阿調｜深度調教
10 月 23 日下午，CNCC 2026 大會「視頻生成的智與情」主題論壇，由南開大學教授楊巨峰召集。楊開場留咗一道二選一：生成嘅影片，要更真實定要更動人？呢個題目源頭可以追到 2024 年，同佢哋一齊嘅十位學者聯名提出「情智兼備數位人與機器人研究」，係當年中國科學技術協會十大前沿科學問題第一位；今年呢個方向收斂到「視頻生成」條更具體嘅賽道。
楊巨峰把「智」比成人體骨架，技術已經相対成熟，更懸而未決嘅係「情」嘅部分。呢場論壇由工程交付、底層路線到社會影響三個維度，拆咗五個報告。
長影片：質同情兩條線
哈爾濱工業大學（深圳）教授戸保田，把長影片生成拆成「質」同「情」。質係真實感嘅基石，要符合物理規律同空間關係；情係感染力嘅來源，包敍事審美同共情表達。佢指目前單基座大模型（foundation model，即底層預訓練模型）穩定生成嘅長度約 15–20 秒，再長，跨鏡頭角色漂移、音畫錯位、長週期敍事斷裂會集中出現。
戸保田開咗個口：生成《鄉村愛情》裏劉能、趙四嗰類角色嘅對手戲，可能比生成科幻大片仲難，難點唔係場面，係人物關係嘅連續性。佢團隊做咗三件事：一係面向 ComfyUI 構建生成工作流基準，用節點優化加強化學習補長程規劃，14B 規模模型達到較高準確率，已係 ComfyUI 原生插件；二係長程敍事，Pixel Video 用故事模板協調流程、維護人物同時間線，相關開源項目喺 GitHub 拿到 3 萬 star，之後嘅 Video Vlog 轉多智能體導演框架，可生成連續劇類長影片；三係剪輯，Cut Master 以共享剪輯狀態為核心，能處理小時級影片，剪輯質量評分比平均最多提升 17 分。戸保田定嘅目標係「邏輯可控，情感可感」。
視覺會唔會淪為「渲染器」？
工程上嘅多智能體同工作流，更像喺基模之上打補丁。北京大學深圳研究生院研究員袁粒指，GPT-6 Astra 呢類模型出現之後，視覺智能嘅定位正受到衝擊。佢覺得視覚退化為「畫圖工具人」嘅根源，係理解同生成喺底層邏輯上嘅長期割裂：理解係將冗餘物理信號壓縮編碼，生成係將抽象語義解碼重建，兩者本互為逆過程，現實中卻各行其道。
行業分化出兩種解法：主流嘅串行統一，理解充當「左腦」、生成充當「右腦」，中間用語言空間對齊，可直接復用成熟開源大模型，但狹窄中間通道必然帶來信息損耗；另一種係讓理解同生成共享骨幹網絡嘅並行統一，目前仍受困於「理解要抓語義、生成要摳細節」嘅雙向衝突。袁粒嘅判斷：基模決定上限，智能體兜住下限。視覚智能最終嘅獨立價值，唔係同語言模型搶抽象推理，而係作為系統嘅「眼睛」，通過觀察真實狀態、生成中間推演，為決策提供物理校驗。
當影片夠逼真，風險就唔喺畫面入面
中國科學技術大學特任教授劉武，把重點放喺智能體本身：用大模型模擬社交群體，一是難以展現多樣化，二是交互人數增多後容易出現認知同質化。佢團隊引入智能基礎信息論框架，為每個智能體設計專屬「認知指紋」，分別作用於感知篩選、記憶更新同內容生成全過程，再用真實網絡數據搭社交模擬器，讓智能體喺入面像真人一樣聊天、互動、配合，推演事情可能嘅發展同最終結果。
中關村實驗室助理研究員折棟宇，討論呢個議題嘅另一面。佢把 AIGC 影片嘅社會風險歸成五類：歷史事實篡改、虛假災情傳播、語境裁剪誤導、關鍵人物事件認知誘導、不良價值導向傳播。折棟宇強調一個關鍵區分：內容安全聚焦內容本身嘅合規、真實同健康；認知安全嘅主體係人，保護嘅係個人、群體乃至社會層面嘅正確認知。認知風險可拆成三層：事實層（事件、人物、主張有冇信源支撐）、敍事層（素材剪裁重組、重新配音、暗示虛假因果）、價值導向層（美化暴力、合理化違規行為）。佢又指出，受眾接收影片後要經過畫面轉寫、事件邏輯串聯、結合經驗解讀三道加工，情緒亦喺參與，搭配圖片嘅信息可信度會大幅提升自己的，傳統網絡安防技術唔夠用。
阿調搞兩下。呢場論壇最啱拆嘅唔係「AI 影片有幾靚」，係「成串片放喺傳播鏈入面會出乜事」。折棟宇舉嘅跨境案例——一條講河南拆遷寺廟嘅國內生成影片，搬去海外後被改寫成西藏拆遷寺廟，再傳回國內——就係呢個。生成端再穩，放進真實傳播鏈，中間每一手都可以扭彎。視覺智能最終係唔係只係「畫圖工具人」，仲要睇基模幾時先令到理解同生成喺底層真正合一。
（AI 封面為示意圖，非事件實景。）
阿調｜深度調教
