# 顶级视频模型的半衰期只有30天，这家公司同时养着600个模型 > Training Data No. 74 中文精读 - 原标题：The Rise of Generative Media: fal's Bet on Video, Infrastructure, and Speed - 发布日期：2025-12-10 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/074-the-rise-of-generative-media-fal-s-bet-on-video-infrastructu-s_IIjG.html - 精读字数：约 5381 字（阅读约 12 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 一个视频模型冲进使用量前五之后，平均30天热度就减半。这是fal从2025年第二、三季度的平台数据里算出来的数字。半衰期这个词放在模型身上，听着像牛奶盒上的保质期，主持人Sonya Huang听完直接感叹，模型厂商的折旧表实在太残酷。 fal是开发者接入生成式媒体模型的平台，一个API同时提供600多个模型，OpenAI的Sora、谷歌的Veo、快手开源的可灵都在上面跑。红杉资本的播客Training Data这期请来了联合创始人Gorkem Yurtseven、Burkay Gur，还有推理引擎负责人Batuhan Taskaya。最后这位今年22岁，14岁开始写编译器，后来成了Python语言核心维护者，据他说是当时最年轻的一个。 整期对话按技术栈从下往上聊：推理引擎、模型层、工作流，最后到谁在付钱。干货很密，按顺序拆。 ## 一个当时没人抢的赛道 2022年前后，这拨人在做Python计算基础设施。DALL-E 2刚发布，ChatGPT、Llama接连出来。他们的起点很朴素，就是好奇图像模型能不能跑得更快。接了几个客户，增长快得离谱，他们才回过神来，决定全力押注。 当时的市场环境一边倒。AGI的故事讲得震天响，美元和人才全涌向语言模型。Burkay的原话大意是，我们手里有个增长飞快的小众赛道，别声张，闷头干。他们把官网文案改成“生成式媒体平台”，两三个月后，Sora发布了。 为什么生成式图像和视频此前被忽视？Gorkem给了两个原因。第一，缺少像vibe coding、搜索、客服那样清晰的行业用例，大家觉得这是个玩具市场。第二，三年前研究投入远小于LLM，起量慢了一拍。现在模型能力上来了，真实用例出现了，市场轮廓完全变了。 Burkay引了Karpathy最近的一条推文：人是视觉动物，人类产出的视频远多于文字。拿学习举例，很多人如今在ChatGPT上学东西，靠文字往返。一个概念能用15秒视频压缩，何必写一万字。Gorkem补了一句，教育市场这块，视频生成几乎还没人动，就等质量和可预测性到位。他们自己做了个用AI讲圣经故事的App发给Sonya，她的评价是，学圣经里的道理，这比读原文舒服多了。 ## 优化视频模型，和优化LLM是两门手艺 先看一笔账，Gorkem现场算的：一段200 token的LLM请求，算力记为1个单位；一张图大约100倍；一条5秒、24帧的视频有120帧，再乘100，就是1万倍；上4K再乘10。**一条低清短视频的算力，是一段文字的1万倍**。 账算完了，瓶颈也清楚了。Batuhan解释，自回归LLM的瓶颈在搬运：六千亿参数的权重要不停从显存搬进SRAM，算完一个token再算下一个，卡的是内存带宽，所以业界主攻投机解码这类省搬运的技术。扩散模型反过来，生成一条视频等于同时给几万甚至十万个token去噪，去噪循环跑50步，每步都对全部token做注意力，**GPU的算力带宽被彻底打满，瓶颈从内存换成了计算**。参数量反而是小事，开源视频模型现在约300亿参数，图像模型小到单卡就能跑，跟传闻里上万亿参数的GPT系列是两个世界。 fal的解法是自研追踪式推理引擎。10个人的性能团队写模板化kernel，做到95分但保持通用；引擎追踪模型执行，识别出匹配模式，运行时把通用kernel换成特化版本。Batuhan声称这套技术在所有基准上排第一，而且抽象在数学上保持正确，输出质量一帧不掉，这在媒体行业是硬门槛。 领先优势有多脆弱，Batuhan说得很坦白：拿一年前的fal引擎跟最新版PyTorch比，他们已经跑输了，因为PyTorch追上来了。**领先幅度撑死3到6个月，真正的壁垒是专注**。从英伟达到各家推理公司，全在给语言模型多挤一个token，没人像他们这样把全部精力砸在生成式媒体上。模型每月小改一版，架构大体不变，他们跟进优化；硬件换代，他们比谁都早适配英伟达B200，全年视频模型都跑得比别家快。 ## 同时跑600个模型是什么体验 Gorkem点了一件外界容易忽略的事：基础模型实验室只需要跑好自己的一个模型，fal要同时跑600个，还得把每一个都跑到比官方自己运营还快。这靠GPU上的优化不够，得靠整个基础设施：什么时间加载卸载哪个模型，哪个GPU肚子里已经装着哪个模型，流量就往哪送，再给不同模型匹配不同芯片，客户流量随时在变，调度跟着变。 Batuhan管这套东西叫分布式超算。一个月前他们分布在28个数据中心，现在约35个。这些算力规格不一、网络各异，要当成一个同质集群来调度。他们为此自研了调度器，甚至自建了CDN，把机架部署进运营商机房做流量分发。