文 | 字母AI
有消息称，字节跳动视频生成模型Seedance 2.1将于近期发布，预计生成效果较2.0版本提升20%。字节对字母AI表示，此消息为假消息。
虽然Seedance 2.1未必会于近期发布，但是Seedance 2.0在海外热度大涨却是真的。
原因在于，周末，一篇标题为《中国人工智能企业在视频生成竞赛中领跑美国对手》(Chinese AI groups pull ahead of US rivals in video generation race）的文章在海外刷屏了。
文章以Seedance 2.0和可灵3.0为核心论据，得出了一个让人意外的结论“中国在AI视频生成领域，不仅领先于美国，而且这个优势还将永远保持下去。”
这个判断听起来多少有点反直觉，它更像是一种对中国AI的吹捧。毕竟过去几年，AI行业从来都是硅谷先推出某种产品，然后才有中国类似的产品，这点我们有目共睹。
但阅读完外媒的观点后我发现，确实是我想的太片面了，中国AI视频生成这块，还真就领先于美国。
文章中特地采访了几位美国AI创业者，以及使用AI视频生成技术的电影制作人，结果就是，大家一致认为中国的AI视频工具已经全面超越了美国同行。
更关键的是，这种领先不是那种阶段性的技术领先，而是一种全面领先，从数据到落地，每一个环节都领先。
不光如此，这个领先是那种“无法被超越”的领先。也就是说，这个领先地位会一直保持下去。
遥遥领先成真了？
中国AI为何将永远领先于美国AI？
文章的一个论据是，在AI视频生成领域，算法层面的差距正在快速缩小。
当前各家公司在技术架构上已经“大差不差”了。Transformer、扩散模型、时空注意力机制，这些底层技术路线已经相对透明。
所以关键问题就在于，谁掌握的训练数据质量更高、数量更多。
这正好撞上了字节和快手最擅长的地方。 抖音、快手本来就是全球最大的视频生产机器之一。
更重要的是，这些数据带有完整的用户行为标注。
哪些视频被点赞收藏转发、哪些视频完播率高，后台数据一目了然。
而且这些标注不需要人工打标，它都是用户真实行为自然生成的。这种带标注的高质量数据，你在市场上花钱都不一定买得到的。
相比之下，OpenAI和Anthropic是没有视频数据积累的。
OpenAI在推出Sora时，主要依赖的是从互联网爬取的公开视频数据，以及部分授权的影视素材。
问题就是，互联网上的公开视频往往质量参差不齐，有大量的重复内容、低质量内容，甚至是带有水印和广告的二次加工内容。
所以在训练过程中，经常出现事倍功半的情况。
在全球评测平台Artificial Analysis上，字节的Seedance 2.0、快手的可灵3.0，与阿里的HappyHorse一起，这三款中国工具包揽了文生视频和图生视频榜单的前几名。
这个榜单是由真实用户投票产生的，这也就是说，大家都觉得这三家AI视频生成的内容好看。
虽然谷歌既有Youtube作为数据源，也有视频生成模型Veo 3。
但谷歌的问题就在于约束太多，Youtube上视频时长又普遍超过5分钟，但是现在的GPU还没办法容得下那么长、那么高清的视频作为训练数据，这会导致模型在训练过程中出现故障。
这就导致Veo 3的市场反响并没有很好，低于Seedance 2.0和可灵3.0这样的中国AI视频生成模型。
Director AI创始人Ben Chiang表示。“我们尝试过的大多数美国模型，但是在视频生成方面表现都不够好”。所以他目前主要使用可灵、Seedance 2.0和海螺等中国工具进行创作。
独立AI电影制作人George Won表示“Seedance 2.0是一个改变游戏规则的工具。它能处理激进的镜头角度和速度，而不会丢失角色的面部细节或光影对比。大多数AI模型在快速运动时会开始摇晃或漂移。”
而且这种数据优势还能让产品进行“自我强化”。
字节已经将Seedance 2.0整合进了剪映等创作工具，因此字节每天还能获得超过5000万条生成视频的反馈数据。
这样一来，字节就能知道说“这条视频是用户满意的，这条是用户不满意的”。
每收到一条这样的反馈，下一代Seedance产品的发展方向就更明确一点。
这种持续的、大规模的、真实场景下的反馈循环，同样也是OpenAI和Anthropic那样的实验室环境无法比拟的。
即便投入再多资源，也很难在短期内建立起类似的数据飞轮。
技术可以追赶，算法可以模仿，但生态和数据的积累需要时间，需要用户基础，需要一个完整的产品闭环。
落地场景
企业发展AI视频，它得有一个“目的”。
数据优势只是起点，真正让技术变成竞争力的，是找到能赚钱的应用场景。有了落地场景，企业才能有动力去发展AI视频生成。
在这个维度上，字节和快手同样优于美国AI。
第一个大规模落地的场景是电商视频。
过去，为一个商品拍摄一条专业视频的成本高达数千元。包括摄影师、灯光师、场地租赁、模特费用、后期剪辑等等。
对于大多数中小商家来说，一个普通的淘宝店铺可能有几百个商品，全拍下来至少几十万元成本。
AI视频生成技术改变了这一现状。
视频基础设施公司Firework的CEO Vincent Yang表示“一家零售商要求我们为其产品页面创建10万个视频。如果没有AI，这在成本上是完全不可行的。现在，每个产品都可以拥有自己的视频，甚至可以针对不同客户定制多个版本。”
