6毛一秒后，AI视频开始补物理课

生成视频的单价在跌，拿到可用镜头的成本却未必下降。 AI 短剧让这笔隐性开销变得具体。人物转身后五官变样，连贯的动作中途断裂，台词与口型对不上，几秒钟的画面就足以暴露问题。观众只需一瞬间就会出戏，制作团队却可能为此重做整段镜头。生成费用降了，返工仍然要付钱。 价格竞争因此只能解决视频生产的一部分问题。可灵、MiniMax、字节Seedance和 Google Veo 等模型，让创作者有了更多选择；圈内流传的“6毛一秒”，也强化了生成视频越来越便宜的印象。不过，不同报价对应着不同的分辨率、时长、音频能力和套餐条件，很难直接当作同一把尺子。对付费用户，更有意义的比较是：交付一条合格镜头，究竟需要花多少钱、等多久。 越过画质与分辨率的初级门槛，这门生意正悄悄换了“卷法”：意图能不能理解对，动作连不连贯，事情发展合不合常理。 落到AI视频实际创作中，这最终影响的是生成效率：同一段镜头需要尝试多少次，才能得到一条连贯、自然且具备可用潜力的结果，往往比单纯的每秒价格更能反映视频生成的真实成本。 9月16日，智象（HiDream.ai）推出原生全模态视频模型 HiDream-O1-Video-1.0（下文简称HiDream V1），被视为这个行业转折的样本。 其将物理规律和模型智能放在了产品叙述的中心，希望改善的，是模型能否理解要求、保持动作连贯，并让事件按合理的因果关系发生。 在这款最新模型上，智象把篇幅留给了物理规律和模型智能水平。 在一次内部讨论会上，创始人梅涛和团队在白板上用彩笔写下对世界模型的设想。正中间是一行红字：“mold the world”，建模世界，也建构世界。 在智象CTO姚霆眼里，这款视频模型距离真正的理解世界仍有距离。 姚霆说，智象对于原生模全态模型架构的底层思想，仍然是让各个模态都在统一框架下生长，在上面长出图像生成模型、长出视频生成模型、长出世界模型，但其中，他们会对于如何在这个底层框架上长成真正的世界模型，作出新的探索和尝试。这也是这家公司独特的技术风格和基因。 梅涛把世界模型拆成三步：先学各种模态的表达，对现实完整建模；再结合物理法则和因果推演，也就是 Reason the world；最终顺着人的想法把物理世界重建出来，即 mold the world。 这次发布强调的物理规律与模型智能，正卡在推演与建构之间。这也是智象几类模型里最靠近 mold the world 的一次尝试。视频模型补齐，这家公司的世界模型拼图才算齐整。 近半年，头部模型轮番降价，圈内传出“6毛一秒”。尴尬的是，成片流水线上的试错开销一点没省。 具身智能，成了考量视频模型能否理解现实的另一道试题。归根结底，考的都是对物理世界合不合理的推演，正是梅涛所说的“Reason the world”。 从理解到建构世界：最关键的指标是智能水平 视频模型的下一道门槛，是把漂亮画面变成可靠的叙事。 2025年6月北京智源大会上，梅涛曾将尚未解决的问题归为叙事性、稳定性和可控性。梅涛与姚霆对行业“Aha moment”的描述也很具体：用户交出一份剧本，系统生成一部符合标准的长片。这个目标同时要求模型理解故事、安排镜头，并让前后发生的事情彼此说得通。 HiDream V1支持文本、图片、视频多模态输入，直接输出音画一体视频。在 Artificial Analysis 带音频图生视频榜上， 这款模型排名全球第四，和MiniMax H3、字节 Seedance系列、阿里wan 3同处于全球头部视频模型梯队，中国最顶尖的视频模型正在形成集群竞争的态势。 