xAI前视频多模态负责人Ethan He访谈：视频模型的天花板，其实是语言模型 · AI HOT
向阳乔木@vista865
2026-06-03 16:22·13天前
AI 摘要xAI前视频多模态负责人Ethan He在离职转向语言模型研究时表示，视频模型最大的瓶颈是语言模型。他曾在NVIDIA参与Cosmos模型开发，并在加入xAI后三个月内从零搭建出Grok Imagine 0.9。他指出训练视频模型成本高昂，例如存储10亿个视频需5PB，仅AWS月费就达数百万人民币。视频模型需先预训练图像模型，再通过VLM生成合成字幕以解决数据对齐问题。当前模型在生成长视频时上下文容易爆炸，而他认为扩散模型对文本的理解过于字面化，对语言意图的深层理解才是突破关键。
xAI多模态大佬观点视频
向阳乔木@vista8 · X 65
2026-06-03 16:22·13天前
AI 摘要xAI前视频多模态负责人Ethan He在离职转向语言模型研究时表示，视频模型最大的瓶颈是语言模型。他曾在NVIDIA参与Cosmos模型开发，并在加入xAI后三个月内从零搭建出Grok Imagine 0.9。他指出训练视频模型成本高昂，例如存储10亿个视频需5PB，仅AWS月费就达数百万人民币。视频模型需先预训练图像模型，再通过VLM生成合成字幕以解决数据对齐问题。当前模型在生成长视频时上下文容易爆炸，而他认为扩散模型对文本的理解过于字面化，对语言意图的深层理解才是突破关键。
原因很实际，图像比视频便宜得多，而且语言和图像之间的对应关系更密集。
举个具体数字：训练 10 亿张图文对，和训练 10 亿个视频文本对，成本完全不在一个量级。
视频模型对语言的理解，完全来自这种文本到视觉内容的映射关系。
所以标准做法是：先训图像扩散模型，再用它作为基础，迁移到视频模型。
YouTube 上的标题和评论，和视频内容本身几乎没有关联。
一段山川自然风光，标题可能是"今天真开心"，二者毫无关系。
所以必须用 VLM（视觉语言模型，能同时理解图像和文字的 AI 模型）给视频打字幕，生成合成的文本视频对。
Cosmos 的标注要求非常具体：描述要详细到让一个盲人听完文字，就能在脑海中重建出这段视频。
这个标准直接决定了后来视频模型能不能真正理解人类意图。
第三步：训练 VAE（变分自编码器，一种把图像压缩成低维表示再还原的压缩器）
原始视频帧的像素量太大，1000×1000 的图像就有 100 万个像素，Transformer（一种主流的 AI 模型架构）根本无法直接处理。
VAE 把图像映射到一个低维的连续潜空间（latent space，可以理解为图像的"压缩编码"），再从潜空间还原回图像。
具体做法是把图像切成小块（patch），每个小块映射成一个向量，这样一张图就变成了几十个向量，而不是 100 万个像素。
Wan 2.1 采用 8×8×4 的压缩率，时间维度压缩 4 倍，上下文长度大幅缩短，训练效率更高。
但代价是实时性：如果要做实时交互，时间维度的压缩会引入固定的延迟，无法做到即时响应。
如果不压缩时间维度，只做帧内压缩（8×8×1），上下文长度会是 4 倍压缩方案的 4 倍，计算量大得多，但可以支持帧级别的实时输出。
第四步：训练扩散 Transformer（Diffusion Transformer）
流程和语言模型非常相似，区别只是输入输出换成了视觉 token（图像的压缩表示），以及加入了去噪过程：向视觉 token 加入随机噪声，训练模型把噪声去掉，推理时从纯噪声开始迭代生成干净的图像或视频。
推理侧的主要优化手段是步骤蒸馏（Step Distillation）：用完整模型跑 100 步生成高质量结果，再训练一个只需要 10 步的小模型去模仿它。
这背后的逻辑是：完整模型要学的是整个互联网的图像分布，极其复杂，蒸馏模型只需要学老师模型的分布，简单得多。
Cosmos 的生产版本已经可以做到 4 步甚至 1 步生成（针对图生图等简单任务）。
Ethan He 做了一个粗略的估算，数字很有参考价值。
LTX 是 19B（190 亿）参数的稠密模型，也有人在探索 MoE（混合专家模型，一种让模型只激活部分参数的架构），激活参数约 20B，总参数可能达到数百 B。
Cosmos 公开披露的视觉 token 数量也在数十万亿量级，和语言模型的训练规模接近。
存储成本： 假设有 10 亿个视频，每个视频 5MB，光存储就需要 5PB（5000TB）。
