AI视频生成的下一轮竞争，将围绕稳定交付展开。

画质和运镜决定了模型能生成怎样的画面，但进入专业制作流程后，创作者还要算另一笔账，一个镜头需要重试多少次，人物和场景能否前后保持一致，修改需求又会带来多少返工。这些因素共同决定，AI能否成为可预期的生产力。

“视频生成已经完成了商业化验证，正处在从‘能用’到‘好用’的拐点上。”智象元一（HiDream.ai）联合创始人兼COO王科在云栖大会期间表示。

在他看来，物理一致性与意图理解能力，将直接影响视频生成的可用程度，要把可用的镜头组织成完整作品，还需要智能体协调脚本与分镜，处理角色设计及后期制作。智象希望同时推进底层模型与创作工作流的改进，将技术能力转化为更高的交付成功率。

图片来自AI生成

物理一致性不足，视频生成的隐性成本

围绕同一个需求反复生成，再从多个结果中挑选可用片段，是AI视频创作者熟悉的操作，这种被称作“抽卡”的工作方式可以获得出色的镜头，却也带来难以提前估计的工作量。

王科表示，这正是智象在现阶段强调物理规律的原因，随着清晰度和画面美感持续提升，专业创作对动作与空间关系提出了更细致的要求，事件的发生也需要符合基本逻辑。

“落到AI视频实际创作中，这最终影响的是生成效率，同一段镜头需要尝试多少次，才能得到一条连贯、自然且具备可用潜力的结果。”他说。

2026年9月发布的Principia研究指出，视频模型画面质量的提升，并未同步解决物理一致性问题。包括Veo 3.1等在内的参评模型，在通用视频质量评测中表现较好，但在这套专项测试中仍暴露出明显不足。

物理一致性的商业价值，需要考量综合成本。王科介绍，智象的视频模型HiDream-O1-Video-1.0加入了前置意图理解模块，在生成之前，系统会将用户模糊的、口语化的需求整理成结构化信息，明确镜头时长与场景，补充角色动作和构图要求，并处理运镜及声音安排。

这相当于在创作者与生成模型之间增加一次需求拆解，用户提出的创意被转化为可以执行的镜头安排。此外，智象采用自研的原生全模态UiT架构，让文本、视觉、三维以及动作等不同模态的信息以更接近原始形态的方式进入同一模型，在统一表征空间中完成理解与生成，借此改善不同信息之间的衔接，以及视频生成中的物理合理性。

Agent进入制作流程，竞争落到交付能力

单个镜头的生成质量提高之后，完整作品的制作涉及另一层复杂性。

角色需要跨镜头保持一致，声音要与人物匹配，场景转换要承接叙事，已经确认的素材，也需要被后续环节正确使用。制作过程中，一处角色设定或镜头安排的修改，都可能牵动其他部分。

王科介绍，智象旗下的影视创作协作智能体帧赞，将剧本分析与分镜生成纳入同一工作流，并整合角色设计及后期处理能力，支持与制作方已有的素材库和版权资产库打通。

24集AI仿真人短剧《阎魔的宠妃》是一个典型案例，一个5人团队借助帧赞，在15天内完成了130分钟内容。

相比单纯压缩制作人数，人如何参与这套流程，更值得关注。王科将理想的人机分工概括为，“Agent负责‘执行得对’，人负责‘定义什么是对的’。”

创作者应当保留对创作意图的定义权，把控关键分镜与叙事走向，并决定作品的审美风格。创作者的职责也会随之调整，王科认为，能够定义问题并把控叙事的人，可以借助AI调动更多执行资源，标准化程度较高的执行环节则会受到更明显的影响，一个小团队需要承担的创意决策和质量把关责任并没有减少。

深入这些具体流程，也是智象与资源更充足的竞争者争夺客户的一种方式。

王科将公司的差异化概括为底层架构创新，以及模型与智能体的产品化能力，在他的判断中，自研模型与垂直应用之间的快速协同，能够缩短技术能力进入产品的路径。

“未来1—2年的核心竞争点，我认为会从‘模型能力比拼’转移到‘工作流闭环能力’。”王科表示，能否嵌入客户生产流程，提高交付成功率，将成为商业化的关键。（本文首发于钛媒体APP，文 | TechPulse）