摘要

Barkley 的核心判断是，Sora 发布一年后，AI 视频没有出现第二次架构级范式切换。 Sora 验证了 DiT（Diffusion Transformer）取代 U-Net + Diffusion，并支持继续沿数据规模扩展能力的路线；此后进步主要来自物理理解、一致性、人物与动作生成的连续迭代，而非新的 paradigm shift。“现在的视频模型可能还没有到语言模型 GPT-3 的阶段。”
按 Luma 自建评测体系，录制时就纯视频 clip 生成效果而言，Google Veo 2 最强，但领先没有脱离成本与取舍。 动作幅度越大，一致性越难保持；美学越强，多样性可能越弱；模型效果越好，inference 时间往往越长。更值得注意的是“一般谁最后发布模型，谁可能最好”——训练时间、数据量与对上一代成果的吸收仍在快速决定排名。
行业尚未收敛为同一种商业模式，研究路线与应用路线的差异目前还不明显，未来可能逐渐分化。 Luma、DeepMind、OpenAI 更愿意押注视觉理解、世界模型与 AGI；Runway 深耕影视 studio，Pika、PixVerse 偏消费级特效，海螺更重全球用户增长，可灵更看商业收入与单次生成毛利。Luma 录制时累计融资约 1.6 亿美元，却把商业化定义为“相对重要但不是那么重要”，最新一轮融资也没有明确的商业数据要求。
视频模型近期最可形成壁垒的未必是算法点子，而是数据、评测和训练流水线的工程吞吐。 视频数据体量大、噪声多，压缩时还必须保存有效信息；从采集、标注、切片到配比投喂，Barkley 将其比作“工业厨房”。在没有统一 benchmark 的市场里，能快速建立标准、批量试错并把 creator feedback 回灌模型，本身就是核心能力。
Luma 的长期赌注是：Barkley 认为，仅靠文字不足以得到完整 AGI，视觉理解与生成需要合并进世界模型。 Barkley 转述 Sam Altman 的反问：“你是怎么学习这个世界的客观规律的？你会看这个世界来学习吗？”目标因此不只是 text-to-video，而是融合视频、图片、声音、常识与语言的 “anything to anything”，既理解杯子为何落地，也能模拟它落地后如何破碎。
2025 年较有把握的产品突破是 character consistency，实时生成则仍是高潜力、低确定性的远期选项。 前者会降低连续叙事、小说改编与二创的“抽卡”成本；后者若把延时压低，用户可能边看《哈利·波特》边要求另一个结局，使“生产者和消费者的边界变得模糊”。Barkley 明确保留条件：实时生成“不一定能够在 2025 年完全实现”。
在研究型 AI 公司里，组织与人才分工正在变化：研究员获得方向主导权，PM 更多成为用户、数据和模型之间的连接器。 Research 十个想法可能九个失败，因此 PM 的价值不再是承诺 feature 按期上线，而是帮助选择值得试的方向、构建评测并快速识别问题本质。DeepSeek 给硅谷带来的 “shock” 又强化了 Barkley 对中国人才机会的判断：中国创业者在消费产品和中美市场理解方面有优势，中国人才在模型层研究方面也有很强能力，未来可能在全球应用和模型公司中获得更多机会。

精读

1. Sora 定下了 DiT 路线，却没有开启连续的范式革命

Barkley 对 Sora 影响的判断是：Sora 验证了 DiT 可以在大规模视频数据上工作，并以 Diffusion Transformer 取代此前以 U-Net + Diffusion 为主的架构，这才是最明确的 paradigm shift。
此后各家基本沿着 DiT 路线前进。物理世界理解、consistency、人物与动作生成都有显著改善，但更像模型架构和产品能力的逐步 improvement，而不是又一次 Sora 级断裂。
主播感慨一年像过了五年甚至十年，Barkley 却提醒行业仍非常早期：“视频模型可能还没有到语言模型 GPT-3 的阶段。”今天看似鲜明的研究与应用路线，未来几年才可能真正拉开距离。

2. Ray 2 的进展来自物理规律、垂直数据与继续 Scaling

Luma 在录制前一个月发布新一代的 Ray 2，先推出文生视频，随后上线图生视频。Barkley 举的代表性测试是小球沿阶梯滚落：模型能否更准确地模拟这一物理过程，而不只是产出视觉上漂亮的片段。
Ray 2 也不再只追求 general 的真实影像能力；团队对动漫等垂类进行了数据处理和 fine-tuning，希望模型在这些垂直领域里也能表现良好。
Luma 仍把自己定义成 research lab，除生成产品外还研究实时视频与视频理解。Barkley 的判断没有收敛语气：“Scaling Law 在视频模型上仍然是有效的”，Ray 2 做得不错，并不意味着能力已接近上限。

