作者丨徐晓飞
编辑丨刘 伟
当下，视频生成的竞争焦点正从“像不像”转向“能不能用”。
随着画质、分辨率和单段时长等指标被加速填平，画面本身的差距逐渐收敛。行业痛点转向更难量化的维度：叙事连贯性、情感共鸣度，以及AI内容进入真实传播链路后的社会影响。
这正是 10 月 23 日下午，CNCC 2026大会“视频生成的智与情”主题论坛的核心议题。
该论坛由南开大学教授杨巨峰召集。早在2024年，包括他在内的十位国内学者联名提出“情智兼备数字人与机器人的研究”，并入选中国科协十大前沿科学问题首位。今年，这一研究方向聚焦于“视频生成”赛道。
杨巨峰将“智”比作相对成熟的人体骨架，而“情”则是悬而未决的难题。他抛出一个思考题：如果二选一，我们希望生成的视频更真实，还是更动人？
雷峰网作为CNCC 2026大会报道媒体，从工程交付、底层路线到社会影响三个维度，梳理了这场论坛的核心观点。
AI能拍科幻大片，却拍不好刘能赵四？
视频生成的画面质量已非难事，但实际落地面临剧情连贯性和情绪对位等细碎挑战。单靠基座大模型难以支撑高质量交付，如何优化工作流成为关键。
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，将长视频生成分为“质”与“情”两条主线：
“质”是真实感基石，需符合物理规律和空间关系；“情”是感染力来源，涵盖叙事审美与共情表达。
目前，单基座大模型稳定生成长度约为15至20秒。超过此时长，易出现跨镜头角色漂移、音画错位及长周期叙事断裂等问题。
户保田举例称，生成《乡村爱情》中刘能、赵四的对手戏比科幻大片更难，难点在于人物关系的连续性而非场面宏大。
其团队主要开展三方面工作：
一是提升工作流可控性。面向ComfyUI构建生成工作流基准，利用节点优化和强化学习弥补长程规划短板，14B规模模型即可达到较高准确率，该系统已集成ComfyUI原生插件。
二是优化长程叙事。Pixel Video通过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获3万star；Video Vlog则弱化刚性规则，采用多智能体导演框架，支持连续剧类长视频生成。
三是改进剪辑技术。Cut Master以共享剪辑状态为核心，可处理小时级视频，剪辑质量评分较平均水平提升最多17分。
其目标概括为八个字：逻辑可控，情感可感。
内蒙古大学骏马计划研究员亓帆在《视频生成中的物理感知与视频情感表达》报告中，从另一维度回应这一目标。
她将问题划分为三部分：
在物理感知方面，早期做法依靠轨迹、相机运动场等外部约束，虽可控但无法保证碰撞、受力等物理正确性。近年行业进展转向引入物理规律，如设置2000种物理专家，先从文本提取规律再细化至局部视觉特征。目标已从追求下一帧好看，转向强调状态持续性及对环境变化的响应能力。
在情感表达方面，需满足三个条件：明确事件语义、定义连续情感维度变化、设置时间结构组织情感过程。亓帆指出，过往研究多关注视频内人物情感，忽视了观众视角的情感反馈。例如，同一段画面搭配不同配乐，观众情绪感受截然不同。现有方案短板在于无法调节情绪强度，仅能按指令生成特定情绪。
亓帆团队结合可缩放低秩适配与强化学习，实现风格、情感与音色的连续强度调节。她认为，消除AI生成人物的“油腻感”，关键在于产出令观众观感舒心的作品，仅解决说话和表情的情绪理解不足以根本改善观感。
视觉是否会沦为“渲染器”？
工程上的多智能体和工作流本质上是在基模上打补丁。为解决长视频漂移和物理穿帮，模型外搭建了众多“脚手架”，这引发了新的思考：
若智能系统中的“智”主要源自语言模型，视觉智能是否还有独立价值？是否会沦为单纯的“渲染器”？
北京大学深圳研究生院研究员袁粒在《视觉生成与理解如何走向协同统一》报告中指出，GPT-6 Astra等模型的出现冲击了视觉智能的定位。
在强大语言模型面前，仅靠视觉理解物理世界的路径愈发吃力。若视觉仅负责呈现语言模型计算的结果，其独立智能何在？
袁粒认为，视觉退化为“画图工具人”的根源，在于理解与生成在底层逻辑上的长期割裂。
从信息论角度看，理解是将冗余物理信号压缩编码，生成则是将抽象语义解码重建，两者本互为逆过程，现实中却各行其道。一方面，语言理解知识难迁移至生成环节；另一方面，现有视觉理解习惯将图像压缩投影至语言空间，视频理解频繁抽导致连续物理规律和空间关系损耗。
业内逐渐分化出两种弥合鸿沟的解法：
一是主流的串行统一。理解充当“左脑”，生成充当“右脑”，中间通过语言空间对齐。虽可复用成熟开源大模型，但狭窄通道不可避免地带来信息损耗。
二是并行统一。理解与生成共享骨干网络。尽管受困于“理解抓语义、生成抠细节”的双向冲突，但袁粒认为这是深度融合的必然方向。
关于工程与模型的关系，袁粒判断：基模决定上限，智能体兜住下限。
