要更真實，還是更動人？AI視頻生成走到了分岔口 | CNCC 2026

從5大視角，看AI視頻的挑戰與風險在哪。作者丨徐曉飛 編輯丨劉 偉 當下，視頻生成的競爭焦點，正在從“像不像”轉移到“能不能用”。畫質、分辨率、單段時長這些指標，正被不同研究團隊加速填平。當畫面本身的差距收斂，剩下的落差就集中在了更難量化的地方，比如敘事是否連貫，情感是否到位，AI內容進入真實傳播鏈路之後會引發什麼。這正是 10 月 23 日下午，CNCC 2026大會“視頻生成的智與情”主題論壇嘗試討論的問題。南開大學教授楊巨峰，是這場主題論壇的召集人。據他介紹，這個題目實際上有更早的源頭。2024 年，包括他在內的國內十位學者聯名提出了“情智兼備數字人與機器人的研究”。

這個題目被遴選為當年度中國科協十大前沿科學問題的第一位。而今年，這個研究方向收斂到了“視頻生成”這條更具體的賽道上。楊巨峰把“智”比作人體骨架，這塊技術已相對成熟，更加懸而未決的是“情”的部分。他在開場留了一道引發大家思考的題：如果非要二選一，我們希望生成的視頻更真實，還是更動人？作為CNCC 2026大會的報道媒體之一，從工程交付、底層路線到社會影響三個維度，為大家帶來這場主題論壇的精彩發現。01AI能拍科幻大片，卻拍不好劉能趙四？視頻生成發展至今，畫面本身已經不難做了，但真要拿來幹活，就會遇到更細碎的挑戰：劇情怎麼連貫？情緒怎麼對味？單靠一個基座大模型，顯然撐不起交付。

如何做更好的交付，成為擺在從業者面前的一道必答題。哈爾濱工業大學（深圳）教授戶保田在《多智能體協作的長時序視頻生成：從規則可控到敘事共情》報告中，把長視頻生成拆成“質”與“情”兩條線：質是真實感的基石，要求符合物理規律和空間關係；情是感染力的來源，包含敘事審美與共情表達。據他介紹，目前，單基座大模型能穩定生成的長度在 15到 20 秒，再往上走，跨鏡頭的角色漂移、跨模態的音畫錯位、長週期敘事斷裂會集中出現。他舉了一個通俗例子：生成《鄉村愛情》裡劉能、趙四那類角色的對手戲，可能比生成科幻大片還難，難點不在場面，在人物關係的連續性。

對此，他的團隊主要做了三塊工作：一塊是把工作流變得可控，團隊面向 ComfyUI 構建生成工作流基準，用節點優化加強化學習補上長程規劃短板，14B 規模的模型就能達到較高準確率，這套系統已被 ComfyUI 集成為原生插件。一塊是長程敘事，Pixel Video 用故事模板協調生成流程、維護人物和時間線狀態，相關開源項目在 GitHub 上拿到 3 萬 star；之後的 Video Vlog 弱化剛性規則，轉向多智能體導演框架，可生成連續劇類長視頻。還有一塊是剪輯，Cut Master 以共享剪輯狀態為核心，能處理小時級視頻，剪輯質量評分相比平均水平最多提升 17 分。

他給這件事定的目標是八個字：邏輯可控，情感可感。內蒙古大學駿馬計劃研究員亓帆的《視頻生成中的物理感知與視頻情感表達》報告在另一頭接住這個目標。她把問題分成了三部分。在物理感知部分，早期做法是用軌跡、相機、運動場這類外部約束管控動態變化，可控但不保證碰撞、受力這類物理正確。近年的行業進展轉向了物理規律引入，有研究設置了2000 種物理專家，先從文本提取規律再細化到局部視覺特徵。她的觀察是，這個方向的目標已經變了：過去追求下一幀好看，現在更強調狀態能否持續，以及能否對環境變化做出響應。情感表達最靠近“情”。

她認為把控情感需要滿足三個條件：明確當下發生的事件語義、定義連續的情感維度變化、設置時間結構組織情感變化過程。一個容易被忽略的點是：視角。過往研究多關注視頻內人物的情感，但要生成符合創作目標的視頻，需要重視的是觀眾視角的情感反饋。在配樂部分，同一段畫面換上不同的配樂，觀眾感受到的情緒可以完全不同。現有方案的共同短板是調不了情緒強度，模型只能按指令生成“高興的”或“緊張的”。亓帆團隊的做法是把可縮放的低秩適配與強化學習結合，實現風格、情感與音色的連續強度調節。

在她看來，生成的人物 AI 感太強的話，會讓觀眾覺得油膩，而走向更自然的關鍵，在於產出讓觀眾觀感舒心的作品，僅僅只在說話和表情的情緒理解上做到位，解決不了觀感問題。02視覺是否會淪為“渲染器”？工程上的多智能體和工作流，更像在基模之上打補丁。為了解決長視頻漂移和物理穿幫，大家在模型外搭滿了“腳手架”，而這套打法引出一個問題：如果智能系統中的“智”主要來自語言模型，視覺智能還有多少獨立價值？視覺智能，會不會淪為一個渲染器？北京大學深圳研究生院研究員袁粒在《視覺生成與理解如何走向協同統一》報告中提到，GPT-6 Astra 這類模型出現之後，視覺智能的定位正面臨新的衝擊。

