借sora，看AI視頻的下一次進化在哪？

文：王智遠 | ID:Z201440

身邊不少人國慶都在玩sora。

有人感嘆太上癮了，一句話想生成什么，就生成什么；有人發朋友吐槽，這快趕上發抖音的絲滑了；還有人，已經抓住流量密碼，做出不少爆款。

看著他們玩，我突然意識到，AI視頻的格局終于變了。

變在哪呢？過去AI工具，總讓人覺得要先「學會用」，sora不一樣，它第一次成為「人類表達的延伸」，這是一種巨大的價值觀轉向：

從「讓機器更強」，到「讓人更自然」。

它打破了從模型到內容、從內容到表達之間，那些肉眼看不見、卻能感受到的門檻。

01

但凡用AI視頻工具，都曉得像在交作業；你得先上傳圖片，再選模板，再寫提示詞，最后點「生成」，一套流程走下來，稍微哪一步不對齊，結果就跑偏。

Sora 的邏輯，正好反過來。

我說一句話，后面的事，它全搞定，什么鏡頭、配圖、節奏，都不用操心，直接把腦子里的那一幕，「顯化」出來。

這背后，可能是兩種完全不同的產品世界觀。

什么世界觀呢？

國產 AI 視頻底層，是「制作邏輯」，它服務「專業生產內容」的人，所有設計，都為了讓視頻更完整、更漂亮、更符合模板，Sora是「表達邏輯」，面對99% 想「表達自己」的人。

所以，看起來，前者靠規則；后者靠理解。前者讓視頻更精準；后者讓人更自然。

昨天刷到一個視頻。

博主用《從你的全世界路過》里豬頭那段對白，做了個國慶小短片，它把「假期」寫成了一個人，用對話的方式說再見，柔軟、細碎，卻讓人突然破防。

文案是這樣的：

還會再見嗎？下次國慶再見的時候你要變長好不好？你要變長，不要調休好不好？你走了，我下半年沒假了。沒關系，你要自己變長。國慶沒有你，我下半年怎么過啊？

我覺得挺有意思，就讓 AI 也幫我寫了一個。文案是：

你走了。我還沒準備好。國慶，我還想再見你一面；哪怕再堵一場高速，再擠一次人海。你能不能別走得那么快？就再陪我發一會兒呆也好。你一走，地鐵又開始擠，郵件又開始多，連風都變得很趕。

我也想做一個帶聲音的小短片，講那種節后第一天，人還在上班，心還在放假。于是，把這段文案丟給了可靈、即夢，豆包、還有百度蒸汽機。

一通折騰，感覺像在開盲盒，有的聲音對不上，有的節奏亂，還有的非得讓我補首幀、尾幀、再加描述……差點放棄了。

后來，試著給 Sora。我說了一句話：我現在有一段文案，請幫我做成短視頻，用我的頭像，希望你能懂我想要的感覺。

五分鐘后，視頻出來了。整個過程，我一句提示詞都沒改；畫面有點 AI 味兒，但那種「我懂你想說什么」的感覺，特別準，如下：

那一刻我明白，制作邏輯追求精準控制，表達邏輯追求情緒共鳴。我后來總結了一個詞：

表達意圖的可視化。

AI終于能幫人「說人說話」了，你不用教它該干什么，它就能把腦子里的那一幕顯現出來，這是一種新創作關系的改變。

02

我在想，同樣做視頻，服務專業創作者和普通人，最大的區別到底在哪？

經過多個作品比對，我明白了前者用工具，為了「完成一件事」；后者用工具，為了「表達一種情緒」。一個在意作品；一個在意共鳴。

什么是作品？什么是共鳴？

這么說吧，作品，像一支廣告片。打光完美、節奏精準、邏輯嚴絲合縫，但看的人不會轉發，因為那不是觀眾的生活，那是品牌在說話，像投放了一個廣子。

共鳴，更像一條傻白甜式的朋友圈。內能糙，構圖也歪，但有人看完就笑，說：，這不就是我嗎？然后，忍不住也想自己來一段。

臥槽

所以，如果 AI 視頻產品的設計邏輯圍著專業創作者轉，那它注定難規模化，因為，能撐起產品飛輪的，是那 99% 的「隨手一玩」。

不信，我給你看一組數據：

根據《中國互聯網絡發展狀況統計報告》（截至2024年12月）的數據，我國 20–29 歲網民中，使用生成式 AI 產品的比例已達到 41.5%，而在短視頻用戶群體中，這一比例還在快速上升。