袁粒将自己归为“视频派”。视频自带时空连续性，属2.5D模态，数据成本远低于纯3D，有望直接走向4D动态世界模型。视觉智能的最终独立价值，不在于与语言模型竞争抽象推理，而是作为系统“眼睛”，通过观察真实状态、生成中间推演，为决策提供物理校验。
当视频足够逼真，风险就不在画面里了
随着生成内容数量激增且逼真度提高，其流向社交网络后引发的社会影响成为紧要议题。
中国科学技术大学特任教授刘武在《情智兼备的多智能体内容生成与社交模拟》报告中，从人类智能构成切入：问题解决能力对应智商，群体协作能力对应情商。
其研究工作包括培育具备多样化共情认知和大规模社交行为能力的智能体，以及搭建映射现实的社交网络模拟环境。
该领域存在显著障碍：
用大模型模拟社交群体，难以展现多样化特性；交互人数增多易导致认知同质化，使模拟失去意义。
刘武团队引入智能基础信息论框架，为每个智能体设计专属“认知指纹”，作用于感知筛选、记忆更新和内容生成全过程。基于此，团队利用真实网络数据构建社交模拟器，让智能体在其中聊天、互动，在具体场景中演练情商和共情能力，推演事件发展走向。
中关村实验室助理研究员折栋宇在《从视频生成到认知影响：面向认知安全的多模态内容计算》报告中，探讨了议题的另一面。
她将AIGC视频的社会风险归为五类：历史事实篡改、虚假灾情传播、语境裁剪误导、关键人物事件认知诱导、不良价值导向传播。
她区分了内容安全与认知安全：前者聚焦内容合规、真实与健康；后者主体是人，保护个体、群体及社会层面的正确认知。
认知风险分为三层：事实层（信源支撑）、叙事层（素材重组、暗示虚假因果）、价值导向层（美化暴力等）。受众接收视频需经过画面转写、逻辑串联、经验解读三道加工，情绪参与其中。实验证明，搭配图片的信息可信度大幅提升。
传播链路放大风险。例如，一条国内生成的河南拆迁寺庙视频被搬至海外改写为西藏拆迁寺庙后传回国内。传统网络安防技术以规则判定为主，仅能识别显性违规，无法识别藏在叙事逻辑和素材关联里的隐性影响。
折栋宇总结了三个难点：单帧画面不违规，风险藏在关联关系中；技术迭代快，测试样本覆盖不足；同一表述在不同场景下态度不同。
其团队探索集中在两方面：一是基于同一图像预测不同受众差异化感受的情感理解；二是集成取证、质询、归纳行为的事实核验智能体，结合知识搜索自主规划调查路径。她强调，对内容计算而言，组织和使用工具的能力与大模型推理能力同等重要。
圆桌讨论：五道没有标准答案的问题
在圆桌环节，专家针对五个问题展开讨论。
▎问题一：理解会压制创造力吗？
当生成与理解走向统一，创造力是否会被压制？袁粒判断，统一后将激发而非压制创造力。
他以画画为例，创作敏感点往往在落笔过程中爆发，事先难以规划。下围棋同理，有些棋步需走到那一步才能想明白。
▎问题二：情感是建模出来的，还是演出来的？
AI视频制作中，情感是靠编程规划还是在生成后自然涌现？
亓帆认为，“演”指模型具备常识、一贯地理解“为什么悲伤”的表演过程；“建模”指控制脸部肌肉动作。让视频具备情感，落点应在理解悲伤的意义及产生过程，这有助于提升结果自然性。自发感受情感、不按规划表现，是下一代模型的追求方向。
刘武表示，现阶段生成模型的情感是建模出来的。未来智能体是否涌现真实情感尚不可知，若发生将涉及伦理问题。现阶段目标是把情感建模得更真。
▎问题三：物理真实和情感真实打架时，听谁的？
刘武认为，取决于需求导向。若用于学习知识、提供训练数据或建模真实事件，应遵循物理真实；若用于短剧、电影等艺术性内容，尤其是科幻剧，为表现强烈情感，违背部分物理真实未尝不可。优先级随最终需求动态调节。
▎问题四：很真也很动人，但导向不对怎么办？
折栋宇指出，导向有问题的视频即便真实动人，仍存在问题。价值导向是认知安全的关键独立环节。目前缺乏确保检测出问题价值导向的技术。
因此，干预应尽量前置。如在生成阶段提示使用者潜在问题，阻挡无心之举。对于无法阻挡的部分，需在生成、传播及事后环节建立相应治理手段。例如，科普洪水视频若配上不良意图标题，会产生不良社会影响。
▎问题五：未来一年，最想做成什么？
折栋宇看重自进化智能体，主张安防智能体以自回归方式迭代，而非静态部署。
刘武希望情与智更加真实，难以分辨。
亓帆希望能生成更具电影质感的视频。
袁粒希望未来三到五年，基模能同时生成和理解物理世界；若仅限未来一年，则希望模型在生成世界前，先做好理解物理世界的工作。
结语
回到开场的问题：生成的视频是要更真，还是更动人？论坛未给出非此即彼的答案。
梳理各位报告人的分享可见，“智”侧路线相对清晰，向世界模型和物理规律演进；“情”侧仍在寻找可度量抓手，如配乐情绪强度、观众视角反馈等均处早期阶段。
一个值得关注的趋势是：当画质和时长不再是门槛，视频生成的下一个分水岭将落在内容进入传播链路后的社会影响。技术负责呈现画面，评价权已交至社会手中。这些问题的答案，有待后续继续探究。