在強大的語言模型面前，靠視覺理解物理世界的路徑走得很吃力。如果只負責把別人算好的結果畫出來，視覺的獨立智能在哪裡？在袁粒看來，視覺退化為“畫圖工具人”的根源，在於理解與生成在底層邏輯上的長期割裂。從信息論的角度看，理解是將冗餘的物理信號壓縮編碼，生成則是把抽象語義解碼重建，兩者本互為逆過程，現實中卻各行其道。一方面，模型在語言理解中掌握的知識很難自如遷移到生成環節；另一方面，現有的視覺理解習慣將圖像壓縮並投影到語言空間，視頻理解還要頻繁抽幀，連續的物理規律和空間關係在壓縮中損耗殆盡。為了彌合這道鴻溝，業內逐漸分化出兩種解法。

一種是目前佔主流的串行統一，相當於讓理解充當“左腦”，生成充當“右腦”，中間通過語言空間對齊。這種方式雖然能直接複用成熟的開源大模型，但狹窄的中間通道不可避免地帶來信息損耗。另一種則是讓理解與生成共享骨幹網絡的並行統一。儘管這條路線目前仍受困於“理解要抓語義、生成要摳細節”的雙向衝突，但袁粒認為這才是深度融合的必然方向。對於工程與模型的關係，他有一個明確的判斷：基模決定上限，智能體兜住下限。至於視覺的未來，袁粒把自己歸為“視頻派”。視頻自帶時空連續性，屬於 2.5D 模態，數據成本遠低於純 3D，完全有可能直接走向 4D 動態世界模型。

而視覺智能最終的獨立價值，不是跟語言模型搶著做抽象推理，而是作為系統的“眼睛”，通過觀察真實狀態、生成中間推演，為決策提供物理校驗。03當視頻足夠逼真，風險就不在畫面裡了當生成的內容足夠多、足夠真之後，就會流向社交網絡。這時問題的性質就變了，“內容進入社會之後會引發什麼”成了更要緊的議題。中國科學技術大學特任教授劉武的報告《情智兼備的多智能體內容生成與社交模擬》，把起點放在智能體本身。他的切入點是人類智能的構成：問題解決能力對應智商，群體協作能力對應情商。他的研究工作分兩塊，一塊是培育具備多樣化共情認知和大規模社交行為能力的智能體，另一塊是搭建真實映射現實的社交網絡模擬環境。

這裡有個繞不開的障礙：用大模型模擬社交群體，一是難以展現多樣化特性，二是交互人數增多後容易出現認知同質化，大家的認知和情感趨於一致，模擬本身也就失去意義。他的團隊的應對是引入智能基礎信息論框架，為每個智能體設計專屬的“認知指紋”，讓它分別作用於感知篩選、記憶更新和內容生成的全過程。在此基礎上，團隊可以用真實網絡數據搭出一個社交模擬器，把這群智能體丟進去，讓它們像真人一樣去聊天、互動和配合，在具體的場景裡把情商和共情能力“練”出來。這套模擬器輸入真實網絡的動態和目標事件，讓智能體在裡面模擬現實社交，並推演出事情可能的發展走向和最終結果。

而中關村實驗室助理研究員折棟宇的報告《從視頻生成到認知影響：面向認知安全的多模態內容計算》，討論這個議題的另一面。她把 AIGC 視頻的社會風險歸成五類：歷史事實篡改、虛假災情傳播、語境裁剪誤導、關鍵人物事件認知誘導、不良价值導向傳播。這裡有個關鍵區分。內容安全聚焦內容本身的合規、真實與健康；認知安全的主體是人，保護的是個體、群體乃至社會層面的正確認知。其中，認知風險可以拆成三層：事實層，指視頻描述的事件、人物、主張有沒有信源支撐；敘事層，指通過素材剪裁重組、重新配音、暗示虛假因果篡改原意；價值導向層，指內容美化暴力、合理化違規行為。為什麼認知容易被操縱，她給了三層解釋。

受眾接收視頻後要經過畫面轉寫、事件邏輯串聯、結合經驗解讀三道加工，情緒也在參與。有實驗證明，搭配圖片的信息可信度會大幅提升。此外，傳播鏈路也在放大風險，她舉了一個跨境案例，一條講河南拆遷寺廟的國內生成視頻被搬到海外後改寫成了西藏拆遷寺廟後，又被傳回國內。上述這些AI視頻的特點，也解釋了傳統網絡安防技術為什麼不夠用。傳統技術以規則判定為主，只能識別畫面、文字這類顯性違規，識別不了藏在敘事邏輯和素材關聯裡的隱性影響。由此，折棟宇總結了三個難點是：單看單幀畫面都不違規，風險藏在關聯關係裡；技術迭代快，測試樣本覆蓋不住新形式；同一表述在不同場景下態度完全不同。折棟宇團隊的探索集中在兩塊。

