文|有风

编辑|有风

Sora一出来，全网都在刷它生成的短视频，那海浪拍打沙滩的细腻感，人物发丝飘动的真实度，确实让人忍不住感叹“AI要抢导演饭碗了”。

但热闹过后，业内人都在琢磨一个问题，短视频能打，长视频呢？要是让AI生成个三五分钟的视频，它还能稳住吗？

之前看过不少AI长视频尝试，前10秒画面精致得像电影，第11秒人物突然“瞬移”到画面外，第20秒杯子自己从桌上飘起来，最后干脆变成一堆模糊的色块。

这种“开头惊艳，后面拉胯”的情况，行内人叫它“时间诅咒”，视频时长一拉长，AI就管不住画面里的物理规律和逻辑链条了。

最近上海人工智能实验室他们搞出个LongVie2模型，专门冲着这个“时间诅咒”来的。

这模型没走“堆参数、拼算力”的老路，反而从“怎么让AI理解时间”这个根子上想办法。

长视频生成的“时间诅咒”到底难在哪？

Sora之所以厉害，是把“瞬间的真实”做到了极致。

它能让一个3秒的镜头里，光影、材质、人物动作都像真拍的。

但长视频不一样，它不是“多个短视频的拼接”，而是“一个持续演化的世界”。

就像拍电影，不仅要每一帧好看，还得让人物记得自己上一秒站在哪，杯子放在哪，光线从哪个方向照过来。

之前的AI模型处理长视频，有点像“狗熊掰棒子”，生成下一帧时，上一帧的细节就忘了大半。

时间一长，物体位置跑偏、光影突然变化、情节接不上茬，这些问题全冒出来了。

有人试过把长视频拆成多个10秒片段生成，再拼起来，结果衔接处人物“换脸”、场景“跳戏”，还不如不拼。

行业里对长视频的需求其实挺迫切的，影视公司想让AI自动生成片花，教育机构需要动态教学视频，连虚拟主播直播都得撑够时长。

但现在的技术，要么生成时间短，要么逻辑崩，根本没法用，LongVie2就是想把这个缺口填上。

LongVie2的三招“破咒”秘籍

LongVie2的思路挺有意思，它不跟短视频较劲，而是把长视频当成“AI需要持续照看的世界”。

简单说就是三招，先给AI装“导航”，再让它练“抗造”，最后帮它记“历史”。

第一招，是给AI装“世界导航系统”。

之前AI生成视频，全靠“感觉”，模型自己隐式记住画面里有啥。

但记着记着就乱套了，LongVie2直接给AI塞了两种“地图”，一种是稠密信号，比如深度图，告诉AI“这个桌子在人物前面，距离3米”。

另一种是稀疏信号，比如关键点轨迹，给人物手脚、物体中心标上“运动路线”。

有了这俩，AI就像开车开了导航，知道“下一步该往哪动，不能撞到啥”，人物不会突然“瞬移”，物体也不会凭空消失了。

第二招，是让AI练“抗造能力”。

咱们平时拍视频，手机晃一下、光线变一下，画面可能模糊，但人眼能自动忽略这些小毛病。

AI不行，输入有点瑕疵，生成的画面就跟着崩。

LongVie2反其道而行之，训练时故意给AI喂“坏素材”，模拟画面模糊、帧间抖动这些长视频常见问题。

就像运动员在高原练耐力，AI见多了“烂输入”，再遇到类似情况反而能稳住，生成的画面不会越到后面越糊。

第三招，是帮AI记“历史账”。

写文章得前后呼应，长视频也一样。

LongVie2生成新片段时，会主动回头看“上一段结尾”，人物位置、光线角度、物体状态，都要跟前面对得上。

还专门设计了个“衔接损失函数”，哪没对上就“扣分”。

这么一来，视频就不是“一段一段拼的”，而是“一个整体长出来的”，情节跳戏的问题少了很多。

LongVie2真能解决长视频难题吗？

光说不练假把式，LongVie2团队搞了个叫LongVGenBench的评测标准，专门测长视频。

里面有100个视频，每个都超过1分钟，有拍自然风景的，有人物活动的，还有虚拟场景的。

拿这个标准一测，LongVie2确实比之前的模型稳得多。

我看了几个演示视频，有个“人物连续行走3分钟”的例子，之前的模型走1分钟就“飘”了，人物脚不沾地。

LongVie2生成的版本，人物步态、位置变化都自然，连影子跟着光线动的细节都没出错。

还有个“厨房做饭”视频，从切菜、倒油到炒菜，锅铲、食材的位置全程没乱，看着跟真人拍的差不多。

团队还做了个“减法实验”，去掉三招里的任何一招，效果立马掉下来。

比如没了“导航系统”，人物就容易“跑偏”，没了“抗造训练”，画面后半段就开始糊。

这说明三招是真有用，不是凑数的。

AI长视频的下一步会怎么走？

LongVie2的突破，不光是技术上的，更重要的是换了个思路，不追求“生成得多快多炫”，而是先解决“生成得多久多稳”。

这种“以时间为本”的思路，可能会成行业新方向。

接下来，估计会往更复杂的场景走。

现在LongVie2能搞定单人物、简单场景，以后要是多人物对话、动态天气变化（比如突然下雨），AI还能稳住吗？

还有“可控性”，现在能控制人物走直线，以后能不能让AI按剧本“表演”，比如“先哭后笑”这种情绪变化？这些都是要啃的硬骨头。

对行业来说，这事儿喜忧参半。

好的是内容创作门槛会降很多，小团队也能靠AI生成高质量长视频。

但坏消息是，以后看到的视频，可能分不清是真人拍的还是AI做的，版权、真实性这些问题得提前想办法。

总的来说，LongVie2算是给AI长视频开了个好头。

从Sora的“瞬间惊艳”到LongVie2的“持续可信”，AI视觉创作正在跨过“时间”这道坎。

说不定过两年，咱们在网上刷到的短剧、教学视频，背后操盘的就是这些“会记时间的AI”了。