作者丨徐晓飞
编辑丨刘 伟
当下，视频生成的竞争焦点，正在从“像不像”转移到“能不能用”。
画质、分辨率、单段时长这些指标，正被不同研究团队加速填平。当画面本身的差距收敛，剩下的落差就集中在了更难量化的地方，比如叙事是否连贯，情感是否到位，AI内容进入真实传播链路之后会引发什么。
这正是 10 月 23 日下午，CNCC 2026大会“视频生成的智与情”主题论坛尝试讨论的问题。
南开大学教授杨巨峰，是这场主题论坛的召集人。据他介绍，这个题目实际上有更早的源头。
2024 年，包括他在内的国内十位学者联名提出了“情智兼备数字人与机器人的研究”。这个题目被遴选为当年度中国科协十大前沿科学问题的第一位。
而今年，这个研究方向收敛到了“视频生成”这条更具体的赛道上。
杨巨峰把“智”比作人体骨架，这块技术已相对成熟，更加悬而未决的是“情”的部分。他在开场留了一道引发大家思考的题：如果非要二选一，我们希望生成的视频更真实，还是更动人？
雷峰网作为CNCC 2026大会的报道媒体之一，从工程交付、底层路线到社会影响三个维度，为大家带来这场主题论坛的精彩发现。
01
AI能拍科幻大片，却拍不好刘能赵四？
视频生成发展至今，画面本身已经不难做了，但真要拿来干活，就会遇到更细碎的挑战：剧情怎么连贯？情绪怎么对味？
单靠一个基座大模型，显然撑不起交付。如何做更好的交付，成为摆在从业者面前的一道必答题。
哈尔滨工业大学（深圳）教授户保田在《多智能体协作的长时序视频生成：从规则可控到叙事共情》报告中，把长视频生成拆成“质”与“情”两条线：
质是真实感的基石，要求符合物理规律和空间关系；情是感染力的来源，包含叙事审美与共情表达。
据他介绍，目前，单基座大模型能稳定生成的长度在 15到 20 秒，再往上走，跨镜头的角色漂移、跨模态的音画错位、长周期叙事断裂会集中出现。
他举了一个通俗例子：生成《乡村爱情》里刘能、赵四那类角色的对手戏，可能比生成科幻大片还难，难点不在场面，在人物关系的连续性。
对此，他的团队主要做了三块工作：
一块是把工作流变得可控，团队面向 ComfyUI 构建生成工作流基准，用节点优化加强化学习补上长程规划短板，14B 规模的模型就能达到较高准确率，这套系统已被 ComfyUI 集成为原生插件。
一块是长程叙事，Pixel Video 用故事模板协调生成流程、维护人物和时间线状态，相关开源项目在 GitHub 上拿到 3 万 star；之后的 Video Vlog 弱化刚性规则，转向多智能体导演框架，可生成连续剧类长视频。
还有一块是剪辑，Cut Master 以共享剪辑状态为核心，能处理小时级视频，剪辑质量评分相比平均水平最多提升 17 分。
他给这件事定的目标是八个字：逻辑可控，情感可感。
内蒙古大学骏马计划研究员亓帆的《视频生成中的物理感知与视频情感表达》报告在另一头接住这个目标。
她把问题分成了三部分。
在物理感知部分，早期做法是用轨迹、相机、运动场这类外部约束管控动态变化，可控但不保证碰撞、受力这类物理正确。
近年的行业进展转向了物理规律引入，有研究设置了2000 种物理专家，先从文本提取规律再细化到局部视觉特征。
她的观察是，这个方向的目标已经变了：过去追求下一帧好看，现在更强调状态能否持续，以及能否对环境变化做出响应。
情感表达最靠近“情”。
她认为把控情感需要满足三个条件：明确当下发生的事件语义、定义连续的情感维度变化、设置时间结构组织情感变化过程。
一个容易被忽略的点是：视角。过往研究多关注视频内人物的情感，但要生成符合创作目标的视频，需要重视的是观众视角的情感反馈。
在配乐部分，同一段画面换上不同的配乐，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与强化学习结合，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 感太强的话，会让观众觉得油腻，而走向更自然的关键，在于产出让观众观感舒心的作品，仅仅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
视觉是否会沦为“渲染器”？
工程上的多智能体和工作流，更像在基模之上打补丁。为了解决长视频漂移和物理穿帮，大家在模型外搭满了“脚手架”，而这套打法引出一个问题：
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》报告中提到，GPT-6 Astra 这类模型出现之后，视觉智能的定位正面临新的冲击。
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，视觉退化为“画图工具人”的根源，在于理解与生成在底层逻辑上的长期割裂。
从信息论的角度看，理解是将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。
一方面，模型在语言理解中掌握的知识很难自如迁移到生成环节；另一方面，现有的视觉理解习惯将图像压缩并投影到语言空间，视频理解还要频繁抽帧，连续的物理规律和空间关系在压缩中损耗殆尽。
为了弥合这道鸿沟，业内逐渐分化出两种解法。
一种是目前占主流的串行统一，相当于让理解充当“左脑”，生成充当“右脑”，中间通过语言空间对齐。这种方式虽然能直接复用成熟的开源大模型，但狭窄的中间通道不可避免地带来信息损耗。
另一种则是让理解与生成共享骨干网络的并行统一。尽管这条路线目前仍受困于“理解要抓语义、生成要抠细节”的双向冲突，但袁粒认为这才是深度融合的必然方向。
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。
至于视觉的未来，袁粒把自己归为“视频派”。视频自带时空连续性，属于 2.5D 模态，数据成本远低于纯 3D，完全有可能直接走向 4D 动态世界模型。
而视觉智能最终的独立价值，不是跟语言模型抢着做抽象推理，而是作为系统的“眼睛”，通过观察真实状态、生成中间推演，为决策提供物理校验。
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的报告《情智兼备的多智能体内容生成与社交模拟》，把起点放在智能体本身。他的切入点是人类智能的构成：问题解决能力对应智商，群体协作能力对应情商。
他的研究工作分两块，一块是培育具备多样化共情认知和大规模社交行为能力的智能体，另一块是搭建真实映射现实的社交网络模拟环境。
这里有个绕不开的障碍：
用大模型模拟社交群体，一是难以展现多样化特性，二是交互人数增多后容易出现认知同质化，大家的认知和情感趋于一致，模拟本身也就失去意义。
他的团队的应对是引入智能基础信息论框架，为每个智能体设计专属的“认知指纹”，让它分别作用于感知筛选、记忆更新和内容生成的全过程。
Source：https://www.leiphone.com/category/industrynews/Huxl5GuqzEUo9CL9.html