3. 视频没有统一 Benchmark，评测是主观指标与训练反馈的闭环

Luma 从 creator 访谈反推指标：aesthetics、真实事件与物理规律、画面一致性、prompt alignment。由于美学天然主观，团队会在模型有 API 的情况下批量生成视频，再交给全球众包网络比较。
物理能力可借鉴 Google 发布过的一组 benchmark，也可自行设计 prompt；但 Barkley 不记得该 benchmark 的具体名称。团队不会把这些标准包装成绝对客观，而是持续检查它们是否 align 内部预期与 creator community 的判断。
这套评测还承担训练反馈：先定位模型在哪类场景不足，再决定需要采集、标注和注入什么数据。评测结果会连接用户感知与 researcher 决策，形成改进闭环。

4. Veo 2 暂居第一，但质量、运动与速度无法同时最大化

被问“全世界谁最强”时，Barkley 给出直接答案：按 Luma 测试过的效果，Google Veo 2 是录制时纯视频 clip 生成效果最强的模型，也可能是业内普遍认为效果最好的模型。
这个排名附带三组 trade-off：更大的 motion 会损害 consistency；更强的审美效果可能较难保持 diversity；模型越大、效果越好，inference 通常越慢。Veo 2 的主要代价就是生成时间较长。
Barkley 观察到过去一年常见的规律是：“谁最后发布的模型，那个模型的效果可能是最好的。”原因不神秘——它训练更久、看过更多数据，也能吸收前代模型的特点；领先地位因此仍高度流动。

5. 美国玩家各有侧重，但研究、影视与消费路线尚未完全清晰

Barkley 将 DeepMind 与 OpenAI 归为大厂研究路线：DeepMind 一边推进 Veo，一边结合多模态和世界模型研究；OpenAI 的 Sora 产品正式推出后被不少人评价为“预期落空”，但据他了解仍在迭代下一代模型。
OpenAI 可以结合既有的视觉理解与多模态能力，不只是做视频生成。Barkley 推测其方向会更靠近 world model 和 AGI，但对具体投入程度保持了保留。
Runway 更集中于影视制作、专业剪辑及与 studio 合作；Luma 则偏向独立创作者和 prosumer——这类用户通过产品节省的钱，应远高于 subscription price，从而形成强 retention lever。
Pika 的重心更接近 consumer：用 AI 特效制造可传播的爆款和 trend，降低小白用户参与门槛。它争夺的不是最高端影视工作流，而是把 AI 变成娱乐行为。

6. 中国模型分化在增长、毛利与生态，DeepSeek 改变了海外注意力

Barkley 强调自己对国内公司的信息较少，以下只是个人直觉：海螺更像在争取全球用户规模，积极探索不同国家的 C 端场景，暂未把盈利放在最前；可灵更关心重点市场收入、业务正向增长及每次视频 inference 的毛利。
PixVerse 的定位较像美国的 Pika，集中于消费级特效；他对 Vidu 与腾讯混元了解不多，只谨慎推测混元借开源构建生态，Vidu 可能兼顾研究和 consumer。
Barkley 所在的从业者群体一直会评测中国模型，但美国 creator 此前仍惯性使用 Runway、Luma 与 Sora。DeepSeek 出圈后，Twitter 上开始出现更多自发推荐：“关注 DeepSeek，也要关注中国的视频模型公司。”可灵、海螺同期持续更新，又进一步吸引了海外注意力。

7. 研究路线用高失败率换突破，Luma 暂不以商业化为首要约束

研究与应用的分叉首先取决于创始人愿景。Luma 相信视觉理解和世界模型是通向 AGI 不可缺的一块，因此愿意探索当下成功概率不高、但一旦 scale up 可能产生突破的方向。
Barkley 描述的研究赔率很直白：很可能“十个 research 里面九个想法都是 failed 的”。剩下一个若成立，放大后可能形成 Sora 式出其不意的效果；代价则是长期投入、成本与组织耐心。
在 research 与商业化的权衡中，Luma 当时明显站在前者。商业化“相对重要但不是那么重要”，公司主要依赖融资推动下一代研究，同时控制 inference 和 research cost。
Barkley 称，美国 VC 对这一路线给予了长期信任；即便最新一轮融资，也没有明确要求商业化数据，而是关注 Luma 如何定义视觉 AGI 或世界模型。DeepMind、OpenAI 同样持续押注 AGI，应用型公司则更集中于生成后的消费场景。

