瑞银熊玮：多模态被低估，中国视频生成具结构性优势

多模态模型市场眼下还没打起来激烈的价格战，产品升级反倒留出了涨价的空间。

这份判断来自瑞银证券中国互联网行业分析师熊玮近日发布的中国AI智见报告。报告的核心观点是：多模态模型是大语言模型之外一块被低估的机遇。

瑞银此前对以文本为主的基础模型（大语言模型LLM）做过大量研究，这类模型的能力和变现都在快速演进。此番瑞银把目光转向多模态模型，梳理其技术路径、市场格局与商业前景——这个领域与大语言模型相邻，但并不相同。报告写道：“我们认为随着模型处理和生成多模态内容（如图像、音频和视频）的能力不断提升，AI的机遇将超越文本范畴，其中视频生成是关键领域。”

瑞银认为，多模态模型与大语言模型存在三点差异：1）参与者格局不同——全球前沿领域的玩家数量更少，重大版本发布的节奏也更慢；2）技术还处在更早的成熟阶段，模型能力仍有上行空间，新用途可能随之出现；3）模型层和应用层都已看到初步的变现窗口。报告写道：“令人鼓舞的是，中国领先开发者依托其视频内容生态、数据准备能力及模型创新，在模型能力和变现方面展现出早期优势，我们认为这值得投资者给予更多关注。”

技术成熟度尚处早期，中国或具备结构性优势

视频生成的技术成熟度比大语言模型低，架构还没趋同，参数规模也偏小（低于3000亿），能力提升仍更依赖预训练。瑞银认为，这在一定程度上反映出视频数据的复杂性，以及数据质量的分量。

视频生成前沿的玩家比大语言模型少，美国主要AI开发者在这一方向上的投入也参差不齐。中国开发者的势头已经露头，可能具备结构性优势：劳动密集型的数据准备环节成本更低，成熟的视频内容生态带来丰富的数据来源，模型架构上的创新能力也已有所展现。

市场格局分散，变现路径多样化

瑞银判断，视频生成是一个规模可观的市场，潜在市场空间为2000-4000亿美元。其分散的格局，由不断演进的模型及产品形态、定量与定性相结合的评估指标，以及具体应用场景的需求共同塑造。

报告写道：“在模型提供商中，我们尚未观察到大范围、激烈的价格竞争，而产品升级通常伴随着价格上涨。互联网巨头或可凭借覆盖模型开发、用户获取及分发的成熟生态获益，不过我们提示短剧等细分应用场景以及海外市场的变现潜力；在我们看来，多模态harness/应用层能把生成的视频片段加工为最终成品，从而获取价值，这也给规模较小的公司和初创企业留出了机会。”