今年三月，OpenAI 突然宣布放弃 Sora，此时距离其预想中的 Sora 2 发布仅有短短半年。回想当年 Sora 发布时的盛况，可谓是刷屏朋友圈许久。在 Seedance 2 和可灵 3 发布之前，Sora 2 曾是不折不扣的全球第一视频大模型，在硅谷大厂中，唯有谷歌的 Veo 能与其相提并论。然而，随后便是石沉大海。当时的情况十分诡异：OpenAI 全面关闭了包括 API 在内的所有 Sora 服务，并宣布将在一段时间后清空用户数据。此前刚刚与迪士尼签下的十亿美元投资协议自然也就化为泡影。OpenAI 彻底退出了方兴未艾的视频生成模型市场，且毫无保留。若数年后重返，恐怕得从零开始，因为 Sora 的技术遗产已失效。
对于这一令人费解的现象，当时市场主流的解释是：OpenAI 要集中精力攻克编程能力，抢占方兴未艾的 Agentic Coding 与 Workflow 市场，因为当时这一领域已被 Claude 占据。这一解释虽有几分道理，但为何 OpenAI 不保留一块根据地，比如为特定企业客户提供视频生成服务？为何要彻底退出？虽然视频生成消耗算力，但 OpenAI 难道连有限规模的算力都无法承担吗？还有一种更为荒谬的解释，认为“视频生成市场根本不赚钱，很快就会灭亡”——这主要见于知乎等精英论坛。自 2022 年底 ChatGPT 横空出世以来，知乎对 AI 行业的技术和市场判断几乎全是错误的，堪称完美的反向指标，对视频生成的判断不过是这群所谓“技术人才”众多愚蠢结论中的一项，不值一驳。
过去一周，随着 GPT-6 Astra 的爆红，在与影视行业朋友的交流中，我总算领悟到了真相：当初 OpenAI 毅然放弃 Sora，可能是因为它早早预见到现有的原生视频生成模式无法满足工业级影视作品的需求，至少无法单独满足。今后的精品化、能登上大银幕的视频生成，离不开 Agentic Coding 的模式，而 Astra 恰恰在这方面取得了突破。结果就是，Astra 虽然不是一个视频大模型，也没有视频生成能力，却正在成为视频生成中不可或缺的重要工具。
原生视频模型，无论是 Sora 还是 Veo，可灵还是 Seedance，海螺还是 HappyHorse，都无法克服一个致命问题：随机抽卡带来的不确定性。由于视频生成本身具有随机性，缺乏可调度性，导演永远无法精确控制一切。细节问题（如一致性）或许可以通过反复抽卡解决，但关键的调度和镜头语言问题，无论抽多少次卡都难以实现。在短剧乃至部分互联网原生短剧中，这不是大问题。红果上每天涌现的上千部 AI 短剧（含 AI 真人剧和漫剧），绝大部分缺乏复杂的调度和镜头语言，观众看的是剧情。不过这个市场也很容易饱和，尤其是竖屏短剧市场，变化空间太小，我估计现在其实已经接近饱和。接下来的增量恐怕还得指望横屏和大银幕（包括电视屏幕），那是真正有可能做出差异化的地方，且制作单位的预算明显更大。
Astra 的诞生给了视频制作者一个崭新的选择：是否通过 Astra 编程操纵 Blender 等专业 3D 建模软件，构建完整的场景，甚至设计主要人物的运动轨迹，从而实现“调度”？别误会，这样生成的东西本身还不是工业级的视频，无法直接给观众看。但是，上述内容可以输入到 Seedance 或可灵里面，作为 Prompt 的一部分，这对输出精度的提高将是巨大的！举个例子，以前想做一个复杂的动作戏，主人公和反派在西部酒吧场景里拔枪互射，现场十分混乱，道具被破坏，人物运动眼花缭乱，最后当然是主人公成功击杀反派。这种复杂场景是原生视频模型的噩梦！你只能用尽可能详细的文本，加上大量图片（最好有手绘图）去调教模型。至于每个道具（如桌子、椅子）的具体方位、形状和材质，就更难把控了。附带说一句，大部分视频模型对每个场景能输入的图片 Prompt 数量有限制，你不可能通过无限制补充图片的方式去完善一切细节。最好的方法当然是交给视频模型一套 3D 建模，把这个 3D 场景本身作为 Prompt，复杂的人物和道具关系就一劳永逸地解决了。说起来容易，可是做起来呢？传统 3D 建模要花多少人力物力？我们用 AI 做视频就是为了节约成本，如果还要在 3D 场景构建上花大钱，岂非南辕北辙？而且就算花了钱也不一定完成任务，优秀的 3D 艺术家和技术人员都很难找。Astra 把这个问题解决了：它能通过 Coding 操纵专业 3D 软件去构建场景和人物，让人物在场景里“走戏”，从而真正解决 AI 视频的调度问题。如果你只想要一个示意、效果展示，或者简单的 PV，其实 Astra 加上 Blender 都已经足够了！
要做复杂的、比较长的视频，则还需要用到原生视频模型。公允地说，就视频生成本身而言，Seedance 仍是目前最好的。然而，不管接下来视频模型如何发展、谁占据第一，Astra 这样具有强大 Agent 能力的文本模型，已经不声不响地占据了“指挥官”的地位：你想做的东西越复杂、对精确度的要求越高，就越要依靠 Astra（或其同类模型），而且它们的 Agent 能力还会进一步水涨船高。Seedance、可灵、Veo 在 AI 视频中发挥的作用虽然不可或缺，但不是“最重要”的。就像在球场上，它们最终可能只是“工兵”或“角色球员”，而 Astra（或其竞品）则是中场组织者。我们都知道，后者的身家和薪酬会远远超过前者，现在已经有这个趋势了。
那么，视频模型的开发者知不知道这一点呢？显然是知道的。我认为 Seedance 的开发者——字节跳动，早就意识到了，并在考虑对策。Astra 发布没多久，就传出了字节跳动要基于 Seedance 去做“世界模型”的说法。媒体猜测这是要进军游戏乃至元宇宙产业，但我认为字节跳动目的更实际，就是通过世界模型，为视频创作者提供更自由、更精确的调度空间。再过两三年，AI 视频创作或许就是让 3D 建模的角色在世界模型里面“演出”一遍，再把演出视频进行修改润色，最终包装生成为工业级视频。这与传统影视行业的制作思路一致！由此看来，五个多月前 OpenAI 突然宣布放弃 Sora，简直就是一个英明的战略决策。Sam Altman 当时就想到这一层了吗？不得而知，反正结果是很好的。这对于整个 AI 视频赛道也是好事。我始终认为，只有尽可能摆脱抽卡带来的不确定性，AI 视频才能进一步打开自己的天空，超越短剧层面，进入更宽广的未来。我非常期待这个未来！