2026年的AI赛道，有个领域卷得特别厉害。

　　这就是视频生成AI。

　　根据行业数据：2026年上半年，在AI短剧、漫剧这个赛道：抖音端上新22.19万部，只有1055部播放破亿，破亿率仅0.48%；意味着绝大多数内容一上线就被淹没。

　　但是，最近这个影视、娱乐赛道的工具，却实打实地在物理世界的生产力中，发挥了真实的作用。

　　7月31日，字节跳动发布新一代视频生成模型Seedance 2.5。与年初的2.0版本相比，单段视频直出时长拉到30秒，新增了局部编辑能力，单次可输入的参考素材扩充到50个。

　　发布当日，徐工集团、小鹏汽车、灵初智能、微分智飞、穹彻智能等企业宣布与Seedance 2.5达成合作。

　　原因就在于其强大的视频生成能力。

　　在已经出现的案例中，Seedance不仅用来生成智能驾驶的各种训练数据，像是把同一段真实路况扩写成暴雨、逆光、强反射、还能将生成行人突然横穿、车辆加塞等长尾场景。

　　而穹彻智能，更计划将Seedance接入通用机器人训练平台，围绕同一段真实操作，批量变化桌面布局、物体组合、观察视角、光照条件，甚至机器人本体形态，让一条示范长出多组可训练样本。

　　但问题是：这些由AI生成的视频，在物理规则、物体运动轨迹方面，真的准确吗？

　　毕竟，视频AI不理解现实物理这件事，已经成了一个行业诟病的老问题了，像是图灵奖得主杨立昆，就狠狠地批判过：当前的视频模型，不可能真正理解物理规律。

　　原因在于，未来画面本身具有多种可能，逐像素预测会把大量算力耗在纹理、光照和随机噪声上，却未必学到与行动真正相关的物体状态、因果关系和动力学约束。

　　画面看起来合理，不等于模型理解了世界。

　　既然视频AI，现在在物理规律方面这么“不严谨”，小鹏、徐工、穹彻智能、微分智飞还会选择合作？他们不怕翻车吗？

　　说到这，就必须提一个现在物理AI领域，特别焦虑的痛点：数据短缺问题。

　　数据之痛

　　所谓物理AI，指的是具身智能、自动驾驶，也可以指：工业视觉智能体、无人机、以及其他能在现实环境中完成‘感知—推理—行动’闭环的自主机器。

　　在这些领域，业界的数据饥渴到了什么地步？

　　一个更直观的尺度是：RAND曾估算，若要用实车统计证明自动驾驶的致死率比人类低20%，需要约177亿公里测试；100辆车全天不停地跑，也要500年。

　　机器人也一样：Open X-Embodiment为了凑出100万条真实操作轨迹，动员了20多家机构、22种机器人，仍只覆盖500多项技能。连全球协作都如此吃力，国内企业想靠真机独自“穷举现实”，几乎不可能。

　　虽然像百度Apollo、小马智行等企业，也试图通过仿真技术，模仿大量驾驶场景，以弥补和特斯拉这类巨头的差距，但即使有了仿真技术，国内车企、机器人企业短期内，还是很难填补这样的缺口。

　　这其中的原因是：仿真场景仍要从真实问题出发，能把已知场景做多，却很难主动发现未知的失败模式。

　　物理模型、车辆和行人的行为和传感器噪声只要存在偏差，海量仿真反而会放大偏差。

　　其实不只是自动驾驶，现在的物理AI，例如具身智能，也正在遭遇一个之前的语言类AI没遇到过严重的问题：越真实的数据，越贵。

　　换句话说，互联网可以爬10万亿Token，但机器人不能去现实世界摔10亿个杯子，自动驾驶也不能制造100万次恶劣的天气、路况。

　　以机器人行业为例：国内供应商的真机操作数据报价大致在70—140美元/小时；海外复杂多传感器人形机器人数据约80—150美元/小时，而且精细标注通常另计。

　　按5000小时计算，仅采集费就可能达到35万—75万美元。

　　这还没算机器人折旧、场地、安全员和返工成本。

　　于是，Seedance 2.5这样，能够编辑、改变视频画面的AI技术，就极大地扩展了原本智驾数据、机器人数据样本不足的短板；

　　例如在智驾方面，Seedance 2.5可以将同一段路况，通过编辑功能，变成不同的天气、不同的车辆、不同的光照等等。

　　虽然站在普通C端用户的角度来看，Seedance 2.5的价格比之前更贵了。

　　按79元/月最低档的会员，升级到Seedance2.5以后，一段30秒的视频，直接就能将一个月的积分干没了。

　　Seedance 2.5支持最长30秒生成。来源：Seedance产品界面

　　但即便是“贵”了不少，如果放在现实工业层面，这样的成本，而某些行业中长尾数据的收集难度、成本比起来，简直不值一提。

　　举个例子：要采一组‘暴雪夜间、行人突然横穿’的数据，实车要等天气、调车队、配安全员，而且场景难以重复；Seedance却能批量改写天气、照明和交通参与者，而这花的只是几块钱的生成费。

