AI视频生成的下一步：真实与动人如何取舍

如今视频生成赛道的比拼重点，已经不再是谁更像真的，而是谁能真正派上用场。

画质、分辨率、单段时长这些指标，各家研究团队都在加速拉平。画面上的差距一旦收窄，剩下的短板就落到更不好量化的层面：叙事串不串得起来，情绪传不传得到位，AI内容一旦进入真实传播链路又会引出什么问题。

10 月 23 日下午，CNCC 2026大会的“视频生成的智与情”主题论坛，想聊的正是这些。

这场论坛的召集人是南开大学教授杨巨峰。按他的说法，这个议题其实更早就有了源头。

2024 年，他与国内另外九位学者联名提出“情智兼备数字人与机器人的研究”，该题目入选当年度中国科协十大前沿科学问题，排在第一。

到了今年，这条研究线索收窄，落到“视频生成”这个更具体的方向上。

杨巨峰打了个比方：技术上的“智”好比人的骨架，已经相对成熟；真正还没有答案的是“情”。开场他抛出一个问题让大家想——假如只能选一样，我们想要生成的视频更真实，还是更动人？

雷峰网是CNCC 2026大会的报道媒体之一，下面从工程交付、底层路线、社会影响三个维度，梳理这场论坛的精彩内容。

01

AI能拍科幻大片，却拍不好刘能赵四？

视频生成走到今天，画面已经不算难事。可真要拿去干活，麻烦就细碎起来：剧情接不接得上？情绪对不对味？

只靠一个基座大模型，显然交不了差。怎么把东西真正交付出去，成了从业者绕不开的必答题。

哈尔滨工业大学（深圳）教授户保田带来报告《多智能体协作的长时序视频生成：从规则可控到叙事共情》，他把长视频生成分成“质”和“情”两条线。

“质”是真实感的底子，得符合物理规律和空间关系；“情”负责感染力，涵盖叙事审美与共情表达。

他介绍，眼下单个基座大模型能稳定生成的长度是 15到 20 秒。再往上加，跨镜头的角色漂移、跨模态的音画错位、长周期叙事断裂就会扎堆冒出来。

他举了个好懂的例子：让《乡村爱情》里刘能、赵四这类角色演对手戏，可能比生成科幻大片还难。难处不在场面，在人物关系能不能接得住。

围绕这个，他的团队做了三块工作。

第一块是让工作流可控。团队针对 ComfyUI 搭建生成工作流基准，靠节点优化叠加强化学习，补上长程规划的短板，14B 规模的模型就能拿到较高准确率。这套系统已被 ComfyUI 集成为原生插件。

第二块是长程叙事。Pixel Video 用故事模板来协调生成流程，维护人物和时间线状态，相关开源项目在 GitHub 上收获 3 万 star；后来的 Video Vlog 放松刚性规则，改走多智能体导演框架，能生成连续剧式的长视频。

第三块是剪辑。Cut Master 以共享剪辑状态为核心，小时级视频也能处理，剪辑质量评分比平均水平最多高出 17 分。

他给这件事立的目标只有八个字：逻辑可控，情感可感。

内蒙古大学骏马计划研究员亓帆的报告《视频生成中的物理感知与视频情感表达》，从另一个方向回应了这个目标。

她把问题拆成三部分来讲。

物理感知这块，早期思路是拿轨迹、相机、运动场这类外部约束去管住动态变化，可控是可控，但碰撞、受力这些物理层面的正确性并不在保证范围内。

近几年的行业进展开始转向引入物理规律。有研究设置了2000种物理专家，先从文本里提取规律，再细化到局部视觉特征。

她观察到，这个方向的目标已经变了：过去追求下一帧好看，现在更看重状态能不能持续，能不能对环境变化做出响应。

情感表达最靠近“情”。她认为要把控情感，得满足三个条件：明确当下发生的事件语义、定义连续的情感维度变化、设置时间结构把情感变化过程组织起来。

还有一个容易被忽略的点：视角。以往研究多盯着视频内人物的情感，可要生成符合创作目标的视频，观众视角的情感反馈同样得重视。

配乐部分也一样，同一段画面换上不同配乐，观众感受到的情绪可以完全不同。现有方案的共同短板是调不了情绪强度，模型只能按指令生成“高兴的”或“紧张的”。

亓帆团队的做法，是把可缩放的低秩适配和强化学习结合起来，实现风格、情感与音色的连续强度调节。

在她看来，生成的人物AI感太强，观众会觉得油腻。要走向更自然，关键在于产出让观众观感舒心的作品；只在说话和表情的情绪理解上做到位，解决不了观感问题。

02

视觉会不会最后只剩“渲染器”的角色？从工程实践看，多智能体和工作流更像是在基模外面打补丁。长视频漂移、物理穿帮这些问题要解决，大家就在模型之外搭起各种“脚手架”，这种思路也带出一个疑问：