這說明，今天的普通用戶，已經從「觀眾」變成了「參與者」了。

可在短視頻平臺崛起之前，情況完全不同，當時專業內容早創作者早就有，拍得精致、調色完美、構圖精準，但轉的少，被模仿的也不多，而且還讓人覺得有距離感？

這是為什么呢？

因為太像「作品」了，完美得讓人不敢靠近，很多人也覺得自己做不出來；抖音、快手爆火時，邏輯恰恰相反，扭個腰、搖個頭、對個嘴、踩個點，看起來傻，卻讓人想參與。

這就是傳播的底層邏輯：

「參與感，永遠比欣賞感更強。」

短視頻降低了表達的門檻，讓表達，本身成了一場全民游戲。換句話說，表達欲就是生產力。

它驅動參與、帶來模仿、形成社交飛輪，Sora 正好踩中了這條曲線，不教你「怎么做視頻」，成功喚醒作為人底層「想表達」的基因。

短視頻時代即使用戶眾多，不好意思出鏡的，依然占了大多數；總覺得鏡頭對著自己很怪，飯局上掏出手機拍攝更顯突兀。

那些看似「真情流露」的作品，往往也有點「演」。

Sora 2 解決了這個問題，它讓人不必再面對鏡頭，就能表達自己；知行合一，做你想做的一切。

如果把視角放回國內的 AI 視頻工具，情況就完全不同。

大多數廠商還在卷模型、卷參數、卷渲染，這些都沒錯，但忽略了一個更底層的問題：產品得先懂人，才有機會懂世界。

什么？懂人？難道以前的產品經理不懂人嗎？不是的，是理解的方式錯了。

中國人太愛「說教」了。一方面來自文化慣性，我們從小被教育「先學會，再表達」；另一方面，是技術心態，我們相信「掌握工具」比「理解人」更重要。

于是，這種思維被帶進了產品哲學。我們做產品，總想著先教用戶怎么用，而不是讓用戶直接用。

但這恰恰是 AI 的反命題；真正的智能，讓機器學人。Sora在人與機器之間，建了一座「理解的橋」。

03

還有，你有沒有發現，有的AI 視頻哪怕做得再逼真，總有種「拼出來」的感覺？Sora 2 視頻，哪怕細節還有點粗糙，可整體看起來卻很自然，讓人信服。

這是為什么？

我去查了下它的技術說明，結果發現，它跟國內主流的幾款 AI 視頻產品，從底層架構上，就不是一回事。

OpenAI 官方描述里提到，Sora 的核心思路，是「模擬世界」，它的架構是「擴散模型 + Transformer」的組合。

簡單理解，先「搭一個世界」，再讓這個世界自己動起來；所以你看它生成的視頻，人物、光線、背景都能長時間保持一致，鏡頭切換再多，邏輯也不會亂。

舉個例子：

你說「一個女孩在雨中等人」。Sora 不會去拼「女孩 + 雨 + 打傘」這些元素。

它會先想，「等人」這個情境里，風該往哪吹、雨該多大、燈光該怎么閃，然后再生成畫面。它理解的是「感覺」，不是「素材」。

再看國內幾家。

可靈（Kling）的技術報告里提到，它用的是「3D 時空聯合注意力」。重點是讓動作更連貫，能做出一鏡到底、鏡頭感很強的畫面，更像一個「運動模擬器」，解決「動得真不真」的問題。