加上 VAE 提取的特征文件，总存储量翻倍，达到约 10PB。
在 AWS S3 标准存储上，5PB 的月存储费用约 23 万人民币，加上数据出口费用，每月总成本可能达到数百万人民币，还没算 GPU 训练成本。
他特别提到：数据出口费用（把数据从云端传输出去的费用）比存储本身更贵。
每次训练都需要把数据拉取一遍，如果多次训练，费用成倍叠加。
这也是为什么大规模训练团队通常会自建存储基础设施，而不是完全依赖公有云。
I/O 瓶颈： 视频训练天然是 I/O 密集型任务，数据加载速度很容易成为 GPU 利用率的瓶颈。
Ethan He 在英伟达做 Cosmos 时专门做了大量 I/O 优化。
Ethan He 给世界模型下了一个工程意义上的定义，三个维度。
交互性： 模型可以响应键盘、鼠标、语音等多种输入，并给出合理的反馈。
CS 职业选手需要亚 3 毫秒的响应（300FPS 对应约 3 毫秒每帧），60FPS 游戏需要 16 毫秒，实时语音交互的容忍上限大约是 200 毫秒。现有视频模型大多达不到这个要求。
长时程： 不是生成几秒钟的片段，而是能持续生成几分钟甚至几小时的内容，同时保持角色、场景、声音的一致性。
Cosmos 里 5 秒视频就有约 55K 到 60K 个 token，50 秒就是 500K token，再长就很难处理。
现有视频模型的上下文窗口大约在几百万 token 量级，但实际使用中很快就会爆炸。
Ethan He 在 xAI 主导的视频扩展（Video Extension）功能，是迈向长时程的第一步：让模型在生成下一段视频时，能访问之前所有视频的完整历史上下文，而不只是最后一帧或最后一秒。
这解决了多次扩展后视频质量退化、人物声音漂移的问题。
参考视频（Reference-to-Video）是另一个折中方案：允许用户上传最多 7 张图片作为条件，让模型在生成时参考特定角色或场景。
Ethan He 自己也承认这是个"作弊"方案，真正的解法是让模型自己学会从历史中选择性地提取相关上下文。
FramePack（一篇论文提出的方法）提供了一个启发式思路：最近的历史保留完整分辨率，越早的历史压缩得越小，总 token 数保持固定上限。
这和人类记忆的工作方式有些相似，但 Ethan He 认为更理想的状态是让模型自己决定哪些历史值得保留，而不是靠人工设计的规则。
这是整个访谈里最反直觉的判断，也是 Ethan He 离职的核心原因。
扩散模型（Diffusion Model，一种通过去噪生成图像或视频的模型）在训练时被要求按照极其详细的文字描述生成视频，所以推理时也会字面理解用户的输入。
你说"一只猫"，它就生成一只猫，白色背景，静止不动，因为你没说背景，没说动作。
它取的是训练数据里那种极度详细的描述风格，用户的简短输入和这个分布完全不匹配。
真正让模型变聪明的，是提示词重写器（Prompt Rewriter），一个更大的语言模型，负责把用户的简单描述扩展成极其详细的视频描述。
Cosmos 用的是 Llama 或 Mixtral，而且提示词重写器比视频扩散模型本身（7B 参数）还要大。
他举了一个具体例子：同样是生成一只快乐的羊，不经过重写，结果看起来像 CGI；经过重写之后，画面质量有质的飞跃，而且这个提升不需要任何联合训练。
GPT Image 生成一张图需要 3 分钟，其中大部分时间不是在生成像素，而是在"思考"，也就是提示词重写和规划阶段。
- 工具调用： 生成图片前先联网查今天的新闻，处理后再生成
- 智能体协调： 调用视频生成、视频编辑、图像处理、FFmpeg 等多种工具，迭代生成高质量内容
Grok Imagine 已经有了一个智能体模式的早期版本，可以通过调用不同工具来生成更长的视频。
Grok Imagine 0.9 是 Ethan He 认为业内首个大规模部署的音频视频联合生成模型。
- 语音部分： 接近离散 token（可以理解为有限词汇表里的单词），可以用类似语言模型的方式处理
- 音乐部分： 完全连续，无法离散化，现有语言模型对音乐的理解非常有限
让语言模型描述音乐细节，就像让盲人描述颜色一样困难。
大多数语言模型可以识别"这是哪首歌"，但无法描述音乐的节拍、音调和细节，更无法生成高质量的音乐。
文本和图像之间的对应是松散的，你可以用一段话描述整张图。
但音频和视频必须在时间轴上精确对齐：哪一秒有什么声音，必须和画面严格同步。
