繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

【招銀研究|行業深度】AI應用之傳媒——從PGC、UGC到AIGC ,內容產業如何變革?

2025-07-24 17:21

■ AIGC視頻生成領域吸引國內外大廠紛紛入局。2024年2月OpenAI發佈Sora成為視頻生成模型的標誌性突破,隨后各家以DiT為主流架構的AIGC視頻應用紛紛發佈。從當前AIGC視頻產品效果來看,C端應用的呈現效果相對不高,普遍存在動作不連續、畫面扭曲的情況,但是B端AIGC內容品質已經較高,但實際操作上還需藉助「人機共創」。

■ DiT架構具有較好的擴展性和構圖品質,成為當前AIGC視頻的主流架構。在Sora發佈之前,主要依賴生成對抗網絡架構(GAN)和擴散模型(Diffusion),但前者在視頻等長序列生成上表現不佳,后者通過逐步添加和去除噪聲來快速生成高質量圖像,相對其他模式有壓倒性優勢。直至Sora採用擴散模型(Diffusion Model)與Transformer結合的DiT架構,該架構不僅在生成質量上保持了擴散模型的長處,更是具有了長視頻的生成能力,因此成爲了后續幾乎所有AIGC視頻模型的主流選擇。但此架構在複雜運動和物理模擬方面仍需提升,如在空間分層、運動模塊、視頻預訓練等方向進行迭代優化。

■ AIGC視頻生成正推動內容生產從「人力密集模式」到「AI輔助\主導」轉變。在影視領域,AI已滲透劇本生成、分鏡設計(Midjourney秒級生成)、虛擬拍攝、特效后置等全流程,使《潛入夢海》等作品以萬元級成本實現傳統百萬元拍攝效果。產業格局上,AI應用成為新入口。字節跳動等巨頭通過「雲基礎設施+大模型+數據飛輪+C端\B端應用」的全AI生態佈局爭奪話語權。有別於互聯網對傳媒的變革,產生劇烈的馬太效應,AIGC視頻極大的降低了內容生產成本,傳媒產業競爭核心將從中游環節的「製作能力」和下游環節的「渠道能力」轉向上游環節的「IP創意運營」和「AI視頻模型能力」。

■ 鑑於AIGC視頻生成領域仍處於未商業化或商業化早期,可按大模型開發能力、垂直應用技術成熟度及商業模式進展等方面給予關注和跟進。風險方面,需關注模型技術的迭代,如DiT架構優化、物理模擬突破等進展;關注可能遭受衝擊與替代環節,如實拍佈景資產、特效團隊等。

正文

2024年Sora的發佈成為視頻生成領域的標誌性突破,推動傳媒內容生產進入全新時代。本報告系統梳理了AIGC視頻的技術演進路徑、產業變革影響及商業化發展方向。通過對國內外主流AIGC視頻應用的全面盤點與性能評估,深入解析DiT架構的技術突破與現存挑戰,並借鑑互聯網技術對傳媒產業的改造歷程,探討AIGC如何重塑從PGC、UGC到AIGC的內容生產範式。

當前AIGC視頻在影視輔助製作中的應用已顯著降低人力成本和時間投入。可以預見,隨着AIGC視頻大模型的持續進化,終將徹底改變傳統影視工業的「人力密集型」生產模式。當內容生產邊際成本無限趨近於零時,傳媒產業價值鏈也將迎來重構,競爭核心將從中游環節的「製作能力」和下游環節的「渠道能力」轉向上游環節的「IP創意運營」和「AI視頻模型能力」。

概覽:AIGC視頻將是最快商業化的領域之一,2024年取得大模型的標誌性突破

1.1 全球主要應用:海外先發、國內大廠加快入局

目前,全球主要的AIGC視頻生成應用多由國內外頭部大廠或AI初創型公司發佈,國外以OpenAI Sora、Runway Gen-3、Meta,國內以快手的可靈AI、阿里的通義萬相、智譜清影等為代表。

