，随着基础模型能力的提升，行业将逐步向更长时长、更具叙事性的场景拓展。“从短视频向更长时长、叙事性更强的方向发展，将成为未来的一个重要趋势。”

本文围绕生数科技发布的高可控视频大模型Vidu Q1展开，详细介绍了其技术突破、商业化发展、多模态探索以及行业竞争格局等方面。朱军认为2025年是AI视频商业化快速发展的一年，视频大模型的商业化路径多元，未来将朝着高质量、长时长、强叙事性方向发展，且行业很难出现一家独大的局面，还会向更长时长、更具叙事性的场景拓展。