这种精确的时间感知，是现有多模态模型普遍缺失的能力。
访谈中展示了两个产品案例，代表了 Ethan He 对未来交互方式的判断。
Flipbook： 一个用图像生成模型实时渲染的浏览器界面。
页面里的所有内容都是模型生成的，公司不存在，场景是虚构的。
比如点击"金字塔建造技术"，模型会生成一个详细介绍杠杆技术的新页面，配有对应的生成图像。
Neural OS（神经操作系统）： 用视频模型模拟一个完整的操作系统，可以运行 Doom、Firefox 等应用，所有画面都是模型实时生成的。
Ethan He 的预测是：随着推理成本下降，扩散模型会成为人机交互的前端层，语言模型和确定性代码在后端运行，用户看到的所有界面都由生成模型实时渲染。
每个用户可以有完全不同的界面，邮件可以像 TikTok 一样滑动，Instagram 可以去掉你总是误触的点赞按钮。
他估算了一下成本：如果每 100 个请求 1 美元，每天用 8 小时，每月大约 240 美元。
现在确实贵，但推理成本每年大约下降 2 倍，他认为这个未来会到来。
他还提出了一个关于人机带宽的判断：人类的最大输入带宽是视觉（看），最大输出带宽是语音（说）。
所以未来最自然的人机交互方式，是用户说话，AI 用生成式画面回应，这是神经链接（Neuralink）出现之前的最高带宽交互形式。
Ethan He 的回答很直接：有些研究在公司里做不了，而且公司的优先级会快速变化。
他想做的，是语言模型方向的研究，特别是模型如何自主管理自己的上下文。
他的具体预测是：语言模型很快会出现真正的上下文感知能力，模型知道自己的上下文窗口用了多少，能主动决定压缩、丢弃或保留哪些内容，而不是依赖外部 harness（智能体框架，一种包裹模型的工程系统）的启发式规则。
他举了一个例子：现在 Claude（Anthropic 的 AI 模型）在上下文接近上限时会自动触发压缩，但模型本身对这个过程毫不知情，还在按照原来的方式工作。
理想状态是模型自己感知到"我快到上限了"，并主动调整策略。
他认为视频模型在这方面的探索某种程度上比语言模型更超前，因为视频的长时程问题更紧迫，研究者被迫更早面对这个问题。
他还提到一个更激进的想法：如果把智能体框架的代码直接放进模型的上下文，让模型能够修改自己的运行规则，比如决定"读长文档时我要分块处理还是只读前 200 行"，这种自我修改的智能体框架可能是一个值得探索的方向。
Ethan He 的职业路径本身也值得单独说一下。
十年前他在做 ResNet（残差网络，一种经典的图像识别模型架构）时代的图像识别和目标检测研究，同时做模型压缩。
他当时想当教授，已经有几篇顶会一作论文，自信地申请了顶校博士，结果全部被拒。
被迫进入工业界，反而让他在 Facebook FAIR（Meta 的 AI 研究院，由 Yann LeCun 领导）做了自监督学习，之后到英伟达做 Cosmos 和 MoE（混合专家模型）扩展，再到 xAI 做视频多模态。
他在英伟达的另一个重要工作是 Megatron MoE，这是第一个开源的、能够高效训练超大规模 MoE 模型的框架，支持从 1000 亿参数到万亿参数的训练，MFU（模型浮点利用率，衡量 GPU 利用效率的指标）达到约 40%。
他的结论是：在机器学习内部切换方向，比大多数人想象的容易。训练大模型的核心原则是通用的，换个方向并不需要从零开始。
很多人觉得"我做计算机视觉，就只能做计算机视觉"，但他的经验证明这个边界没有那么硬。
信息不对称： Ethan He 在涉及 Grok Imagine 具体架构时多次说"不方便评论"，比如它是否是端到端扩散模型还是语言模型加扩散头的组合。这意味着一些关键技术细节仍然不透明。
成本估算是粗略的： 他的存储和训练成本计算是信封背面的估算，实际情况会因数据规模、训练次数、基础设施选择而有很大差异。
"语言模型是瓶颈"这个判断有边界： 他承认扩散模型本身的改进仍然重要，只是说在当前阶段，语言模型的改进带来的增益更大。这不等于视频模型架构研究没有价值。
世界模型的定义是他个人的： 他在访谈开头就声明，世界模型有很多定义，他只是分享自己的视角，不打算辩论谁对谁错。
本文根据 Latent Space 播客对 Ethan He 的访谈整理重写。
Ethan He 曾任英伟达 Cosmos 视频基础模型核心作者，xAI Grok Imagine 视频多模态负责人。