8. 视频会复刻 Scaling Law，但数据噪声让工程路径完全不同

Barkley 相信文字模型过去两年的演进会在视频重演：沿 Transformer 持续扩大模型和数据，形成通用基础能力，再发展对现实世界的推理与模拟；届时 base model 甚至可能比文字领域的 GPT-4 大很多。
视频的特殊困难是信息体量与噪声同时增加。一张图片或一个视频包含的信息点不一定都有用；模型接收这些数据后，还必须理解它们之间哪些关系和规律是真正重要的。
因此“继续 scale”不是单纯增加视频数量。如何压缩而尽量保留信息、如何处理和组织数据、如何让模型真正理解数据之间的关系，都会使视频训练的具体工程方式明显不同于纯语言模型。

9. “只会读书的模型”不足以学会完整世界

Barkley 将 AGI 路径之争分成两派：以 Dario Amodei 为代表的一侧相信语言资料足以理解世界关系；以 Yann LeCun、李飞飞等人为代表的另一侧认为，人类首先通过视觉反馈学习，视觉模型不可缺席。Barkley 还提到，Anthropic 一直没有去做多模态的生成或理解模型。
他曾在 OpenAI Dev Day 的 After Hours 活动中追问 Sam Altman：Sora 是否仍是重点，视频生成是不是 AGI 必经之路。Altman 反问：“你是怎么学习这个世界的客观规律的？你会看这个世界来学习吗？”
Altman 随后的回答是：“我们不会指望一个只会读书的模型，能够学到这个世界上所有的规律。”Barkley 据此判断，即使 OpenAI 未必始终把资源集中在 Sora 生成产品，视觉理解和多模态研究仍会继续。

10. 世界模型必须同时理解规律并模拟尚未发生的结果

Barkley 先承认世界模型没有单一定义，再将其拆成两层：第一层理解真实物理规律；第二层根据这些规律模拟未来。手松开杯子后，它如何受重力、地面摩擦和材质影响而坠落、破碎，就是最小测试。
理解和生成是“一枚硬币的正反面”：模型既要看懂手里拿杯子的画面，也要根据一张静态照片准确生成松手后的过程。未来机器人递水，同样必须兼有理解和模拟整个过程的能力。
Luma 因而把终点想成 “anything to anything”：视频、图片、人声、音效、语言、common knowledge 与 know-how 都能成为输入或输出。视觉理解模型还可能与语言模型结合，用语言作为浓缩和组织信息的途径。
World Labs 更偏向 3D 路线；Luma 曾做 3D 重建与生成，后来选择通过视频和海量数据学习规律，但 Barkley 强调这“不算放弃”，只是认为当前还不是大规模 scale 3D 的阶段。DeepMind Genie 2 则代表另一条视频路径：在游戏中进行模拟、实时生成场景并转换不同视角。

11. 数据流水线是“工业厨房”，吞吐效率可能胜过算法花活

Barkley 所说的工程与管理优势，首先是快速 inject 和 output 数据。Scaling Law 假设模型看得越多、能理解和生成的范围越广，那么训练吞吐、压缩方式与数据处理速度就会直接转化为模型能力。
他的类比是“工业厨房”：视频数据是菜，有人清洗、切分、归类，再决定切成什么片段、按什么比例投入锅中。采集、标注、压缩、切片、排布都未必包含研究创新，却能决定训练效率。
算法创新更多表现为在 DiT 上做局部修改，或为视频、图片编辑提出新方法。常见过程是学界先给出猜测，具备大模型训练能力的 startup 再 scale up 数据，检验它能否从小实验变成广泛可用的产品能力。

12. 没有火车站时，先让画出的马跑起来

评测没有统一标准，第三方标注者甚至不知道如何判断“美感”。Luma 的做法是给出多套样例和规则，大规模测试哪些结果最符合团队与 community 的直觉，再持续 cross-reference 和修订。
Barkley 将这种文化总结为“大胆去试”“大力出奇迹”和 trial and error。主播说这像造火车时连火车站都没有；他的回应是：“画一匹马，不管画出来是什么样，它只要能跑就可以。”
这种不确定性也进入招聘。CEO 常问 candidate：“这是一个从来没解决过的问题，你要怎么去做？”Barkley 认为答案要看具体事情和候选人的思路，没有固定模板。