如果智能系统中的“智”主要来自语言模型，视觉智能还有多少独立价值？视觉智能，会不会沦为一个渲染器？

北京大学深圳研究生院研究员袁粒在《视觉生成与理解如何走向协同统一》报告里指出，GPT-6 Astra这类模型问世后，视觉智能该怎么定位，正受到新的冲击。

在强大的语言模型面前，靠视觉理解物理世界的路径走得很吃力。如果只负责把别人算好的结果画出来，视觉的独立智能在哪里？

在袁粒看来，视觉退化成“画图工具人”，根源在于理解与生成在底层逻辑上长期割裂。

从信息论的角度看，理解是把冗余的物理信号压缩编码，生成则是把抽象语义解码重建，两者本互为逆过程，现实中却各行其道。

模型在语言理解中学到的知识，想顺畅搬到生成环节并不容易；现有视觉理解的做法是把图像压缩后投影到语言空间，视频理解还得反复抽帧，连续的物理规律和空间关系经过这番压缩，损耗得差不多了。

这道鸿沟怎么填？业内慢慢分出两条路子。一条是眼下更主流的串行统一：理解当“左脑”，生成当“右脑”，两者靠语言空间在中间对齐。好处是能直接拿成熟的开源大模型来用，可这条中间通道太窄，信息损耗躲不掉。

另一条路是并行统一，让理解与生成共用骨干网络。这条路线眼下还卡在“理解要抓语义、生成要抠细节”的双向冲突里，但袁粒判断，深度融合终究要往这个方向走。

对于工程与模型的关系，他有一个明确的判断：基模决定上限，智能体兜住下限。

视觉往后怎么走？袁粒说自己是“视频派”。视频本身带时空连续性，是2.5D模态，数据成本比纯3D低得多，直接奔向4D动态世界模型完全有戏。

视觉智能最终的价值，不在于跟语言模型争着做抽象推理，而在于当系统的“眼睛”——观察真实状态、生成中间推演，给决策提供物理层面的校验。

03

当视频足够逼真，风险就不在画面里了。当生成的内容足够多、足够真之后，就会流向社交网络。这时问题的性质就变了，“内容进入社会之后会引发什么”成了更要紧的议题。

中国科学技术大学特任教授刘武带来报告《情智兼备的多智能体内容生成与社交模拟》，他把出发点放在智能体自身。刘武从人类智能的构成切入：智商对应的是解决问题的能力，情商则对应群体协作的能力。

刘武的工作分成两个部分。一部分是培育智能体，让它们具备多样化的共情认知和大规模社交行为能力；另一部分是搭建能够真实映射现实的社交网络模拟环境。

不过，有一个障碍躲不开：

拿大模型去模拟社交群体，问题有两个。一是多样化特性很难体现出来；二是参与交互的人数一多，认知就容易同质化，大家的认知和情感都往一处靠，模拟本身也就没了意义。

刘武团队的办法是引入智能基础信息论框架，给每个智能体设计专属的“认知指纹”，让它在感知筛选、记忆更新、内容生成的全过程中分别发挥作用。

有了这个基础，团队就能用真实网络数据搭出一个社交模拟器，把这群智能体放进去，让它们像真人那样聊天、互动、配合，在具体场景里把情商和共情能力“练”出来。

这个模拟器会输入真实网络的动态和目标事件，智能体在其中模拟现实社交，事情可能怎么发展、最终会是什么结果，也能被推演出来。

中关村实验室助理研究员折栋宇的报告《从视频生成到认知影响：面向认知安全的多模态内容计算》，谈的则是这个议题的另一面。

折栋宇把 AIGC 视频的社会风险归纳为五类：历史事实篡改、虚假灾情传播、语境裁剪误导、关键人物事件认知诱导、不良价值导向传播。

这里要做一个关键区分。内容安全盯的是内容本身合不合规、真不真实、健不健康；认知安全的主体是人，保护的是个体、群体乃至社会层面的正确认知。

认知风险又能拆成三层。事实层看的是视频里说的事件、人物、主张有没有信源支撑；叙事层指的是剪裁重组素材、重新配音、暗示虚假因果，借此篡改原意；价值导向层则是内容美化暴力、把违规行为合理化。

