要更真实，还是更动人？AI视频生成走到了分岔口 | CNCC 2026

从5大视角，看AI视频的挑战与风险在哪。 作者丨 徐晓飞 编辑丨刘 伟 当下，视频生成的竞争焦点，正在从 “ 像不像 ” 转移到 “ 能不能用 ” 。 画质、分辨率、单段时长这些指标，正被不同研究团队加速填平。当画面本身的差距收敛，剩下的落差就集中在了更难量化的地方，比如叙事是否连贯，情感是否到位， AI 内容进入真实传播链路之后会引发什么。 这正是 10 月 23 日下午， CNCC 2026 大会 “ 视频生成的智与情 ” 主题论坛尝试讨论的问题。 南开大学教授杨巨峰 ，是这场主题论坛的召集人。据他介绍，这个题目实际上有更早的源头。 2024 年，包括他在内的国内十位学者联名提出了 “ 情智兼备数字人与机器人的研究 ” 。这个题目被遴选为当年度中国科协十大前沿科学问题的第一位。 而今年，这个研究方向收敛到了 “ 视频生成 ” 这条更具体的赛道上。 杨巨峰把 “ 智 ” 比作人体骨架，这块技术已相对成熟，更加悬而未决的是 “ 情 ” 的部分。 他在开场留了一道引发大家思考的题：如果非要二选一，我们希望生成的视频更真实，还是更动人？ 雷峰网作为 CNCC 2026 大会的报道媒体之一，从工程交付、底层路线到社会影响三个维度，为大家带来这场主题论坛的精彩发现。 01 AI能拍科幻大片，却拍不好刘能赵四？ 视频生成发展至今，画面本身已经不难做了，但真要拿来干活，就会遇到更细碎的挑战：剧情怎么连贯？情绪怎么对味？ 单靠一个基座大模型，显然撑不起交付。如何做更好的交付，成为摆在从业者面前的一道必答题。 哈尔滨工业大学（深圳）教授户保田 在《多智能体协作的长时序视频生成：从规则可控到叙事共情》报告中，把长视频生成拆成 “ 质 ” 与 “ 情 ” 两条线： 质是真实感的基石，要求符合物理规律和空间关系；情是感染力的来源，包含叙事审美与共情表达。 据他介绍，目前，单基座大模型能稳定生成的长度在 15 到 20 秒，再往上走，跨镜头的角色漂移、跨模态的音画错位、长周期叙事断裂会集中出现。 他举了一个通俗例子：生成《乡村爱情》里刘能、赵四那类角色的对手戏，可能比生成科幻大片还难，难点不在场面，在人物关系的连续性。 对此，他的团队主要做了三块工作： 一块是把工作流变得可控，团队面向 ComfyUI 构建生成工作流基准，用节点优化加强化学习补上长程规划短板，14B 规模的模型就能达到较高准确率，这套系统已被 ComfyUI 集成为原生插件。 一块是长程叙事，Pixel Video 用故事模板协调生成流程、维护人物和时间线状态，相关开源项目在 GitHub 上拿到 3 万 star；之后的 Video Vlog 弱化刚性规则，转向多智能体导演框架，可生成连续剧类长视频。 还有一块是剪辑，Cut Master 以共享剪辑状态为核心，能处理小时级视频，剪辑质量评分相比平均水平最多提升