資料來源:招商銀行研究院 

資料來源:招商銀行研究院 

資料來源:招商銀行研究院

2024年2月OpenAI發佈Sora成為標誌性突破。根據Sora介紹,其可以生成長達60秒視頻,遠超此前主流模型Runway、Pika等僅支持4秒視頻;其對物理世界的模擬能力和動態一致性也明顯提升。Sora採用擴散模型(Diffusion Model)與Transformer結合的DiT架構。在此架構下視頻生成模型展現出良好的擴展性——隨着訓練算力的增加,生成視頻質量顯著提升,表現爲時長、動態一致性、物理世界模擬等均超過此前的技術【註釋1】,使AIGC視頻真正具備長敍事能力。此后,基於DiT架構的視頻生成應用迎來爆發式增長,一系列國產AIGC視頻應用可靈、即夢、通義萬相等紛紛發佈。

目前市場主流應用均採用此架構。僅Meta的Movie Gen模型選擇Llama架構。目前各應用的生成效果還處於開發初期、不斷優化的階段,還需要綜合考慮生成效果和成本之間平衡。根據AIGVBench評價標準,目前尚未有一款產品佔據絕對優勢。

1.2 產品與商業化:C端應用的呈現效果相對不高,B端AIGC內容品質較高但需「人機共創」

當前視頻生成時長多處於60s以內,但在DiT架構下視頻生成模型的擴展性是相對可預期的。從目前免費AIGC視頻應用生成效果來看,僅達到C端試用水平;但從各大廠發佈的宣傳物料顯示已能達到影視短劇級的內容效果,兩者差異可能來自其背后算力資源、影視素材訓練庫、專業定製化調用工具等匹配級別的不同。

目前C端使用的AIGC視頻工具還處於生成效果提升的初期階段,特別是在精準理解和模擬物理世界是核心難題。現有應用生成的視頻在大幅運動、物理複雜場景表現較差,容易生成肢體扭曲、違揹物理定律的視頻。以某AIGC視頻應用的生成效果為例:該應用自帶文本擴寫功能,輸入「宋代搖滾風格音樂短片」后選擇自動擴寫。如果要相對把控生成視頻的風格和要素,一般可先利用文生圖生成目標風格的圖片,再以此為基礎生成視頻。可看出生成視頻在人物運動中,面部表情持續出現扭曲。

資料來源:招商銀行研究院 

資料來源:招商銀行研究院 

資料來源:招商銀行研究院

影視視頻內容領域,短劇內容已經有完全依靠AIGC生成的劇集,精品影視劇的生產中目前AIGC可以起到運鏡分鏡、特效渲染等輔助作用。在今年6月的第二十七屆上海國際電影節,《潛入夢海》【註釋2】是「AIGC單元」最佳創意獎作品。該AI短片時長僅8分鍾、團隊僅4人,不依賴傳統影視製作的攝像機與片場,而是掌握20余種AI工具,調動關鍵詞庫、動態模型、開源換臉技術等方式,將想象具象成鏡頭,呈現出大巴車爆炸、異國場景等高預算大片級視覺效果。如果用傳統實拍方式,成本至少百萬元以上,但AI方式可控制在萬元以內,且製作周期縮短至一周。

在專業劇集生產工具上,一些AIGC視聽製作平臺(如炫佳科技的Kino-AIGC視聽製作平臺)通過「智能幀流技術」自動調節畫面精度,既能快速生成低分辨率草稿,又能無縫升級至4K超清;語音生成能力上,可實現中、英、泰等多國語言同步譯製,並匹配原聲韻律音色。

從目前主流應用情況來看,AIGC參與短劇製作主要用於中期的創作階段,起到替換實際片場拍攝的作用,而前期的劇本策劃和后期的剪輯處理,仍是需要複雜的人工來完成。

圖3:新華社《AIGC MV:美債炸彈滴答響》2024.4

(本部分有刪減,招商銀行各部請登錄「招銀智庫」查看原文)

資料來源:新華社

圖4:上海國際電影節《潛入夢海》2025.6

(本部分有刪減,招商銀行各部請登錄「招銀智庫」查看原文)