一塊是情感理解，可基於同一圖像預測不同受眾的差異化感受。另一塊是事實核驗智能體，把取證、質詢、歸納三類行為集成，讓模型結合知識搜索自主規劃調查路徑。在她看來，大模型本身的推理能力固然重要，但對這類內容計算而言，組織和使用工具的能力同樣重要。04圓桌討論：五道沒有標準答案的問題在圓桌環節，專家們針對5個問題展開了討論。▎問題一：理解會壓制創造力嗎？當生成與理解走向統一，創造力會不會被理解壓住？袁粒對此的判斷是，統一之後創造力不會被壓制，反而會被激發。他舉了一個畫畫的例子。人們通常默認創作要先理解、先規劃，想清楚畫成什麼樣再動筆。

但在袁粒看來，畫本身就是創作的過程，真正的敏感點和創作點往往是在落筆的過程中爆發出來的，事先寫不出來。下圍棋同理，有些棋要走到那一步才想明白該怎麼下。▎問題二：情感是建模出來的，還是演出來的？人表達情感的時候，情感到底是被建模出來的，還是發自內心自然流露的？落到AI視頻製作上，短視頻裡的情感是不是都可以靠編程規劃出來，在什麼時間點、讓什麼角色、表達什麼情緒，還是說生成完之後會自己冒出一些情感？在亓帆看來，放到模型上，演指的是模型能否具備常識的、一貫的、理解“為什麼悲傷”的一整個表演過程；建模指的是讓視頻生成模型去建模悲傷時臉部肌肉的控制動作。

讓視頻具備情感，落點應該在理解悲傷的意義、理解悲傷是怎麼產生的，這對生成結果的自然性幫助更大。而自發地感受到情感、不按規劃去表現情感，這個方向正是下一代模型要追求的。在劉武看來，現階段生成模型的情感是建模出來的，往後智能體或者大模型會不會湧現出真實的情感，不能下絕對的定論。他把這種可能性稱為一件比較恐怖的事情，一旦發生就涉及倫理：智能體算人還是算機器？至少現階段，能做的事是把情感建模得更真。▎問題三：物理真實和情感真實打架時，聽誰的？劉武認為，主要看需求導向。看這段視頻的用途，如果是為了學習知識、提供訓練數據、建模真實事件，就遵循物理真實，儘量少受情感的干擾。

如果是短劇、電影這類藝術性內容，要表現強烈的情感，尤其是科幻劇，違背一些物理真實也未嘗不可。而優先級由最終需求決定，可以跟著需求動態調節。▎問題四：很真也很動人，但導向不對怎麼辦？折棟宇認為，一段視頻很真、也很動人，但導向有問題，它就是有問題。在認知安全裡，價值導向是其中一個關鍵且獨立的環節。目前沒有太多技術能確保一定把有問題的價值導向檢測出來。所以我們要做的是干預儘量往前推。比如在生成階段就給出提示，告訴使用者這個東西哪裡有問題，能擋掉一部分無心之舉。擋不住的部分要靠後面的環節。她舉了一個例子，一段科普洪水的視頻，生成時看不出問題，配上不良意圖和誤導性的標題，就會產生不良的社會影響。

在她看來，生成、傳播，以及受眾看完之後的事後環節，都要有相應的治理手段。▎問題五：未來一年，最想做成什麼？折棟宇看重自進化智能體。道高一尺魔高一丈，安全技術要根據現有的技術不斷提升，讓安防智能體以自迴歸的方式自己迭代，而非靜態部署這種低效方式。劉武希望讓情與智更加真實，更加分辨不出來。亓帆希望能生成一些更具電影質感的視頻。袁粒希望，未來三到五年甚至更長時間，基模能同時生成和理解物理世界；如果說未來一年，則希望模型在生成這個世界之前，先把理解物理世界這件事做好。05結語回到開場留下的那道題：生成的視頻，是要更真，還是要更動人？這場論壇沒有給出非此即彼的答案。

順著幾位報告人的分享梳理看下來，智的這一側路線相對清晰，往世界模型、往物理規律走；情的那一側還在找可度量的抓手，配樂的情緒強度、觀眾視角的反饋，都還處在早期。一個可以留存的觀察是，當畫質和時長不再是門檻，視頻生成的下一個分水嶺，大概落在內容進入傳播鏈路之後會發生什麼。技術負責把畫面做出來，評價權交到了社會手裡。而上述這些問題的答案，可以留給下一屆論壇繼續探究。CNCC 已經結束，AI科技評論在參會過程中瞭解到很多新的技術進展，也收穫了不少同行交流的心得，歡迎參會的研究者、學生，以及關注計算機領域前沿進展的讀者加入我們的 CNCC 交流社群。

在這裡，你可以認識同行、交流研究，分享招生信息、科研合作、約飯、投稿、組隊參會等，尋找潛在的合作伙伴。大會期間，我們持續帶來了現場報道速遞、嘉賓演講解讀、前沿方向梳理和論壇精華，後續也會繼續分享相關內容。群裡見。?進群傳送門： 掃碼進群或添加微信Qvv0909777，備註：CNCC + 單位/學校+姓名+方向。上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。