标题：文生视频模型为何迟迟没有“aha moment”？

“多模态目前仍处于GPT 2至3之间的水平，尚未迎来智能涌现的临界点。”视频生成模型公司“智象未来”创始人兼CEO梅涛坦言。他曾主导微软研究院多模态AI体系，如今致力于视频生成领域的探索。

回顾2023年初ChatGPT在国内的火爆，当时中国的大语言模型水平约为GPT 2，而多模态模型至少落后两年。两年来，国内外多家创业公司如MiniMax、Vidu、Sora虽备受期待，但进展有限。

梅涛指出，当前多模态模型面临三大问题：技术差异的原因、何时迎来突破、如何在大厂竞争中脱颖而出。梅涛的经历反映了行业的发展历程。他早在微软研究院就已涉足文生视频领域，这一方向十年前被认为是反直觉的，如今却成为主流。

从文字到图片/视频的技术路线突破了“维度诅咒”，但至今未见收敛迹象。技术迭代节点包括2015年的深度神经网络、2017年的Transformer架构、2020年的Diffusion模型及2024年的自回归架构。2022年底的Stable Diffusion架构点燃了文生图赛道，梅涛借此重启了五年前的研究。

2023年，梅涛创立“智象未来”。他指出，视频生成类产品尚未跨越大众认知门槛，受众偏专业人士，且缺乏“aha moment”。智象未来预计5月中旬推出C端视频生成类Agent应用，此前更侧重海外市场。上周，智象未来开源了image模型，目前在Hugging Face排名第三。

然而，多模态模型正面临开源势力冲击和大厂资源碾压的双重压力。行业深思：技术路线尚未收敛，算力成本高企，未来还需多久？中国创业者能否走出差异化路径？答案可能藏在下一个技术奇点中。

梅涛强调，工具革命不同于模式创新，需要耐心。智象未来计划打造全球化视频创作开发平台，为设计师提供低门槛工具，实现创意高效转化，并推动业务闭环。梅涛预计明年能看到雏形。

开源方面，智象未来认为开源能降低使用门槛，提升社区影响力。开源版本与Pro版并行，Pro版效果更优。此外，视频模型暂无开源计划，但会根据商业化情况调整。

智象未来的CTO姚霆表示，数据决定生成风格，叙事性是关键。视频模型参数量需平衡，过大会浪费资源，过小则无法充分表达内容。数据来源包括公开数据和合作影视公司数据。

针对市场竞争，梅涛认为大厂的优势在于场景、数据和资源，但反应速度不及初创公司。生态虽重要，但最终取决于产品和场景。目前多模态模型仍处于GPT 2阶段，未来需多个“aha moment”才能实现从模型到产品的飞跃。