資料來源:上海國際電影節

AIGC視頻是兼具商業化發展潛力和落地速度的領域之一。有別於其他行業中的AIGC生成,AIGC視頻生成的商業化路徑持續且清晰,從C端社交體驗的秒級視頻、到B端新聞廣告的分鍾級視頻,以及未來擴展到小時級的精品影視視頻,對應至AIGC技術產品發展的不同難度,均有可供變現的場景和方式。而全球影視市場規模(包括電影、電視、流媒體等)至少3000億美元【註釋3】,其中我國市場規模約300-400億美元。這是AIGC視頻技術完全成熟后的一大確定性應用市場,對當前AIGC視頻技術的迭代發展起到穩定的牽引作用。因此我們認為,AIGC視頻這種更加穩定、可預測的模式,將使其成為AIGC最快商業化的領域之一。

資料來源:字節,招商銀行研究院

資料來源:字節,招商銀行研究院

資料來源:字節,招商銀行研究院

模型原理與進展:DiT架構展現出較好的擴展性和構圖品質,但在複雜運動和物理模擬方面仍須提升

2.1 模型架構:DiT為主流架構,運動模塊、視頻預訓練、影視化工具是模型優化方向 

Diffsuion Transformer(DiT)架構是當前AIGC視頻模型的主流選擇。Transformer是基於注意力機制的新型神經網絡架構,於2017年被提出,該架構的並行化處理使其能夠充分利用圖形處理單元(graphics processing unit , GPU)。並且該架構在設計層面上允許不斷地堆疊編碼器或解碼器結構,使得整個架構具備更好的擴展性。Transformer架構的提出原本是爲了解決自然語言處理中的長文本記憶缺陷,但其並行計算的模式,在圖像生成領域也有很好的應用性。

在Transformer架構之前,自然語言處理和圖像生成領域之間,沒有太多的交叉重疊。自然語言處理領域,主要依賴循環神經網絡(RNN)架構,通過串行計算模式使其具備文本短期記憶,后續又通過長短期記憶網絡(long-short term memory , LSTM)用於長文本的生成任務。但受限於RNN的串行計算模式對長文本的處理仍舊侷限,實踐中往往經過幾十到100個詞后,該模型就開始偏離主題。爲了解決這一問題,Transformer架構被提出,其並行計算模式對生成式模型的發展產生巨大促進。2018年后,一系列標誌性的大語言模型開始涌現,如OpenAI的GPT-1(2018)、Google的BERT 模型(2019)。

在圖片\視頻生成領域,早期主要依賴生成對抗網絡架構(GAN,2014年被提出),但其在視頻等長序列生成上表現不佳。2021年,OpenAI發表《Diffusion Models Beat GANs on Image Synthesis》,證明擴散模型在圖像生成質量上超越GAN;2022年谷歌的《Video Diffusion Models》使得擴散模型進入視頻生成領域。Diffusion擴散模型的核心思想是通過逐步添加和去除噪聲,實現從隨機噪聲到高質量數據的生成過程,其在圖像、視頻生成之類和速度上,對其他模式有壓倒性優勢。

2024年2月OpenAI發佈Sora,採用擴散模型(Diffusion Model)與Transformer結合的DiT架構,使其不僅在生成質量上保持了擴散模型的長處,更是具有了長視頻的生成能力,其可生成長達60秒視頻,遠超此前主流模型Runway、Pika等僅支持4秒視頻。至此,DiT架構成爲了AIGC視頻模型的主流選擇。

資料來源:阿里雲EasyAnimate,招商銀行研究院

資料來源:阿里雲EasyAnimate,招商銀行研究院

AIGC視頻模型的本質是建模視頻的時空連續性。基於上述DiT架構的AIGC視頻模型在生成視頻時長、高質量畫質方面實現了突破,但在精準理解和模擬物理世界仍是核心難題。視頻生成模型后續將繼續在空間分層、運動模塊、視頻預訓練等方向進行迭代優化。

空間分層:爲了更精確高效的「模擬真實世界」,需要對視頻生成的空間要素進行分層,區分視頻畫面的動態、靜態、背景,動態中又可進一步區分多條動線,分類給予視頻生成。這可以更高效的解決人物、背景等不連續的問題。

