鼓狮财经7月26日讯，刚刚落下帷幕的美加墨世界杯上，腾讯云支持了全球17个国家和地区的官方赛事直播，覆盖亚太及国内三分之二的官方授权平台。本周，腾讯云副总裁、国际产品技术负责人李郁韬在接受采访时透露，此次世界杯是AI首次大规模进入直播生产环节，画质增强、智能导播、自动剪辑、智能横转竖、质检溯源等大部分环节均已由AI全自动完成。
世界杯赛事直播，仅是当下快速发展的AI时代中，AIGC开始进入大规模生产应用的一个缩影。李郁韬向记者介绍，腾讯云致力于做多模态领域的“Harness”（驾驭工程），即关注从模型生成到稳定交付给用户之间的整条产业链路，包括预处理、质检、拼接、转码、分发、格式适配等。
模型与用户需求之间的“供给关系差”
李郁韬观察到，在生成式人工智能的发展下，多媒体应用面临多重挑战。特别是在直播、点播、媒体创作等场景，受限于网络传输、视频画质、用户体验以及特性的叠加，单一模型往往只能解决部分问题。许多厂商在看到新的多模态大模型后，往往急于对接，今天对接这家，明天出了新的再对接，结果发现各种问题频发。从客户反馈中，腾讯云总结出一个共性诉求：应该帮客户把底层工作全部做好，让他们更专注于业务创新和上层应用。如何识别用户需求、找到能解决需求的模型，并修补模型天然缺陷，再将最终服务提供给用户，这是云服务厂商特别是音视频PaaS云服务厂商所要解决的挑战。
此前在6月5日的腾讯云AI产业应用大会上，腾讯云音视频发布了AI品牌“Tencent Cloud WAND”，构建了6大自研媒体专用模型与60多项AI能力，覆盖内容生成、理解、处理、编码全链路。WAND专门为电商、短漫剧、教育、赛事直播等垂直场景训练，覆盖媒体内容生产的全链路场景。
李郁韬表示，团队将把所有模型串起来，不仅包括大语言模型，也包括多模态模型，甚至包括一些小参数量的画质提升模型和应用模型。团队去年就开始做多模态领域的Harness，恰逢今年生成式视频模型增多，大家对这一概念的理解也变得更加一致。
视频生成被视为AI Coding之后第二个跑通商业闭环的场景。今年以来，音视频大模型领域竞争加速，行业格局洗牌。国内，字节旗下的Seedance、快手可灵AI形成了AI视频生成赛道的“双寡头”。据公开数据，今年3月可灵AI的年度经常性收入近5亿美元，一年内增长4倍。另有媒体报道称，截至上半年Seedance 2.0 ARR已达20亿美元，字节虽辟谣称这一收入数据“偏高、与实际不符”，但也明确提及Seedance 2.0已跨过“生产力质变点”门槛。而在海外，今年3月OpenAI宣布停止Sora的独立应用、API接口及ChatGPT内置视频功能，退出消费级AI视频生成市场。
李郁韬谈到，做To B的产品和解决方案，生态合作是摆在第一位的战略选择。同时他也坦言，团队内部在讨论，随着生成到交互之间的链路被压缩，Harness这一生态位是否会被忽略或绕过。对此他表示，至少在过去半年，观察发现这种担忧不会出现，甚至Harness的重要性还会加强。如果把大模型当成后端的生产力，生产力的提升会显著刺激前端应用需求的增长，而且需求增长的广度会一直强于生产力的提升。大模型永远无法满足最终用户的极致需求，中间存在的“供给关系差”，就是Harness存在的必要性。
在李郁韬看来，腾讯云卡位多模态Harness，最大的机会在于，很多音视频场景体验都值得重新做一遍。第二个机会点则是，“未来会有更多、更强、更全面的模型出来，如何快速将这些模型应用到企业级的生产服务里，让最终用户感受到最新的大模型体验，这是多模态Harness要解决的问题。不断把最新的模型应用到客户的最前端，整套生产流程和工具链条就显得非常重要。”
AIGC开始进入大规模生产应用
李郁韬注意到，自去年开始，整个AI算力已经开始从训练往推理倾斜，很多厂商构建推理算力的开销已经超过训练投入，这也意味着很多AIGC应用开始进入大规模生产应用。在国内，短剧、漫剧制作是典型场景，目前已大量使用多模态技术进行生产。
据鼓狮财经记者此前报道，音视频解决方案为腾讯云出海的“排头兵”，在亚太地区收入、市场份额、行业心智方面居行业第一。最近五年，腾讯云把国际化作为重要战略方向，投入大量业务资源和基础设施建设在海外做储备、布局。公司披露，近三年腾讯云在海外业务保持两位数增长。
腾讯云音视频总经理李志成在接受采访时提到，不管是短剧、漫剧还是电商、工具类场景出海，最大的共性在于，前期客户可能关注效果和影响力，但中后期都很关注ROI，即到底能不能盈利、能产生多少价值。“现在我们被问得最多的，就是短剧、电商工具的使用，我觉得未来1-2年会慢慢普及，很多用户、企业都会用起来。就跟以前的大语言模型一样，两三年前更多是垂直行业在用，现在基本上全普及了，成了大家工作中的一部分。”
鼓狮财经记者获悉，随着Agent时代到来，腾讯云前述能力还将与音视频智能体、AI硬件、具身机器人、云手机结合，依托全球基建与边缘推理，支撑AI应用快速跑向全球、就近上线。
李郁韬介绍，目前团队已与艾欧等多家具身智能企业、无人清扫车企业开展了合作，已孵化出TRRO远程实时操控（远程数智人解决方案），以解决弱网情况下机器人在人工介入时的低延时稳定通信、音视频数据回传等核心问题。
李郁韬进一步谈到，未来云厂商在多模态领域的竞争，将围绕三个方向：第一，多模态的训练和算力。不同于语言模型训练，多模态领域很大比例还投在多模态的理解和生成上。未来会有大量端到端的语音交互、端到端的视频生成，对算力的要求、对云厂商本身基建的投入都很大，所以训练和算力是未来竞争的一个点。第二，存储和数据积累。多媒体相对于文字，存储量要求更高，对存储稳定性、数据清洗和获取的要求也不一样。大量视频需要在预训练之前做数据清洗和处理，不同模态的数据要放在一起，训练前要做的处理都与语言文字类不一样，这是云厂商需要构建的竞争力之一。第三，应用生产端。云服务商提供更面向最终客户的推理服务、综合处理的应用能力，是影响云厂商能否被客户选择的重要因素。“创新趋势中产生的需求，怎么在运营端用很好的方式帮客户满足，这一点对腾讯云来说也非常重要。”