DeepMind 于力军：短剧不是目的，AI 视频生成的下一步是"更高级的智能"

"今年前 8 个月，微短剧上线 43 万部，AI 剧占比超九成"——在 AI 视频生成最火的商业场景里，短剧无疑是当下最显眼的应用。但在视频生成研究者于力军看来，短剧并不是这项技术的终点。据《麻省理工科技评论》（DeepTech）访谈，这位 MAGVIT、VideoPoet 的第一作者、2026 年入选"35 岁以下科技创新 35 人"亚太榜的北大校友认为：短剧恰恰说明"画质不必完美，剧本能不能吸引人才是关键"——剧本的智能主要在语言模型里，视频模型更多负责把它渲染成画面。

那"更高级的智能"指什么？于力军的设想是：让模型直接去看真实世界的视频来学习，而不只是从人类整理好的文字知识里学，这样智能的上限理论上可能更高。难点在于视频"信噪比低"、学习效率不高，可能需要远超现在的算力，这条路尚未被证明。他更在意的是，模型能否从文本、代码、图像、视频、声音等多种信息形式中，真正学到抽象知识。

技术上，他经历了从 MAGVIT（离散视觉词元 + 掩码生成）到 VideoPoet（自回归、训练高效但推理偏慢）、再到 MAGVIT-v2（优化视觉分词器）的路线演进；对于"统一多模态模型"，他坦言目前尚无成熟解法，建议现阶段把生成模型当成工具，由语言模型或智能体来调用。对行业，他判断视频生成已跨过"从 0 到 1"、2026 年进入可用阶段，也经历了一轮洗牌；具身智能长期有价值，但大规模落地仍需数年。他留下一句意味深长的话："谁能把数字空间和现实世界之间'最后一公里'的交互做得更高效，谁就会有很大的机会。"