運動模塊:現有應用生成的視頻在大幅運動、物理複雜場景表現較差,容易生成肢體扭曲、違揹物理定律的視頻。通過引入專門設計的運動模塊,專門處理視頻中的時間維度信息(即幀與幀之間的運動變化),確保生成視頻在時間上是連貫、自然的。運動模塊在Transformer的注意力機制中加入時間軸,讓模型能同時分析空間(單幀畫面)和時間(多幀運動)信息。這有助於針對性解決傳統AI視頻生成的變形扭曲問題。甚至可以通過不斷學習和訓練,解決生成視頻違揹物理規律的難題。如,體操、雜技運動,一直被譽為AIGC視頻的圖靈時刻,當前此類運動視頻的準確生成尚還無解。

視頻預訓練:通過視頻數據拆分過濾,例如去除字幕等特定文本信息、確保展示出運動感、去除可能缺乏主題焦點的低質量,最終保留長度在3-10秒之間的單一主題片段用於模型訓練。對運動學習,使用低質量的視頻數據集,這些視頻雖然質量不高,但能夠提供足夠的運動信息,確保生成的視頻在運動上是連貫的。對外觀學習,使用高質量的圖像數據集,這些圖像具有高分辨率和複雜的概念組合,有助於提升生成視頻的視覺質量。

影視化工具:視頻內容具有專有敍事技巧,如運鏡、筆刷走位、分鏡輔助等,也是AIGC視頻應用要添加完善的功能。

資料來源:VBench,招商銀行研究院

資料來源:VBench,招商銀行研究院

2.2 文生\圖生效果:文生視頻創意度高、圖生視頻可控性高

從上一節AIGC視頻模型DiT架構圖可知,生成式視頻分別可以通過文字和圖片信息作為編碼輸入內容。從生成效果上,圖生視頻相對而言,對生成視頻內容的可控性高,適合「二創」等有精準物象的擴展生成。文生視頻的自由度比較大,純文字生成往往內容容易有較多遺漏,更適合創意類如廣告、藝術類的視頻生成。

在本文1.2節我們選取了某C端視頻生成應用,生成一段「宋代搖滾風格音樂短片」。以現有相關AIGC應用的生成水平來看,在實際精準物象、但又對物象風格有特定要求的情況下,可以通過文本擴寫-文生圖-圖生視頻的方式,生成此類視頻。

如需設置特定音樂,還可選擇Suno應用,其在音頻和口型擬合的表現相對優秀。另外,還可使用一些精細控制方式,例如在文本擴寫階段,可多次嘗試擴寫,生成詳細分鏡描述;在文生視頻階段,可以對關鍵幀控制,每3秒設置一個圖生視頻錨點、設置首尾幀;還可使用運動筆刷等功能對運動軌跡進行控制。

資料來源:天JIANG公眾號,招商銀行研究院 

資料來源:天JIANG公眾號,招商銀行研究院 

資料來源:天JIANG公眾號,招商銀行研究院

2.3 各家產品性能:AIGC視頻的感官質量不斷突破,但精準理解、物理真實仍是核心難題 

當前免費AIGC視頻應用的實際使用中,定向生成的效果可控性整體不高,往往需要多個應用結合起來使用。這是由於各個應用目前展現的長處不同,有的具有擴寫分鏡功能,有的具有運動筆刷功能;有的在二次元風格上見長,有的在國風主題中表現較好。而在單個應用的使用時,往往也需要多次生成,類似 「抽卡」模式。普通用户需反覆生成並篩選可用片段,個位數的生成次數能達到預期效果的話,就已經是比較優異的。而專業用户,如影視團隊則可通過定製化API直接控制生成參數(如鏡頭運動、角色動作)。

下表是綜合梳理了B站及知乎平臺等AI博主整理的各類免費AIGC視頻應用工具評測。各家產品應用的性能也在不斷迭代中,對一些控制性功能如運動筆刷、運鏡等都可以進行增加和完善。

在用户的使用限制和價格上,也在不斷放開和降費。例如,OpenAI的視頻生成工具 Sora,其在2024.2月發佈時,但並未開放公測,僅對少數企業級用户付費使用;2024.12月其正式對多個國家用户開放,用户可在 OpenAI 官網上體驗 Sora。同時,Sora 被包含在 ChatGPT Plus 和 ChatGPT Pro 的會員訂閲方案中,用户無需額外付費。訂閲 Plus 方案的用户可使用 Sora 生成最多 50 個分辨率達 720p、時長為 5 秒的高級視頻, 而 Pro 方案能生成最多 500 個分辨率達 1080p、時長為 20 秒的高級視頻。