13. 情感连接、传播趋势与角色一致性

Luma 第一代视频模型发布后，一个简单玩法逐渐变成有情感重量的 use case：用户并排上传自己与已故亲人的照片，输入 “Let them hug”，让旧照片与现代照片中的两个人重新拥抱。Barkley 称它“很让我感动，很人性化”。
另一类传播来自 transformation，例如 “Apple Dog”：狗叼着苹果，苹果突然消失，随后出现各种有意思的变身场景。这类内容形成了新的传播趋势。
Barkley 对 2025 年较有把握的判断是 character consistency 会大幅改善，因为包括 Luma 在内的多家公司已取得不错的模型效果。连续故事将不再依赖反复“抽卡”，影视短片、小说改编和二创内容会显著降低制作门槛。
实时生成的想象更大、确定性更低：观众可以在观看《哈利·波特》时要求另一个结局，模型立即改写后续。若延时足够低，内容会根据每个人的需求定制，“生产者和消费者的边界会变得模糊”；但他明确说这未必能在 2025 年完全实现。

14. 大厂激励压制高风险研究，AI 公司身份之争仍无定论

Luma 午餐时常聊大厂研究八卦：非 researcher 管理者要在前沿探索与团队稳定产出之间选择，多数会选后者。因为研究失败可能影响晋升乃至团队存续，这套 incentive structure 会阻碍创新。
Runway CEO Cristóbal Valenzuela 的公开立场是，公司应被视作 media and entertainment company，而非 AI company；AI 最终会像水电一样普遍，继续以 AI 自我标榜已没有意义。
Luma CEO 随即在 Twitter 反击，大意是“误打误撞进入 AI、又不真正懂 AI 的人会这么说”，还配了一段青蛙吐舌头的生成视频。Luma 相信前沿模型每次提升都会拓宽应用边界，因此应先推进底层能力；Runway 则更愿意从 studio feedback 反推模型。
Barkley 没有替任何一方判胜：“两个都没有严格意义上的对错”，也可能只是时间尺度不同。随后 Ronghui 感慨，硅谷许多公司的 CEO 会直接在 Twitter 上争论，这种 “Everything in the Bay Area happens on Twitter” 的现象很有意思。

15. 在 Luma，AI PM 从需求负责人变成模型、数据与用户之间的接口

Barkley 在 TikTok 特效团队时由 PM 定义需求、向 research 提任务并推动上线；进入 Luma 后，researcher 决定主要研究方向，PM 转为辅助。最初有“不是那个能够 command 一切”的落差，后来他认为这更符合研究的高不确定性。
互联网 feature 原则上总能被工程实现，AI research 却可能十个方向失败九个。PM 的职责因而变成协助定义最值得试的想法，而不是要求它们都按时间表上线；模型评测、数据补齐与 creator insight 是他的主要杠杆，最终研究方向仍由 researcher 拍板。
模型层与应用层 PM 存在明显差异：Sora、Veo 等团队的同行同样重视 data 和 eval；应用层 PM 则可以不绑定某家模型，重点寻找最佳场景、feature 与交互。Luma 录制时只有 Barkley 一位 PM，也没有成熟 senior 模板或 mentor，招聘更看重能否迅速 “figure out” 未定义的问题。
他的学习方法是与 researcher 聊、读其推荐的 paper，并高频试用各家视频、LLM 和 agent 产品；他也在较多尝试使用 Windsurf 写自用小程序。一位前 TikTok 同事则用 tldraw 把论文和产品连成思维地图，在跨领域方法之间寻找“不变的主题”与新组合。

16. 中国人才同时握有消费产品经验与模型研究两张牌

Barkley 认为，中美双重市场理解在 consumer AI 中尤其稀缺：美国过去真正火起来的 C 端产品可能是 Snapchat，之后是源自中国团队的 TikTok。中国创业者对消费者心理、中美市场、C 端生态及 AI 硬件的理解，可能催生更多全球应用公司。
模型层的机会同样存在。他认为中国在模型层研究方面也很强，并观察到硅谷许多 AI 公司的核心 researcher 是华人，不论 PhD 在中国还是美国完成。
DeepSeek 给 Luma 团队的冲击来自两面：一家中国公司既能在底层模型技术上突破，又能在应用层快速增长。CEO 因而追问中国为何一面被描述为不做基础研究，一面又能诞生 DeepSeek；团队也由此更加重视中国人才。
Barkley 承认地缘政治会影响流动，但仍相信 AI 最终会在全球合作与竞争之间互相 improve。对他个人而言，DeepSeek 也是一次 “reaffirmation”：坚持愿景、持续 scale 模型和投入基础研究，可能最终取得结果。

我们还在牛市里吗？Vol.52 74页PPT解读Deepseek与AI Agent