我们选择在此时，和姚霆再次交流。 HiDream-O1-Video-1.0 从立项到发布用了半年左右，姚霆把这一代与此前视频模型的差别归到三处。 其一是理解模型，先用它读图和读文本，再据此规划。也就是，先理解，后生成。把对输入内容的理解前置到生成之前。 其二是原生全模态架构，视频、文本、音频被放进同一个共享空间里交互，注意力机制采用 linear attention 与 full attention 的混合模式，在速度和效果之间换到更好的权衡。 其三是后训练，用强化学习把物理规律合理程度和音画同步程度顶上去。真正拖慢进度的工程难点落在两处：前期多模态数据的采集与对齐，以及训练框架的并行，后者对 infra 的要求很高。 技术架构的创新是这款视频模型的亮点，姚霆说，这套思路的起点是一次针对性评测。 团队把市面上的视频模型摆在一起测，发现制约智能水平的关键正在于物理规律做得差。姚霆的判断是，世界模型与别人的分野在 智能水平 ，把训练数据复刻一遍算不上智能，训练集长什么样就出什么样，那只是复制。 为了提升智能，HiDream V1让前置的理解模型先读懂画面里的物理规律、读懂文本，再做一轮规划：镜头多长、场景在哪、画面里有什么、用哪种景别和构图、台词与背景声怎么设计。 「这组三支视频中，第一支视频为HiDream V1生成，其余两支 为模型A和模型B生成 」 提示词：[0秒-4秒] 黑暗泥泞的战壕里，一位疲惫的士兵面部特写，他正对着无线电轻声耳语。台词：“我们需要支援，动作轻点。” 环境音：微弱的风声。[4秒-10秒] 突然他抬起头，拼尽全力大吼。台词：“小心炮袭！” 音效：巨大、震耳欲聋的爆炸声和刺耳的警报声。 规划清单里权重最高的部分交给物理，物体在重力下怎么落，碰撞怎么反馈，惯性怎么延续，光影怎么衰减，空间怎么保持连续。理解结果作为条件信号灌进原生全模态模型，充当生成条件，物理规律的合理性和音画的同步程度都能明显抬升；再通过强化学习，把物理规律的合理程度往上推。 该视频由HiDream V1生成 把最下面的支撑书突然抽走，中间的书和橡皮随即自然下落。无论是失去支撑后的运动反应，还是物体之间的联动变化，都符合真实世界的物理逻辑，说明模型对重力和受力关系的理解已经比较到位。 类似以上镜头在视频生成实践中往往是抽卡重灾区：支撑物被抽走的瞬间，上面的物体要么定在半空，要么乱飞穿模，生成十几条也未必挑得出一条能用的。物理规律遵循得好的直接收益就体现在素材可用率上——少抽卡、一遍过、能直接剪。 这套设计的原因是语言模型对物理规则的理解本身就够用，它能做物理题，缺的是把这层理解迁移到视觉模型。这个缺口，是否能通过补充数据、堆叠3D仿真合成的样本解决？答案是不能。姚霆当然也承认边界，因为现在还没有模型能百分百解决物理规律，而智象的目标是把视频模型在这块的智能水平往上提一提。 姚霆告诉笔者，所谓的智能水平，从几个角度衡量，首先，是对用户意图的理解；其次是对生成过程的强推演；第三是对物理规律的体现。 梳理下来，这套解法由内向外递进：先借意图前置理顺物理关系，避免主体走样、动作变形；再通过原生联合建模锁定声画同频；最后由内容决定镜头长短，回应梅涛强调的可控性。 第二步是声音与画面一起跑。音画同生指的是声音随画面一起生成，敲击、说话、环境变动与对应的声音天然踩在同一个节拍上，无需等视频做完再贴一段配乐。对做视频后期剪辑来说，这省掉的是一整道对轨工序——爆炸声不用再逐帧手动去卡。 姚霆解释，这条路线的收益与代价是，原生音画联合建模的优势在于对齐，感知上更自然；若走业内常见的两阶段方案，先出画面再贴