　　可能有人会问：Seedance 2.5 虽然生成的视频很逼真，但现在在自动驾驶、机器人领域，不是也有很多仿真系统了么？

　　例如在智驾方面，就有CARLA、百度Apollo云仿真，以及NVIDIA DRIVE Sim等。

　　而在机器人领域，也有英伟达的Omniverse Replicator，以及用Cosmos生成合成轨迹的GR00T-Dreams。

　　既然之前的仿真系统，也能生成各种不同的场景、环境，那Seedance 2.5这样的AI，意义到底是什么？既生瑜何生亮啊！

　　这就涉及到了仿真领域一个重要的问题——现实鸿沟（Sim2Real Gap）。

　　仿真VS生成

　　讲真，虽然在机器人、自动驾驶领域，仿真系统已经存在很多年了，但这些仿真系统，都面临着一个共同的问题，这就是：仿真生成的场景，虽然可控、物理正确，但建模昂贵，而且还会有“Sim2Real”的问题。

　　CARLA接入Cosmos Transfer后，可将同一场景改写为雨天

　　举个例子：在CARLA里搭一条新道路，通常要先用RoadRunner或Unreal制作路网、资产、材质和交通规则，再逐项调天气、光照与传感器。即便物理和标注都精确，渲染出的路面污渍、反射与交通参与者仍可能偏离实拍分布。

　　这就解释了为什么很多企业，明明知道Seedance“不懂物理”，还要用。

　　因为它解决的是传统仿真一个几十年来，都没有很好解决的问题：

　　仿真器非常擅长制造一个“物理上正确但长得不像现实”的世界。

　　生成模型非常擅长制造一个“长得像现实但未必物理正确”的世界。

　　现在产业真正想做的事情，其实是把两者拼起来。

　　可能有人会问：对于自动驾驶、机器人训练这些场景来说，生成的场景像不像，真的有那么重要吗？反正这些画面是给车载AI以及机器人看的，只要物理上正确不就行了吗？

　　但这里其实有一个反直觉的误区：“像不像”在很多场景下，其实比"物理精确"对感知模型的影响更大。原因不是AI有审美，而是因为神经网络"看"世界的方式和人类完全不同。

　　换句话说，人类与AI最关键的区别是：神经网络不是在"看画面"，而是在"统计像素分布"

　　举个例子，人类看一张图，会关注"这是一辆车、它在左转、天气不错"。

　　但神经网络不是这样看的。

　　它学习的是像素统计规律。

　　例如Transformer在看一张图时，它们提取的是低阶到高阶的统计特征：

　　在低阶，AI提取到的特征，可能是边纹理频率、颜色分布、光照梯度，

　　中阶，则是局部形状、阴影模式、反射特性。

　　而到了高阶，就变成了语义组合、上下文关系这些特征。

　　举个具体的例子。如果让CARLA渲染的雨天场景：

　　物理上，CARLA可以将雨滴下落速度、挡风玻璃上的流体动力学、轮胎与湿地的摩擦系数，都调得很精确。

　　但是在视觉上，这些雨滴往往看起来"太均匀"了——每一滴的大小、透明度、运动轨迹过于规则；路面反光过于"完美"；而现实中的卡车，在雨天却可能沾满泥浆、被逆光遮挡、只露出半个轮廓。

　　如果忽略了这些不规则的、坑坑洼洼的细节，只让AI学仿真系统，最后就可能在物理上学得完全正确，但是在现实中却处处碰壁。

　　因为物理上的“正确”，不等于“真实”。

　　所以，对于AI来说，所谓的"像不像"，不是指画面是否"美观"或"电影感"，而是指生成画面的像素统计分布是否与真实世界一致。

　　产业协同

　　在知道了Seedance的强项后，我们就不难理解，为什么智驾、机器人、无人机这些场景，都能用上这类视频AI了。

　　从技术上来说，Seedance不能替代CARLA、Omniverse这些传统的仿真软件，因为它输出的只是统计上逼真的像素序列，缺少真正的物理规律的理解，以及和传感器模型的闭环交互。

