自2022年底，OpenAI发布ChatGPT引爆AI浪潮之后，2024年2月15日，OpenAI又推出了一个标志性产品——强大的文本转视频模型Sora。自那之后，很多国产大模型玩家就开始从文本生成大模型，开始向视频生成大模型进攻。
比如，字节、快手等互联网大厂已经推出了自己的视频生成大模型，尤其是快手可灵推出的时间最早，且功能比较强大。智谱AI、Minimax等大模型创企也推出了智谱清影、Video-01等新视频生成模型。
但是，百度至今却并未推出Sora类的视频生成模型。今年四月，《中国企业家杂志》曾经写过一篇文章叫做《李彦宏还缺个Sora》，文章中说，“现在，他需要一款像Sora、Kimi这样的爆款，再次证明百度在AI浪潮中引领者的地位。”
可惜李彦宏却并不这么认为。在2024年Q3总监会上，李彦宏说：“Sora这种视频生成的投入周期太长，10年、20年都可能拿不到业务收益。无论多么火爆，百度都不去做。”
百度为啥不做视频生成模型？仅仅是因为商业化一句话就解决了吗？我看未必。
第一，做视频生成模型，相当于从0到1重新创业。
很多人可能不太清楚，觉得文字生成和视频生成都是类似的大模型技术，只是数据不一样而已，认为只要替换数据，视频生成模型就做出来了。但是实际上并不是这样。
文字生成模型现在大家都在说多模态能力，其实现在基本都是限制在文字、图片和语音，也就是可以输入和输出文字、图片和语音，但是视频数据很难。所以现在做视频生成模式并不是在大语言模型基础上做的多模态，而是另起炉灶，用扩散模型、生成对抗网络等技术来搞的。
所以，视频生成模型，并不是大语言模型的多模态能力，不是简单的数据替换那么简单……
从0到1重新做一个大模型，那就意味着又是一笔巨量成本。大家都知道，做一个模型最大的成本就是训练和推理所需要的算力成本。据了解，Sora 模型的训练和推理所需的算力需求分别达到了GPT-4的4.5倍和近400倍。
Sora为啥在年初公布之后这么久了还没有开放给用户？就是因为成本太高了。OpenAI CTO Mira在最近的访谈中提到，视频生成的成本问题是 Sora 暂时还不能对公众开放的原因。
第二，视频生成的技术挑战太多，技术不成熟导致需求不高。
虽然说国内外很多大厂都在追视频生成模型，但是真正做出来的产品其能力确实还差点意思。很多人吹牛说什么电影人要被淘汰了，说某个视频生成模型是电影级别的，但是实际上呢？只能生成几秒钟，能有十几秒就已经非常不错了，谁家电影只有十几秒啊？
还有就是视频质量确实难以保证，就算是目前最为火爆的可灵，说实话也就是矬子里拔将军，全靠同行衬托，可灵只是在一众菜鸟玩家之中显得能打而已，但是，要说实战能力，和真人实际拍摄那还差着远呢。
毫不客气地说，所有视频生成模型都还有巨大的提升空间。
光我说不行肯定显得不客观，而最能证明现在的视频模型还不够好的证据就是用户不认可。据SimilarWeb统计，位居全球前列的AI视频生成企业Luma AI网站在9月的总访问量仅为1181万次，环比下跌38.49%；红极一时的Pika在9月总访问量仅110.8万次，环比下跌9.78%。
为啥现在的视频模型做得不够好？因为有很多技术挑战还没有解决。比如，在处理多元素的复杂场景时，视频生成的连贯性和细节控制往往难以达到预期。
第三，最重要的是不赚钱，成本赚不回来，更别提盈利了。
在之前的一篇文章中我回复过一个读者，我说，我们很多大厂以及 AI 六小虎还是非常看重成本控制和商业回报。你看，百度不下场视频模式，最重要的考虑就是商业化的问题，不赚钱所以不想做。
那快手和字节为啥要做视频模型？因为不仅仅要考虑商业化，还要考虑长期的技术壁垒问题，而且，这两家拥有国内最为丰富的视频用户数据，这就是最大的天时优势。既然占据了这个优势，那不放大优势那就很不合理。
对于快手和抖音来说，视频生成几乎是注定的方向。据硅星人报道，对可灵的大力投入，一个重要动力是为了服务于快手的内容生态——2023年，首次在快手发布短视频的创作者就有1.38亿。还有就是服务快手的电商生态。
但是反过来看百度，其实其最大的数据优势还是停留在文字领域，视频和图像数据的积累并不多，因为并没有相关方向的爆款产品和巨量用户。
从成本、盈利和需求三方面，我们能看到百度不做视频生成模型确实有其理由。不过，岛主还想说的一点是，大厂应该是最有“理想”的玩家，也就是说，大厂实际上承担着试错的历史责任。
即便从很多现实考虑不想做视频模型，但是视频生成的确是目前最有想象力的赛道之一，百度作为最早押注AI的大厂，理应更有热情和动力去奔向“星辰大海”。
当然了，我也并不想要道德“绑架”百度。作为一家商业公司，有自己的商业考虑非常正常。只不过百度缺席视频生成赛道，总会让人感觉国内的AI市场少了点什么。
毕竟，李彦宏是那个在巴黎讲述中国AI的那个男人。
