为什么今年最赚钱、最容易融资、最容易跑出爆款的 AI 方向，全都指向视频生成？

如果把今年的AI创业图景抽象成一幅热力分布图，会看到一个异常明亮的区域。它不在模型底座层，不在搜索、办公、投喂式工具链，而是意外地集中在一个节点：视频生成。

今年国内融资最快，估值攀升最快的 AI 创业公司，几乎清一色来自视频赛道。

刘宇的Vivix尤为典型——不到 20 人的多模态班底，从年初创立到年末估值冲上 13.2 亿美元，用不到一年的时间连跳三轮，直接跨入独角兽区间，成为今年资本市场上增长曲线最陡峭的 AI 公司之一。

与此同时，其他视频创业者也在密集报喜。

前月之暗面产品负责人王冠创立的 ONE2X 在今年年中完成 A 轮融资，历史累计融资额逼近 2300 万美元；

草根出身的阿彪靠 Pollo AI 在 7 个月里做出 2000 万注册、600 万月活，一边拿下 1400 万美元融资，一边做到年化营收突破 2000 万美元并实现盈亏平衡；

爱诗科技更是在 9 月宣布完成 6000 万美元 B 轮融资，直接刷新国内视频生成领域的单笔融资纪录。

这些案例共同指向一个事实，只要做生成视频，只要产品能让用户跑得起来、让收入跑得出来，就会迅速被资本看见。哪怕大厂已经全面入场，视频生成依旧是少数几个创业公司仍能切入、仍能做出差异化、仍能讲出增长故事的赛道。

从 OpenAI 把 Sora 做成日活千万级的 App，再到 Runway、Luma AI 等一众新贵估值轮番抬升，对比国内即梦、可灵、Pollo AI、ONE2X、Vivix 这些玩家的集体发力，你会发现：视频生成已经从技术展示变成资本、巨头、创业者三方博弈的主战场。

这不是简单的下一个 Stable Diffusion，而更像一场关于“下一代内容形态”和“下一代交互界面”的豪赌。

为什么偏偏是视频？

从技术端看，视频本来是多模态里最难啃的一块骨头：既有空间维度、又有时间维度，还要兼顾物理规律、角色一致、镜头语言。按理说，模型圈应该先把文本、图片吃干抹净，再慢慢升级到视频。

但过去 18 个月，节奏被彻底打乱了。

一边是模型能力的突进。Runway 的 Gen-4.5 在第三方评测机构 Artificial Analysis 的视频模型榜上拿到 Elo 排名第一，超过 Google、OpenAI、快手等一众玩家，真实感、动作连贯性、镜头调度都已经可以对线专业广告片。

另一边，是产品端的爆款效应。OpenAI 基于 Sora 2 推出独立视频 App“ Sora”，把写一句话生成一条短视频的体验做成了类 TikTok 的内容社区。上线几天冲到苹果 App Store 免费榜第一，下载量直接超过自家 ChatGPT。

再往后看资本端。Luma AI 今年宣布完成 9 亿美元融资，最新估值超过 40 亿美元。Runway 的年化收入被第三方机构估算已经逼近 9000 万美元等级，且增长主要来自视频相关产品。快手在财报中单独披露了可灵 AI 的收入，今年二季度单季收入就超过 2.5 亿元人民币，成为财报会上重点强调的增长引擎之一。

这几个数字背后，有一个很现实的判断：在所有多模态方向里，视频是离钱最近的一个。

广告、剧情短片、电商详情页、游戏预告、公司培训、在线教育……几乎所有行业都有“要做视频”的刚性需求，但传统视频制作在人的时间、拍摄成本、后期成本上都极其昂贵。

大模型如果要从PPT 上的故事落到实际现金流，视频是第一批真正能闭环的场景。文本模型做 Copilot、写代码、做搜索，更多是提高效率，视频模型则是直接帮你省掉一部分外包预算和团队 headcount，甚至重写整个创作工作流。

大厂与创业公司：同一个战场，两套打法

如果从空中俯视今天的视频生成赛道，会看到两条清晰的力量对冲。

一条是大厂路线。OpenAI 用 Sora 把模型和消费级产品打通，Google 用 Veo 系列绑定 Gemini 生态，字节/快手用即梦/可灵深度绑定自家内容、广告与电商体系。

另一条，是创业公司路线。从模型基础设施到应用层产品，再到视频版 Canva / 剪映，什么层级都有玩家在卷。刚刚提到的几家公司，刚好构成了一个很好的切面。

ONE2X 是典型的“重产品、重工作流”的创业路径。创始人王冠本身就是月之暗面的前产品负责人，团队里大量成员来自月之暗面、字节、阿里、快手等公司。ONE2X 做的 Medeo，并不是再造一个“模型试玩网站”，而是把自己的定位定死在“创意表达工具”：像和 ChatGPT 聊天一样对话式改视频，前后文都在一个 Context 里完整保留，同时内置剪辑、工作流编排，让动画、MV、广告、解说这些常见视频形态都以“模版 + 自然语言”的方式组合出来。

他们在底层做了一套“面向视频的生成系统”——用领域特定语言 DSL 去描述视频操作，再用 Context 系统和“人机共创环境”来把模糊自然语言映射到具体的视频操作命令上。换句话说，ONE2X 不只是“调用一个视频模型”，而是把整个视频编辑语言重新做了一次抽象，让模型能听懂“把刚才那条镜头再暖一点、调成 16:9、把音乐推进 2 秒”这种高度语义化的指令。