資料來源:公開信息整理,招商銀行研究院

資料來源:公開信息整理,招商銀行研究院

資料來源:公開信息整理,招商銀行研究院

AIGC將如何變革內容產業?從PGC、UGC到AIGC的內容創作降本平權

在思考上述問題時,希望不僅僅停留在AIGC技術對內容生產的改變層面,而是進一步推演在生產技術變革之下,未來傳媒產業格局如何演變。AIGC作為劃時代技術,其對各行各業變革的終局形態很難想象,因此推演其未來演變時,無可避免要拿它與本世紀以來的互聯網技術作比較。而傳媒產業恰恰是在互聯網技術驅動下,變革顛覆最大的產業(沒有之一),回顧和思考互聯網技術對其的影響,或可得到一定借鑑和啓發。

資料來源:招商銀行研究院

資料來源:招商銀行研究院

資料來源:招商銀行研究院

互聯網技術發展對傳媒內容產品升級、分發渠道的供需兩端均產生顛覆影響,本質是信息傳輸能力與通訊設備的升級帶來內容產品的迭代,而基於內容產品從圖文逐漸向視頻形態升級,帶動了分發渠道的多樣化和消費需求的爆發。但是從內容品質上來看,存在追求「流量為王」犧牲「專業度」的問題。互聯網技術對影視內容的生產影響,僅僅是體現在效率優化和數字技術上,並沒有改變20世紀以來的「劇本-分鏡-拍攝-后期」傳統生產模式的本質。

雖然當前AIGC在傳媒內容端的應用僅處於初期水平,但是傳媒內容領域兼具了ToC商業化應用變現快速與ToB專業化生產亟待變革兩方面有利條件,或將推動AIGC在內容創作領域更為快速迭代。從前文1.2節所述的B端「人機共創」的AIGC視頻案例來看,其可極大縮減人工的成本和創作時間,大大簡化傳統生產模式(如根據劇本自動生成分鏡、后期製作時特效和背景AI生成等),可以預見AIGC將成為未來內容生產力變革的利劍。

3.1 對標互聯網技術對傳媒的變革:需求驅動,線上流量爆發帶來渠道顛覆、內容形態迭代

3.1.1 當前格局:以短視頻為代表的PUGC內容佔據主導,長視頻等PGC專業內容逐漸式微

回顧互聯網技術對傳媒行業的推動和變革,總體上是信息傳輸基礎設施的升級帶動需求端的內容渠道和產品的多元化,資訊、社交、文娛內容的豐富度、獲取的便捷度大大增加,同時內容形式也逐漸從圖文向視頻升級,且內容數量大大提升。傳媒特別是互聯網傳媒正在持續擴大對用户注意力的吸引,然而這種吸引之下,是大眾對內容品質越來越多的詬病。也就是説,過去二十年來互聯網和移動互聯網的快速發展,切實創造了更多傳媒需求,推動內容形態和數量升級,但內容品質的升級相對滯后,反而由於需求爆發式增長導致供給以量以快取勝,內容產品整體質量下降。

內容形態:互聯網3G/4G/5G技術的迭代升級,帶來流量接入的迅速增長,互聯網媒體內容也從文字、圖片到視頻進行着升級。隨着用户使用流量的單位成本降低,媒體內容越來越豐富。視頻等流媒體內容已成為移動互聯網時代的重要內容。

分發渠道:與內容數量增長互為驅動,媒體渠道也在不斷裂變和增長,線上渠道特別是流媒體已成為主流。結構上,線上媒體在2010年之前處於輔助地位,但隨着移動互聯網的興起和深化,在微博\微信等移動社交媒體以及愛優騰等長視頻平臺出現后,到2015年線上媒體基本可以與線下媒體分庭抗禮。隨着以字節系的短視頻平臺爆發式增長,其內容屬性兼具了娛樂、社交、資訊功能,至此線上流媒體逐漸佔據主流地位。 

