藝恩觀察:視頻AI訓練數據告急,公網視頻"吃完了",下一批從哪來?

　　當Sora 2、可靈3.0、Veo 3.1等前沿視頻生成模型加速迭代時，一個被行業刻意回避的問題正在浮出水面——訓練數據從哪來？

　　OpenAI在Sora 2的系統卡里僅用41個字描述訓練數據來源，未披露任何數據集名稱與規模。同期，NVIDIA Cosmos亮出2000萬小時、9000萬億token的訓練規模，騰訊HunyuanVideo公開了億級切片的訓練流程——前沿模型跑得越快，"用什么訓的"反而越說不清。

　　多模態數據集服務商藝恩在近日發布的行業觀察中指出：對任何一家正在做視頻生成或世界模型的公司來說，真正的問題不是"下一代模型要多大"，而是"下一批訓練數據從哪兒來"。

　　瓶頸一：公開數據正在見底

　　Epoch AI在2024年ICML論文中估算，經質量修正后的公開人類文本約300萬億token，按當前消耗速度將在2026至2032年間用完。視頻領域雖無等價研究，但可反向推算：NVIDIA Cosmos的2000萬小時訓練語料，大致相當于YouTube全球27天的全部上傳量。

　　公網視頻不是不夠多，是不夠好。質量、密度、信號均不足以支撐下一代模型。Meta V-JEPA 2訓練用了"100萬小時以上互聯網視頻加少量交互數據"——前一項是已做到的規模，后一項才是真正的瓶頸。

圖 1 · 前沿視頻模型訓練數據公開披露度對比

　　瓶頸二：4D與多視角數據，公網里幾乎沒有

　　世界模型陣營已將此點明。Meta LeCun在V-JEPA 2論文中指出，"以觀察為主學習世界"需結合互聯網視頻與交互數據；斯坦福Fei-Fei Li更直言："空間智能的數據都在我們腦子里，不像語言可直接獲取。"

　　目前公開4D數據集規模有限——上海AI Lab的DNA-Rendering提供6750萬幀多視角語料，Google Stereo4D挖出11萬個4D片段——相比千萬小時級2D視頻，小兩到三個數量級，且高度集中在人體、自動駕駛、室內機器人三個窄域。

　　資本已用腳投票。2026年初，Fei-Fei Li的World Labs獲10億美元融資，LeCun創立的AMI Labs完成10.3億美元種子輪，兩筆合計20億美元，核心押注均指向——為"理解物理世界"準備數據。

圖 2 · 視頻訓練數據的三個結構性缺口

　　瓶頸三：電影級數據開始被定價

　　帶導演意圖的視頻正在成為稀缺資源。阿里Wan 2.2按光線、色調、構圖等幾十維標注訓練數據；Google Veo 3紅隊報告顯示其輸出"偏電影級，常出現切鏡與戲劇性運鏡"——背后必有高占比電影級語料支撐。

　　2025年12月，迪士尼以10億美元入股OpenAI，200余個IP角色被納入Sora生成范圍，雖僅授權"輸出生成權"而非"訓練權"，但這是好萊塢與視頻AI首次以IP+現金+股權方式將內容擺上談判桌。

　　國內方面，2025年1月愛奇藝起訴MiniMax的版權案仍在審理，索賠僅10萬元，但作為中國首例視頻平臺訴AI模型案，信號意義遠超金額本身。

　　藝恩判斷：下一步不在公網

　　藝恩在觀察中給出明確判斷："再加10倍數據"的方向，不在公網，而在三條路——

　　第一條是仿真合成路線，以NVIDIA Cosmos為代表，用物理仿真與機器人采集數據替代真實視頻；

　　第二條是精標注路線，以Wan 2.2為代表，給現有視頻疊加電影級結構化標注；

　　第三條是IP采購路線，以迪士尼-OpenAI為代表，真金白銀買入版權清晰的優質內容。

　　三條路有一個共同特征：垂類、有授權鏈、有結構化標注。 藝恩認為，這已不是數據工程問題，而是戰略采購問題——決定它的不是工程團隊的吞吐能力，而是組織能否搭出一條"合規可溯源+多模態標注+持續更新"的供給體系。

圖 3 · 2025-2026 圍繞「視頻訓練數據」的資本與合規節點

　　藝恩方面表示，其在影視綜藝、社媒、電商領域有超過10年的垂類數據積累，包括2.3B+條垂類視頻資產、1.2M+部影視綜藝授權片，以及多機位與4D采集能力和五維稠密標注體系。在其看來，行業面臨的不是"數據用完了"，而是"數據該被重新定義"——下一代視頻模型需要的不是更多公網視頻，而是更結構化、更可溯源、更接近真實物理世界的垂類語料。

　　轉自：中國經濟新聞網

　　【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。

延伸閱讀