　　因此，更合理的组合，是让仿真系统负责物理与闭环，让Seedance负责视觉逼真度和多样性。

　　GR00T-Dreams从少量真人示范扩展合成轨迹

　　这样的组合一旦形成闭环，中国可能拥有一个非常特殊的优势。

　　这个优势就是：我们既拥有全球最强的一批视频生成模型，又拥有全球密度极高的制造业、机器人和新能源汽车应用场景。

　　在以前的产业格局中，字节做互联网AI，徐工做工程机械，小鹏做汽车；机器人企业做具身。

　　大家各做各的，彼此几乎没有技术供应链关系。

　　但是有了Seedance之后，未来可能出现一条新的产业链：

　　Seedance先把少量真实视频扩写成不同天气、光照、物体和动作版本。

　　工业仿真与合成数据平台再补上几何、动力学和动作标签，筛掉那些“看着真、实际做不成”的样本。

　　机器人、汽车和无人机拿这些数据训练、测试，上线后再把接管、失败和异常片段回传，反过来修正生成模型。

　　链条每转一圈，数据更贴近生产，模型也更有机会进入真实设备。

　　于是，一个围绕物理AI的，以Seedance+各类工业领域的“物理互联网”就形成了。

　　而Seedance在其中，则补上了其中关键的一环：用相对低廉的成本，生成大量原本需要昂贵的真实世界反馈，才能采集到的数据。

　　相较之下，硅谷虽然也有Veo、Sora这样的产品，但要么太贵：要么像Sora这样，因为没有真实的产业衔接，最终难以为继，不得不被关停。

　　按谷歌的官方API定价，Veo 3.1标准版720P为0.40美元/秒，30秒约12美元；Seedance 2.5同规格、无视频输入的官方示例折算约45.36元，即约6.3美元，只到前者一半左右。

　　现在，在通往“物理AI圣杯”的道路上，全世界有大量的团队、企业，都在进行各种尝试，杨立昆、李飞飞在弄，各路机器人企业，像Figure AI、Google DeepMind、英伟达的Cosmos与GR00T、1X的世界模型实验室也都在探索。

　　但这样的尝试，始终需要回答一个问题：这些活在人间，长在尘世里的物理AI，究竟靠什么“活”下来？

　　Gemini Robotics ER 2多机器人协作示意。来源：Google DeepMind

　　两年前，在Sora刚问世时，杨立昆曾断言：这样的视频AI，永远不可能真正懂物理。

　　然而，令杨立昆没有想到的是，两年多以后，中国的视频AI，靠着各种工程、算法层面的优化，已经能做到在30秒长度上，生成画面一致的流畅视频，并且画面扭曲和物理错误也大幅减少。

　　虽然Seedance这样的视频AI，至今没有真正“懂”物理，但它靠着从漫剧、广告片，商业宣传片那里赚来的钱活了下来，并反哺到了工业、智驾领域，这本身就是一种胜利。

　　结语

　　从“先在人间活下来”这个角度上来看，中国本质上是在用一种更迂回的策略，来接近物理AI的“圣杯”。

　　物理AI的圣杯之争，表面是算法之争，底层是数据之争。

　　而要想驱动数据的飞轮，首先就得驱动商业化的飞轮。

　　毕竟，科技史上，已经有各种“理论正确”、方向正确，但最终却因为缺乏“粮草”，而半道崩殂的案例了。

　　一个典型的例子，是曾经智驾领域的潜力选手——Argo AI。

　　它拿到福特与大众数十亿美元投入，曾被视为Waymo和Cruise的有力竞争者，还在多座城市进行了L4路测。

　　但问题是，L4要从试点走向规模化，还得持续烧钱扩车队、补长尾、做安全冗余，收入却迟迟覆盖不了投入。

　　当资本转冷，福特又把资源转向更快变现的L2+/L3，Argo没等到规模化那天，就因找不到新投资者而关停，福特为此一次性计提27亿美元减值。

　　有时候，技术路线未必全错，现金流却先到了终点。

　　Seedance最重要的工业价值，也许不是制造一段“完美符合物理”的视频，而是让企业第一次，可以低成本地制造无数个“可能发生的现实”。

　　而这，就让数据飞轮真正有了可以转动的“粮草”。

　　这样的粮草，正是中国在通往物理AI的“圣杯”的途中，趟过最泥泞、也最艰难的一段路的必要条件。