Pollo AI 则是完全另一套思路：先用极致的出海经验和 SEO 能力，把聚合模型 + 视频生成工具做成一个高速增长的产品，再在增长的浪里迭代产品形态。

创始人阿彪没有大厂履历，起步是做各种工具出海，靠 SEO 让几十个产品活下来。Pollo AI 最早只是一个接入可灵等内测视频 API 的壳，后来逐步演化为聚合几乎所有公开视频、图片模型的 POE 平台。靠对“选品”和流量窗口的敏感理解，它在 7 个月内做到月活超 400 万、注册用户超 2000 万，并且在今年已经实现年化收入 2000 万美元、整体盈亏平衡。

这是一条更草根的路线：不自研模型、不烧上亿美金算力，而是用产品能力、SEO 能力和对时机的把握，把“模型红利”尽可能转化为用户规模和现金流；再在这个基础上，从“工具叠加”升级成“完整工作流 + 对话式创作 + Agent 编排”，试图向“AI 版剪映 / 视频版 Canva”演化。

第三类，则以刘宇的 Vivix AI 为代表，走得最激进。不是单纯做视频模型，而是把视频当成实时交互界面的第一语言，试图在系统层面重写多模态智能和推理基础设施。

从公开信息和论文线索来看，这家公司做了三件本质性的事：

第一，把视频推理当成系统工程问题来解，把精度-算力-延迟重新平衡，在低精度计算、自适应位宽、深度学习编译器和多维并行上做系统性重写，目标是做到“0.6T 秒生成 T 秒画面”这个量级的实时推理。

第二，不再把语言当成总路由，而是用统一 token 空间做原生多模态，让视觉、音频、动作与语言在同一个表征空间里共同训练，尽量减少“先转成文字再推理”的信息损失。

第三，从 Day 1 就把产品想象成“实时交互多模态内容”的载体：用户不再是在信息流里被动刷视频，而是站在一个 AI 系统的对面，像玩游戏一样实时对话、互动、共创——视频不再是结果，而是一种持续生成的过程。

在这三种路径之间，大厂的优势是资源和分发，创业公司的优势是速度和敢赌方向。视频生成之所以热，是因为这两股力量难得地在一个时间点、一个方向上形成了强共振。

技术战场：质量、速度与成本的三角博弈

从远处看，视频生成像是在比谁更逼真、谁更像真人拍的。但所有真正做事的团队都知道：这背后是质量、速度与成本的三角博弈。

质量不仅仅是清晰度和分辨率，更包括：它能不能在镜头里保持角色、光影、场景的一致性？能不能遵守基本物理规律，不会走着走着突然穿模？能不能听得懂镜头语言，理解运镜、拉焦、摇镜头、等专业指令？

像 Runway Gen-4.5、可灵、Sora 这些头部模型，今天已经能把文本描述 + 参考图像翻译出极具电影感的短片，用户可以控制镜头推进、景别变化，甚至在一个提示词里写下“前 5 秒是空镜，后 10 秒切到人物特写”。

第二层是速度。在做 Demo 时，等几分钟生成一个 10 秒视频并不是问题；但在真正的创作、电商、广告甚至互动游戏场景里，几分钟一次是不可接受的。你要的是试错-预览-再改的快迭代体验，甚至是实时互动的低延迟体验，这要求推理栈被彻底重写。

这也是为什么像 Vivix、Luma 这样的公司会把大量精力砸在编译器、低精度推理和多卡并行上。不是为了写更学术的 paper，而是为了把延迟打到一个能支撑交互的量级。

与此同时，视频是算力最烧钱的场景之一。OpenAI 自己估算过，Sora 这类模型在自由生成模式下，每天的 token 成本可能在千万美元量级，这也是为什么它在产品设计上必须小心控制时长和生成频率。

一端是像 Sora 这样的社交 + 创作产品，为了冷启动必须承担相当高的免费用量；另一端是广告主、游戏公司、影视公司，它们更关注的是“这条视频到底省了我多少人力成本”、“这个 API 的单价能不能打平 ROI”。

所以，真正的技术竞争，其实是把这三个变量压进一个更小的空间。在可接受的成本下，把质量做到某个阈值以上，同时把延迟打到可以撑起创作工作流甚至实时交互的程度。

从“做视频”到“用视频说话”：一个更远的终局

如果只把视频生成看成更便宜地做广告片、做带货视频，那它只是一次技术升级；但如果顺着 Vivix 等团队的视角往前走，你会看到一个更远的终局：

视频会从一种内容形态，变成一种交互语言。

今天，我们用语言和文字和模型互动。明天，越来越多的人会直接用视频和动作去和系统对话。

你给模型看一段你家客厅的视频，它帮你实时生成装修方案；你用一句话和几张草图描述一个产品，系统直接生成产品介绍短片、发布会开场视频、投放素材；你在游戏里走动、说话、做表情，身边的 NPC 和环境都在根据你的行为实时重写剧情和画面。

要支撑这些场景，视频模型必须具备三件东西：足够强的多模态理解能力，能看懂人、环境和动作；足够快的推理速度，能做到说一句、立刻给一段；足够低的成本，才能规模化进入每一部手机、每一台头显、每一个网页。

这就是为什么 2025 年的视频生成赛道看起来如此拥挤，却又如此合理。它会像触屏取代按键、短视频取代图文一样，改变我们与数字世界的关系。

文章来自于“白鲸出海”，作者 “白鲸出海”。