数据显示，带有视频的商品页面转化率比纯图文页面高出30%到80%，而且抖音和快手本身就是中国最大的电商直播和短视频带货平台之一。
AI生成好了视频，出门右转就能直接投放。
阿里的HappyHorse模型也明确将电商视频作为核心落地场景。它支持商品展示短视频、虚拟主播口播视频的批量生成。一个商家可以上传商品图片和简单的文字描述，系统就能自动生成多个版本的带货视频，每个版本针对不同的目标人群，使用不同的话术和展示方式。
第二个场景是广告。
传统TVC（电视商业广告）制作周期太长了。
一条30秒的品牌广告，从创意策划到拍摄制作，往往需要好几周。
有了视频生成模型，几分钟就能生成几十个不同版本的广告创意。
第三个场景是短剧。
AI短剧在2026年迎来了爆发式增长。数据显示，2026年3月AI短剧在播数量较1月增长了138%，远超传统影视内容的制作速度。
通过AI视频生成，一个小团队甚至个人创作者，几天内就可以创作出来一部短剧。
还没完，字节旗下的红果短剧平台还接入了“识图找同款”功能。
这个功能很好理解，你看短剧的时候，如果对剧中角色的穿搭、场景中的家具、门口停的汽车感兴趣，可以直接点击识图，系统会推荐同款商品，直接下单购买。
相当于是把短剧变成了一个可以带来转化的商业场景。
反观美国市场，虽然有Netflix、YouTube等内容平台，但没有任何落地和转化。
美国的AI视频工具更多停留在创意实验阶段，唯一的商业落地场景就是订阅会员。
而且就产品功能上来说，也是中国视频生成模型更适合商业落地。
Seedance 2.0可以把多张素材照片、视频、声音都放进同一个AI视频里，Sora就不行，只能通过给模型指定一张图和文字来生成视频。
这不是因为Sora的技术不够好，而是因为它缺少一个完整的商业生态来承接这些技术能力。
算力鸿沟
但中国视频AI也有一道绕不过去的坎，那就是算力。
美国头部AI是视算力为黄金，收割市面上能买到的所有算力。
Anthropic近期签订的算力协议总计超过10吉瓦。
这个数字包括租下SpaceX Colossus 1数据中心的全部算力，涵盖22万张英伟达GPU；与亚马逊的5吉瓦协议；以及与谷歌和博通的3.5吉瓦协议。
OpenAI同样如此。
通过与微软的深度合作，OpenAI获得了数十万张高端GPU的使用权，微软还为OpenAI专门建设了多个超大规模数据中心。
相比之下，虽然中国企业在算法效率优化上取得了显著进展，但在绝对算力规模上仍存在差距。
根据外媒统计，中美在AI算力上的差距在2023年时约为3倍，到2026年初已经扩大到8倍左右。
除了算力，中国AI还有其他难题。
第一个就是版权了。
以Seedance 2.0为例，在刚发布一个月左右，迪士尼、华纳兄弟、派拉蒙、Skydance、Netflix等6家好莱坞巨头联合向字节发送停止侵权函，他们称Seedance 2.0在训练阶段，未经授权大规模使用受版权保护的影视素材。
随后，字节紧急暂停原定于3月中旬的Seedance 2.0全球发布计划。
如果你从2月份一直使用Seedance 2.0到现在就会发现，以前可以生成的IP角色，现在都不能使用了，转而只能使用“路人”形象。
第二个是商业化门槛正在抬高。
以Sora为代表的美国视频生成AI，经常会因为使用条款拒绝生成请求，中国工具更宽限，而且价格也更便宜。
但这也为中国AI公司们带来了”幸福的烦恼“。
Seedance 2.0自2月以来使用需求激增，一些用户已经遇到额度受限和排队时间变长的问题。
外媒称，字节对部分美国企业客户采取了更重的商业化方式，要求客户预先支付约200万美元，用于换取模型访问权限和使用额度。
快手方面也是一样的，他们正在拆分可灵业务，未来可能推动可灵单独上市。
这说明可灵是独立业务，有比快手主体更强的增长故事。
增长故事说得越大，账就越要算得清楚。
不过AI视频的成本更高一些。用户生成一段几秒钟的视频，背后消耗的算力远高于生成一段文字。
生成的视频质量越高、时长越长，推理成本就越高。
很多视频生成模型都是如此，一开始很便宜，甚至免费，等用户涌进来后，很快就开始限额、排队、涨价。
不是公司不想放量，是地主家也没余粮了。
所以中国视频AI接下来要面对的，不只是“能不能做出好模型”，而是“能不能把好模型变成一门好生意”。
如果价格太低，用户增长越快，亏损越大；如果价格太高，没有用户，那就得不偿失了。
第三个是模型能力代差。
归根结底，视频生成的能力是建立在语言模型之上的。
一个视频生成模型再怎么牛，它也需要语言理解能力作为基础，去理解用户的提示词。然后再用推理能力，来理解场景、角色的逻辑关系，并且保持生成内容的连贯。
根据外媒的评估，OpenAI的ChatGPT 5.5和Anthropic的Mythos已经将领先国内AI公司9个月至1年。
这个代差体现在多个方面，比如推理能力、上下文理解、多轮对话、复杂任务处理等。
虽然中国在AI视频等垂直领域领先美国AI，但在通用大模型上，还是能感受到比较明显的差距。
总的来说，中国AI在视频生成领域的领先是实实在在的，但也不是高枕无忧。算力和基础模型的差距始终是悬在头上的剑。不过至少现在，我们终于不用再仰望硅谷的背影了。