认知为什么容易被操纵？折栋宇给了三层解释。受众看到视频后，要经过画面转写、事件逻辑串联、结合经验解读三道加工，情绪也掺在其中。

已有实验证明，信息配上图片，可信度会大幅提升。

传播链路同样在放大风险。她举了一个跨境案例：一条讲河南拆迁寺庙的国内生成视频，被搬到海外后改写成西藏拆迁寺庙，随后又传回国内。

AI 视频的上述特点，也说明了传统网络安防技术为什么不够用。

传统技术主要靠规则判定，能识别画面、文字这类显性违规，却识别不了藏在叙事逻辑和素材关联里的隐性影响。

折栋宇由此总结了三个难点：单看每一帧画面都不违规，风险藏在关联关系里；技术迭代快，测试样本覆盖不了新形式；同一句表述换个场景，态度可能完全不同。

折栋宇团队的探索集中在两块。一块是情感理解，能基于同一图像预测不同受众的差异化感受；另一块是事实核验智能体，把取证、质询、归纳三类行为集成起来，让模型结合知识搜索自主规划调查路径。

在折栋宇看来，大模型自身的推理能力固然重要，但对这类内容计算来说，组织工具、使用工具的能力同样重要。

04

圆桌讨论：五道没有标准答案的问题

圆桌环节，专家们围绕5个问题展开了讨论。

生成与理解走向统一之后，创造力会不会被理解压住？

袁粒的判断是：统一之后，创造力不会被压制，反而会被激发。

他拿画画打了个比方。

一般人觉得，创作得先理解、先规划，画面在脑子里定型了才落笔。袁粒不这么看：画的过程本身就是创作，真正敏感的地方、真正出创作的地方，常常是下笔那一刻才冒出来的，事先根本写不出来。

下围棋也是一个道理，有些棋，非得走到那一步，才知道接下来怎么落子。

人流露情感的时候，这份情感是建模建出来的，还是打心底里自然出来的？换到AI视频制作上，短视频里的情绪能不能全靠编程规划——什么时间点、哪个角色、表达哪种情绪，都安排明白？还是说生成完了，自己会冒出一些情感来？

亓帆的说法是，搁到模型上，“演”问的是模型有没有那个常识性的、前后一贯的、明白“为什么悲伤”的完整表演过程；“建模”则是让视频生成模型去建模人悲伤时脸部肌肉怎么控制。

要让视频有情感，落点该放在理解悲伤的意义、理解悲伤是怎么来的，这对生成结果的自然程度帮助更大。

至于自发地感受到情感、不照着规划去表现情感，那正是下一代模型要追的方向。

刘武的看法是，眼下生成模型的情感是建模出来的；往后智能体或者大模型会不会冒出真实的情感，现在没法下定论。

他说这种可能性挺恐怖，真发生了就牵扯伦理：智能体到底算人，还是算机器？

至少现在，能做的就是把情感建模得更真一些。

刘武认为，这主要看需求导向。

得看这段视频拿来干什么。要是为了学知识、提供训练数据、建模真实事件，那就遵循物理真实，尽量少让情感掺和。要是短剧、电影这类艺术性内容，要的是强烈情感，科幻剧尤其如此，违背一点物理真实也没什么不可以。

优先级由最终需求定，可以跟着需求动态调整。

折栋宇的态度很直接：一段视频很真、也很动人，可导向有问题，那它就是有问题。

认知安全里，价值导向是其中一个关键且独立的环节。眼下还没有太多技术能保证一定把有问题的价值导向检测出来。

所以能做的，是把干预尽量往前推。比如生成阶段就给出提示，告诉使用者这东西哪里有问题，这样能挡掉一部分无心之举。

挡不住的那部分，得靠后面的环节。她举了个例子：一段科普洪水的视频，生成的时候看不出毛病，可一旦配上不良意图和误导性的标题，就会造成不良的社会影响。在她看来，生成、传播，还有受众看完之后的事后环节，都得有相应的治理手段。

折栋宇看重自进化智能体。道高一尺魔高一丈，安全技术得跟着现有技术不断往上走，让安防智能体以自回归的方式自己迭代，而不是静态部署这种低效办法。

刘武想的是让情与智更真实，更让人分辨不出来。

亓帆则希望能生成一些更有电影质感的视频。

袁粒的期待分两个层面。放到未来三到五年甚至更远的尺度上，他希望基模既能把物理世界生成出来，也能理解它；如果只谈未来一年，他更看重的是模型在动手生成世界之前，先把理解物理世界这件事做扎实。

05

结语

开场留下的那道题还在：生成的视频，到底该更真，还是更动人？

这场论坛没给出非此即彼的答案。把几位报告人的分享顺着捋一遍，智这一侧的路子比较清楚——奔着世界模型、奔着物理规律去；情那一侧还在找能度量的东西，配乐的情绪强度、观众视角的反馈，都还处在早期。

有一个观察可以记下来：画质和时长不再是门槛之后，视频生成的下一个分水岭，大概落在内容进入传播链路之后会发生什么。技术负责把画面做出来，评价权交到了社会手里。

这些问题的答案，就留给下一届论坛继续探究吧。