「敢不敢」胜过「能不能」，万字解析可灵 AI 的「非典型」突围路
「敢不敢」胜过「能不能」，万字解析可灵 AI 的「非典型」突围路
来源类型： 微信公众号文章
日期： 2026-06-02
标签： AI, 记忆系统, 电商, 办公效率, 编程, 芯片, 大模型
原文链接： https://mp.weixin.qq.com/s/ODl8tkXE4lO4yfPwN6XFfw
摘要
翻越千峰，见微知著。 对话｜张鹏、盖坤 编辑｜连冉* *** 一个不知道什么叫做「去世」的小男孩，想用自己攒下的 15 块钱，给奶奶烧一部「纸手机」。 这两天，AI 短片《纸手机》感动了无数网友。在这短短 5 分钟的时间里，有人想起了离开已久的亲人，有人感慨，第一次在 AI 制作的内容中看到了「人世间」。 作品全网播放量破亿背后，创作者李婷、杨选和其依托的创作平台可灵 AI 也在默契地进行某种「验证」——如果有更好的底层技术作为支撑，人类+AI 的叙事能力，能否被推向新的边界。 《纸手机》画面截图 今年春节过后，可灵 AI 发布了可灵 3.0 系...
核心内容
翻越千峰，见微知著。
对话｜张鹏、盖坤
编辑｜连冉**
一个不知道什么叫做「去世」的小男孩，想用自己攒下的 15 块钱，给奶奶烧一部「纸手机」。
这两天，AI 短片《纸手机》感动了无数网友。在这短短 5 分钟的时间里，有人想起了离开已久的亲人，有人感慨，第一次在 AI 制作的内容中看到了「人世间」。
作品全网播放量破亿背后，创作者李婷、杨选和其依托的创作平台可灵 AI 也在默契地进行某种「验证」——如果有更好的底层技术作为支撑，人类+AI 的叙事能力，能否被推向新的边界。
《纸手机》画面截图
今年春节过后，可灵 AI 发布了可灵 3.0 系列模型，包括：Video 3.0、Video 3.0 Omni（多模态交互）、Image 3.0 Omni（图像生成和编辑）。
迈入 3.0 时代的可灵 AI，正以 All-in-One 的一体化架构重塑视频模型体系，实现多模态输入与输出的高度统一。通过在角色一致性、镜头语言和多模态融合等维度的底层突破，可灵 3.0 全面打通了涵盖生成、编辑及后期的影视级全制作链路。
如果说《纸手机》的出圈，验证了今天的视频生成大模型可以是好内容的「推手」。可灵 AI 的故事，则让人看到了一个「敢不敢」胜过「能不能」的真实创新样板。
两年多前，在 Sora 惊艳世界却迟迟不落地的真空期，快手可灵凭借超强的战略直觉与执行力，抢先发布了全球首个用户可用的 DiT 大模型。
在不久前极客公园创始人张鹏与快手高级副总裁兼可灵 AI 事业部总负责人盖坤的深度对谈中，我们得以窥见这一奇迹背后的「非典型」路径：早期可灵甚至是在资源受限的情况下，靠着对技术路线的极速押注完成了对硅谷巨头的侧翼包抄。
盖坤谈到一个重要的范式转移：在大模型这种「单次尝试代价巨大」的开放世界里，传统的互联网「AB 测试」与「赛马模式」已经失效。盖坤详述了可灵「三位一体」的成功公式——即如何将极致的愿景洞察、不设边界的算法突破与全新的交互介质（如将动作视为一种模态）深度融合。
从可灵 3.0 的 AIO（All-in-One）原生多模态架构，到 Motion Control 对创作控制权的再分配；从对 AI 视频生成赛道的战略判断，到对新内容平台可能诞生路径的推演，这场对谈不仅回答了「为什么是快手可灵」，也试图勾勒一个更长远的问题：
当视频生成成为重构供给的基础设施；当模态不断被拆解、被重组，人类的想象力是否终于可以摆脱专业门槛，被高质量、规模化地呈现？
快手高级副总裁兼可灵 AI 事业部总负责人盖坤
精彩观点：
•「敢不敢」是前置条件，如果不决策，连上牌桌的机会都没有。
• 逻辑有两点，一个是生存跃迁，这是上头部牌桌的唯一机会。如果不搏这一把，可灵很可能陷入「平庸-无资源-被淘汰」的负循环。还有一个是「光脚」心态，当时我们本来就是 Nobody。博输了还是 Nobody，博赢了就彻底改变命运。
• 基座指标要保，但解决新问题才是未来的核心。