百度蒸汽機走另一條路。

它強調「音畫一體化」，也就是，聲音、嘴型、表情、動作，全在一個模型里生成。

所以，它的多人對話視頻，口型對齊、語氣連貫、細節出色，特別適合教學、廣告、劇情類內容。，你告訴它要做什么，它執行得很到位。

即夢海螺的思路又不同。從表現上看，它們更像「拼接式生成」，「擴散 + 模板控制 + 多階段拼接」；簡單說，「拼得快、出得快、改得快」，適合平臺化的批量生產，但情緒和邏輯容易斷。

理解這一點，就知道了，不同架構，決定了不同的使用場景。

所以整個格局，大概是這樣：

Sora 在推演世界，可靈在模擬動作，蒸汽機在對齊音畫，即夢在拼接場景。

聽起來大家都在做模型，但本質不一樣，Sora 拼「理解力」，國內拼「控制力」；拼接式架構關注「結果」，世界模型架構關注「過程」，一個理解畫面，一個理解因果。

智遠一直覺得，技術架構，是產品世界觀的投影。你怎么建模世界，決定了能不能理解人。

Sora 看起來「更懂人」，它的架構在模擬「人感知世界」的方式，從光線到動作，從情緒到邏輯，都在一個連續的空間里被推演。

這是底層哲學：讓 AI 靠近人，而不是讓人去適應 AI。

04

智遠分析認為，國內 AI 視頻臨界點是理解媒介本身。

麥克盧漢在《理解媒介》中說過：「媒介是人的延伸」。這句話太經典，卻也最容易被誤解。

他并不是否定內容，而是提醒我們：形式，才是塑造人的隱形力量。攝影機讓人第一次能「凍結時間」，手機讓人隨時能「記錄世界」，而 AI，讓人可以生成情緒。

換句話說，媒介每一次進化，都是表達方式的重構。

以前，我們要拍視頻，在「展示」生活；現在，用 AI 視頻，在「想象」生活；從展示到想象，從記錄到生成，這是表達方式的一次躍遷。

我們是信息的載體，情緒的接口。AI服務于人，人又成了它的放大鏡，它讓表達半徑變大，讓情緒的觸點更高效。

所以，當 Sora 改寫視頻時，它其實在改寫媒介，它讓說話這件事，第一次變成了一種視覺語言，換句話說，你有想法，不用解釋，就能被看見。

既然人本身是媒介，那么，表達又算什么呢？

我想用兩個詞來總結，即：「共振」或「顯化」。「共振」，是讓別人感受到我；「顯化」，是讓自己看見自己。

表達，是把那些藏在腦子里、胸口里的東西，通過思想、情緒、體驗，變成外界能看見、能觸摸的形式，有時是文字，有時是語氣，有時只是一個眼神。

真正的「顯化」，追求一致性，有那么一瞬間，讓情緒、思考、身體語言，都在說同一件事。

就像拍一個視頻，是想讓當下的感覺被看見；如果一個視頻要反復剪、反復潤色，那已經不是在表達了。所以，真正高效的表達，能在五分鐘里，把腦子里的畫面「顯化」出來。

過去幾年，我們用了太多 AI 工具，能畫、能唱、能剪。

這些能力，本質上都在服務「生產」，很可惜，它還沒做到快速高效，它能生成漂亮的畫面，卻接不住那種「一閃而過的念頭」

就像我躺在床上，腦子里突然閃過長白山白雪皚皚的畫面，那一刻，我只想讓它立刻出現在我的短視頻里，可惜，AI 還沒學會這種「沖動的效率」。

從這個意義上說，OpenAI 想重新定義人機關系：讓每個人都能「拍出腦海里的電影」。

反觀國內，很多 AI 產品技術已經很成熟了，它們理解算法，卻還不理解人；所以，也就談不上什么「表達民主化」。

當表達變得像呼吸一樣自然，AI視頻創作，才算真正地回到普通人手里；或許，這，才是 AI 視頻該做的事，瞬間，彌補那些腦袋中的空缺。