用户羣體:隨着產品和渠道數量的不斷增長,用户羣體呈現出更加細分的趨勢。垂類社羣和長尾需求逐漸得到滿足,用户可以根據自身興趣和需求,找到更為精準的內容和服務。這種細分化不僅提升了用户的體驗,也為平臺提供了更多的商業機會。

內容生產:在電視臺、門户網站和在線視頻階段,PGC(Professional Generated Content,專業內容生產)是主要模式,PGC通過高質量的內容吸引了大量用户的注意力。然而,隨着短視頻的興起,內容生產的門檻大大降低,UGC(User Generated Content,用户生成內容)迎來了爆發式增長。UGC憑藉其高用户參與度和多樣化的內容形式,為平臺注入了新的活力。2019年后,短視頻逐漸進入成熟期,內容創作進一步迭代至PUGC(Professional User Generated Content,專業用户生成內容)模式。PUGC兼具PGC的專業性和UGC的廣泛參與性,憑藉專業內容與熱點營銷,對長視頻等傳統PGC專業內容形成顯著擠壓,成為最主流的內容生產模式。

資料來源:招商銀行研究院;

資料來源:招商銀行研究院;

資料來源:招商銀行研究院;

注:年份是按照傳媒應用商業化興起設定,並非運營商開始商業化的時間。運營商牌照發放時間分別為:2G(1995)\3G(2009)、4G(2013)、5G(2019)

3.1.2 驅動特徵:互聯網技術顛覆渠道格局,PGC及PUGC內容生產機構依附於互聯網巨頭

互聯網技術對傳媒行業的變革,本質上源於信息傳輸能力和通訊設施的升級,不僅催生了多元化的內容產品形態,更重塑了整個行業的傳播邏輯。從文字、圖片到短視頻、直播,內容形式的演進始終與技術進步同步,而分發渠道也從傳統的廣電網絡、紙質媒體轉向了算法驅動的社交媒體和視頻平臺。這一變革的終局,是行業權力結構的根本性轉移——傳播中心從線下廣電渠道讓位於線上視頻平臺,內容生產的話語權從專業機構主導的PGC模式(以供定需)轉向由用户和創作者共同參與的PUGC模式(流量為王)。這種轉變不僅重構了內容生態,更深刻改變了傳媒行業的商業邏輯和競爭規則。

更不能忽視的是,互聯網技術的普及在推動行業變革的同時,也帶來了前所未有的馬太效應,這種現象的強度遠超傳統媒體時代。其根源在於互聯網技術極大強化了人與人、人與物之間的連接效率,根據梅特卡夫定律,網絡價值與用户數量的平方成正比。這種超線性增長特性使得頭部平臺能夠迅速積累用户規模,形成近乎壟斷的市場地位。在傳媒領域,這種效應表現爲流量和用户注意力的高度集中——少數幾個超級平臺(字節、騰訊等)掌控了絕大部分的內容分發渠道和用户時長,而傳統媒體則逐漸邊緣化。這種集中度不僅改變了內容傳播的格局,更重塑了整個傳媒產業的權力結構。

騰訊系依靠微信+QQ持續在3G\4G時代佔據絕對優勢,而字節系則憑藉抖音頭條等頭部產品,以4G移動互聯網下沉為契機實現快速追趕,兩大巨頭位列互聯網時長的前兩位。根據QuestMobile統計,截至2022年12月,騰訊系時長佔比達33.6%,字節系時長佔比達24.5%,快手系(10.2%)、 百度系(8%)和阿里系(6.2%)分別位列第3-5名。

資料來源:QuestMobile,招商銀行研究院

資料來源:QuestMobile,招商銀行研究院

資料來源:QuestMobile,招商銀行研究院

互聯網時代的媒體分發渠道集中度之所以遠高於傳統媒體時代,關鍵在於技術特性帶來的規模效應和網絡效應雙重疊加。一方面,數字內容的邊際成本趨近於零,使得頭部平臺能夠以極低成本服務海量用户;另一方面,用户聚集產生的數據資產又進一步強化了平臺的算法優勢,形成難以打破的正向循環。這種「贏家通吃」的格局導致新興媒體難以突圍,即便擁有優質內容也難以獲得對等的傳播機會。在傳統媒體時代,由於物理分發渠道的限制和地域性特徵,市場尚能維持相對分散的競爭格局;而在互聯網時代,技術特性天然傾向於集中化,這使得傳媒行業的馬太效應表現得尤為突出。