• 如果没有合适的交互介质，连 Pro-C 也控制不了 AI。
• 当规模化、多样性的好内容多到一定程度，全新的 AI 内容平台就会诞生。
• 大模型时代改变了游戏规则：一次尝试的代价巨大（千万美金起步），且创新是在无限可能的空间里寻找不存在的路径（如多模态、DiT 架构）。核心能力在于由领军人物进行顶层技术与业务意志的规划。这种组织不再靠随机赛马，而是靠极强的 Vision（愿景）牵引，在一个茫茫多的可能性中下重注赌对方向。
***01
****如何从「默默无闻」到「全球首发」
张鹏：首先聊聊可灵 3.0，之前放出的素材反馈非常炸裂。这次的核心亮点应该是 15 秒的长时长、超强的可控性，以及在分镜转场层面变得更加简洁流畅了。
盖坤：我可以从更长的时间尺度来介绍一下 3.0。我们内部将 3.0 项目称为 All-in-One（AIO）模型，它是多模态模型思路的延续。
去年 12 月我们发布了两个阶段性模型：可灵 O1 和可灵 2.6。这两个模型在我们的叙事逻辑中各有分工：
• O1 侧重多模态输入（Input）：允许用户在文本指令中插入各类非文本文件，来表达文字难以描述的意图，比如具体的人物形象、细微的动作指令等。
• 2.6 侧重多模态输出（Output）：除了输出高质视频，还要同时输出匹配的音频（音画同步）。
我们最初的愿景就是奔着 AIO（All-in-One）去的，但由于技术建设、经验积累和产品打磨都需要时间，所以我们采取了阶段性策略，先分别攻克多模态输入和输出的试点。
张鹏：所以 3.0 是基于 O1 的思路演进而来的？
盖坤：思路一脉相承，但 3.0 是个重新训练的模型。我们在讨论 O1 和 2.6 的时候就意识到，这两者最终必须合二为一。一个真正的多模态模型，应该既具备强大的多模态输入能力，又具备音画同出的输出能力。
张鹏：这和 OpenAI 的 Sora 最初的思路是一致的。
盖坤：3.0 是多模态模型演进中的一个完整里程碑。在验证了 O1（输入端）和 2.6（输出端）的技术路线和用户反馈后，我们推出了现在的 3.0 和 3.0 Omni。
这两个产品背后其实是同一个模型，但在产品逻辑上我们做了区分。我们发现，虽然 O1 式的多模态输入可控性极高，对专业创作者很友好，但对普通用户来说门槛太高了——很多人不知道该如何精准地通过多模态素材来表达意图，毕竟这种「交互语言」不完全等同于自然语言。
张鹏：所以你们在交互层面做了分层：3.0 负责通用化，Omni 负责专业化。
盖坤：没错。可灵 3.0 遵循传统的「文生视频」和「图生视频」入口，界面简洁，符合大众用户的使用习惯。但我们也把 Omni 的核心能力（如主体库）植入了进去，用户可以通过主体库来确保视频中人物形象的一致性。
可灵 3.0 Omni 相当于「极客版」或「专业版」。它的自由度极大，支持输入的范围更广（如视频参考），控制能力更强，但也需要用户投入更多的精力去描述和指定。
张鹏：主要区别在于 Input 层的交互逻辑。场景资产现在支持吗？还是主要针对人物？
盖坤：目前主要是针对人物的主体库。
张鹏：在模型初始的时候设定的目标，其实会决定后续的发展走向，所以你们当时的目标是从什么视角出发的？
盖坤：从可灵诞生的第一天起，我给团队传达的愿景就非常明确，这两年来从未改变。
可灵最早的愿景源于我的一个想象：如果 AI 的视频生成能力足够强，我是不是可以独自把脑海中的电影拍出来？举个具体的例子，我学生时代非常喜欢《三体》。虽然《三体》已经被影视化过几次，但我觉得它们都没有完全呈现出我心目中那种宇宙史诗般的画面感和叙事张力。我不是导演，也不会操作专业相机，如果 AI 足够强大，它能帮我把脑海中的视觉图景和情感表达实现出来吗？
这种想象泛化开来，就是可灵的愿景：「让每个人都能成为导演，让每个人都能拍出自己心中的好故事。」这是我们对市场需求的定义，也是我们要达到的彼岸。
张鹏：我们来梳理一下从可灵 1.0、1.6 到 2.0、3.0 的技术演进。在这个宏大目标下，技术是如
...(内容截断，完整内容请查看原文)
本页由自动化脚本生成，待人工审核补充