二月十五号，一批视频演示放出来，用的是新的视频生成模型。一分钟的镜头，主体保持稳定，光影连续，镜头还在移动。我反复看了很多遍，主要是想找破绽。
以前这类生成视频我也看过不少，破绽通常很明显：物体变形、手突然多一根指头、背景几秒钟内自己变样、运动不符合物理。这批演示里这些问题基本没有，最挑得出的毛病是一些很细的物理反应不太对。
但真正让我停下来想的不是效果，是它意味着什么。
第一，数据来源问题。高质量视频数据比文本少得多，能学到这个程度，说明要么数据规模和清洗能力远超想象，要么方法上有突破。
第二，对内容行业的冲击是分层的。最直接的是素材、广告这类标准化场景。相对难替代的是需要真实人物、真实场景的部分，因为观众对"这是不是真的"的敏感度会长期存在。
第三，也是最让我在意的一点：当"看到"不再等于"发生"，社会需要一个新机制来确认什么是真的。这个机制现在还没建起来，而且我觉得它比生成能力本身更难解决。
我给自己划的时间是一年之内出现可用的商用产品，理由是这个方向上的算力成本降得很快。如果成本真降下来，这类东西大概不会先服务专业用户，而是很快普及到个人——这一点我后面会留意。