面對互聯網技術帶來的馬太效應,傳媒行業正在經歷深刻的調整與重構。一方面,頭部平臺憑藉流量優勢和數據積累,不斷向產業鏈上游延伸,通過投資、併購等方式鞏固其市場地位;另一方面,專業內容機構不得不調整策略,或選擇與平臺深度綁定,或轉向垂直細分領域尋求差異化生存空間。進而導致內容價值的評判標準發生根本性變化——從專業導向轉向流量導向,從質量優先轉向算法友好。內容創作存在追求「流量為王」而犧牲「專業度」的問題。

值得注意的是,隨着監管的介入和新技術(如AI)的發展,過度集中的市場格局可能出現新的變數。與此同時,當前傳媒行業面臨的內容同質化、質量參差不齊等發展瓶頸,恰恰為AIGC(人工智能生成內容)技術提供了施展空間,或可通過重構內容創作的價值鏈條和生產方式,實現內容創作生產力的變革。

3.2 AIGC技術對傳媒的變革:供給驅動,內容創作迎來「破壁」,視頻垂直應用或成為新入口 

AIGC對傳媒行業的變革,本質是內容供給端的技術革命。與互聯網技術驅動的需求端(包括渠道和產品類型)變革不同,其核心在於內容供給的生產力躍遷。如果説互聯網技術通過降低信息傳輸成本、拓寬分發渠道,讓內容消費需求爆發式增長,那麼AIGC則通過重構內容生產邏輯,讓創作效率和產業格局發生根本性變化。其影響將不僅僅是改變內容生產模式,同樣還會重塑傳媒產業的話語權結構。

3.2.1 推論1:內容生產重塑,從「人力密集」到「AI輔助\主導」

傳統影視製作中,從創意到成片需要經歷劇本創作、分鏡設計、實拍拍攝、后期製作等複雜環節,耗時長且成本高昂,影視內容生產長期一直處於高成本、長周期的「重工業」模式。傳統影視製作高度依賴人力,不僅演員成本極高,亦是需要編劇、監製、后期、特效等專業人才,AIGC重塑影視製作各個環節,大幅減少人力投入和製作時間。同時也將同步重構影視產業的價值鏈:當內容生產邊際成本趨近於零,競爭焦點將從「製作能力」轉向「創意IP運營」。

資料來源:招商銀行研究院

資料來源:招商銀行研究院

資料來源:招商銀行研究院

劇本開發階段:AI劇本生成器可基於關鍵詞自動生成故事框架,將創意孵化周期從數月壓縮至數天。還可實時檢測情節漏洞,替代傳統人工劇本評估環節。《謎題大師》是Netflix的一次實驗性的動畫短片,其利用AI技術生成400+劇情分支方案。AI在學習了40萬小時的恐怖電影素材后自動生成劇本,並融合了大量無厘頭的喜劇元素,全程均由AI生成劇本,整個故事進展的推動方式極其荒誕,反而產生出超乎尋常的無厘頭喜劇效果。國內頭部影視公司華策影視持續探索影視AI應用,其自研大模型「有風」已在內部電視劇、電影、短劇等團隊使用,可將一部120萬字的小説評估報告生成時長從5至7天縮短到15-30分鍾,提高評估效率與精準度。

視覺分鏡預生產:傳統手繪分鏡需數小時至數天,而AI可實現10秒內生成多版本分鏡。如美國人工智能公司Midjourney(在AI繪圖領域,Midjourney與Stable Diffusion被公認為兩大龍頭)支持文字快速生成攝影級畫面,細節處理已達專業水準。

拍攝製作階段:虛擬製片系統實現實時背景替換,還可用羣演系統(基於AI動作生成)節省戰爭場景千萬級成本。

3.2.2 推論2:產業格局演變,AI應用或成為平臺競爭新入口

儘管當前AIGC完全替代傳媒產業的人工投入還不現實,但是已經可以在一些低端需求如背景搭建、羣演上降低了對人員的依賴,同時還可大大降低內容創作的入門門檻。如文生圖(如MidJourney)、文生視頻(如Sora)、AI音樂生成(如Suno)等垂直工具,已經成為用户創作的新入口,挑戰傳統內容平臺的主導地位。

另一方面,頭部互聯網平臺正在加速入局AIGC模型及應用,並且更加註重雲基礎設施+大模型+數據飛輪+C端\B端應用的全AI生態佈局。短期AI模型應用的技術領先性、功能性,仍是平臺競爭的重點。

例如,字節跳動正以豆包大模型為核心,構建覆蓋AI基礎設施、多模態能力、智能終端、行業應用的全棧AI生態,形成從底層算力到上層應用的完整閉環。算法環節上,以豆包大模型為核心,涵蓋圖像、視頻、音頻和開發等多個領域,並且可為開發者提供成熟完整的工具鏈。應用環節上,字節在AI應用的戰略較為清晰,一是對標優質競品推出C端應用產品,覆蓋聊天助手、情感陪伴、教育等全領域,二是B端Agent、AI雲服務配套大模型應用的企業級佈局,三是利用產品矩陣的流量和商務團隊,助力AI應用的推廣。

資料來源:字節,招商銀行研究院

資料來源:字節,招商銀行研究院

資料來源:字節,招商銀行研究院

3.2.3 推論3:應用商業化,短期落地看C端,長期壁壘看B端

ToC端AIGC應用是未來一兩年的主要落地領域,ToB端應用短期以輔助降本為主,長期隨着技術成熟的提升,可能成為內容製作的主導力量。預計未來幾年,AIGC的 C端應用將快速放量、圈攬用户,而B端深度嵌入內容生產流程也將隨着技術快速升級而形成成熟商業模式。

在C端市場,低門檻、趣味性應用(如AI繪畫、短視頻生成)快速吸引用户。如視頻生成大模型快手「可靈AI」,自2024年6月上線至今,月活用户數量增長25倍。截至目前,可靈AI全球用户規模已突破2200萬,累計生成1.68億個視頻及3.44億張圖片素材。短期看,C端應用還處於導流階段,當下競爭聚焦於生成成本的持續下降、使用功能及效果的持續優化;中長期還需在用户留存和盈利模式等方向探索。

相比之下,B端市場的商業化更具長期價值。一方面,B端技術將大大縮減現有影視製作的成本,盈利模式清晰有效;另一方面,B端技術成熟度提升,又將反哺C端產品,如快手可靈AI從影視B端延伸至UGC創作,進一步加築C端應用的壁壘。

結論及建議:關注大模型開發能力、垂直應用技術成熟度及商業模式進展

當前AIGC視頻在影視輔助製作中的應用已可顯著降低人力成本和時間投入。可以預見,隨着AIGC視頻大模型的持續進化,終將徹底改變傳統影視工業的「人力密集型」生產模式。當內容生產邊際成本無限趨近於零時,傳媒產業價值鏈也將迎來重構,競爭核心將從中游環節的「製作能力」和下游環節的「渠道能力」轉向上游環節的「IP創意運營」和「AI視頻模型能力」。

從銀行業務視角,鑑於AIGC視頻生成領域仍處於未商業化或商業化早期,可按大模型開發能力、按垂直應用技術成熟度、按垂直應用商業模式等方面給予關注和跟進。

(本段有刪減,招商銀行各部請登錄「招銀智庫」查看原文)

註釋

1、在DiT架構之前,AIGC視頻模型主要採用生成對抗網絡GAN架構、Transformer自迴歸模型。

2、短片《潛入夢海》是上海國際電影節 「AIGC單元」最佳創意獎作品,其AI影像總監和分鏡設計師劉璨聞,00后,曾就讀於中央美術學院附中與温哥華電影學院,現供職於一家AI科技公司。

3、全球影視市場中,全球電影票房收入約400億美元,電視OTT及流媒體的訂閲收入約1000億美元,影視相關廣告收入>1000億美元,另還包括周邊衍生文娛市場等。

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。