还有个反直觉的细节：图像要生成15秒、视频要20到30秒，任务越长，基础设施反而越轻松；真正难的是实时视频，边输入边出画面，他们把一年前优化语音到语音模型攒下的就近路由经验搬了过来。 那超大规模云厂商为什么没把这事做掉？Batuhan给了两层答案。推理优化是最近三年才出现的新领域，云巨头没有积累；基础设施这层，GPU的需求增长已经不符合云厂商的传统剧本，连微软都开始从新一代云厂商买卡了，规模优势的天平有点翻转。Burkay补了价格这刀：**同样的算力，走超大规模云厂商贵2到3倍**，里面有运维成本、SLA溢价，还有资本市场要求的云业务利润率。新一代云厂商是私有公司，没上市压力，为了抢需求互相压价。 ## 模型层：30天半衰期，和永远的长尾 回到开头那个数字。Gorkem对此倒是平静，说希望新模型是在旧模型工作之上叠加的，算是增量。 平台上任意时刻活跃的模型接近50个，长尾很长。三年前他们融资时被投资人质疑过：全能模型会一统天下，音视频图像代码一个模型全包，做单模态优化没有护城河。事实相反，**最好的超分模型只做超分，最好的图像编辑模型和最好的文生图模型是两个不同的模型**，每个专项任务都值得独立权重。这造就了模型生态的多样性，也造就了fal的生意。 选型上有个两年不变的规律：客户通常同时用一个最贵、质量最好的模型（Veo、可灵、Sora轮流坐庄），再加一个便宜够用的主力模型跑大批量。用例维度也在分化：OpenAI的图像编辑模型文字渲染强，图里要带大量文字的需求都流向它；可灵因为训练数据里有特效素材，做视觉特效的人偏爱它；字节的Seedance胜在材质细节和艺术多样性。 开源为什么在视频和图像编辑领域格外活跃，文本模型反而总慢一代？Gorkem从头捋了这条线：Stability当年开源Stable Diffusion拿到恐怖的采用量，原班人马后来创立Black Forest Labs，深知生态的威力，策略是一部分模型开源、一部分闭源。开源带来微调、适配器、免费传播和粘性，到现在都有人因为生态好用而留在Stable Diffusion上。后来的视频模型厂商纷纷抄这份作业。 Burkay从领域特性补了一层：语言模型太通用了，微调过你根本看不出差别，所以生态趋同。视觉领域改一点权重，风格变化巨大，是定制化的沃土。就算模型训练时见过一万种美学，你要的那个精确风格大概率还得自己微调，Sora 2就在社交风内容上做了重度微调。Gorkem总结得很清楚：客服机器人要原味，越素越好；电影人和品牌方要的是风格和品牌控制，这是两个世界。 fal管自己的模式叫marketplace-plus-plus。一边是开发者，喜欢这里一站式、不绑死任何单一模型；一边是模型实验室，把平台当分发渠道去触达这批开发者，两边互相吸引，飞轮转起来。过去两年他们还攒出一个营销机器，每次新模型发布都是一次曝光机会，实验室愿意跟他们联合营销，换来的是限时甚至永久的独家首发权，可灵、MiniMax都给过。 三个人的私心之选也顺带问了。Gorkem喜欢可灵，可惜没声音，带声音的目前只有Veo 3和Sora。Batuhan常用Reve的图像模型，也留着Flux，用他的话说有点怀旧。Burkay选了Midjourney，一个不在fal上、也没开放API的模型，他欣赏的是对方的路线：先靠照片级真实感立住，等所有人都能做真实感了，转身去做艺术风格的小众美学。 ## 谁在付钱：从圣经App到50万美元账单 工作流这层的信息量在于复杂度。fal前100大客户平均同时用14个模型，常常串成流水线：文生图出图，超分模型放大，再喂给图生视频模型。他们和Shopify合作做了个无代码工作流构建器，给PM和市场团队这类非技术角色试模型用，做好之后照样能通过API进产品。 真要做一条5分钟广告，流程和皮克斯的分镜逻辑一样：先定美学方向，用图像模型迭代出一系列分镜图，再让视频模型在分镜之间插值。Gorkem见过最夸张的工作流，新模型一发布，按个按钮，全部分镜和视频用新模型重跑一遍，一次重跑烧一千美元。**有个人创作者在平台上的累计花费超过50万美元**。他们喜欢的创作者PJ Ace每月公开自己的工作流，新模型一出，整套流程推倒重来。 客户名单横跨好几个世界。安全公司Adaptive Security（连续创业者Brian Long创办）在平台上动态生成钓鱼演练培训，每个员工看到的内容都不一样。圣经应用Faith冲进了App Store排行榜前列。Canva和Adobe这类设计工具在集成新模型。广告是最大的类目：UGC风格的产品演示广告、可口可乐那种高制作量的AI广告（争议也不小），还有按个人定制的程序化广告，广告里的主角可以就是你本人。 主持人Sonya最看好的是教育。这个市场重要，却一直缺让人信服的商业模式，瓶颈从来都是规模化生产高质量、真正适合学习者的内容。Burkay的判断是，ChatGPT已经在解决学习问题，但形态不对，**要把模型的能力真正释放出来，得进视觉空间，视频更紧凑，也更好入口**。 ## 好莱坞醒过来了，时间表也出来了 半年前fal团队的感觉是，好莱坞和IP持有方反应太慢，AI原生工作室会直接绕过他们。今年夏天风向变了。fal办了第一届生成式媒体大会，梦工厂前CEO杰弗里·卡岑伯格到场，做了个类比：计算机动画刚出现时，手绘动画行业也激烈反抗过。 > 技术挡不住，它就是会发生。你要么成为其中一部分，要么出局。 Gorkem判断，至少中期内IP持有方位置很好：内部有真对这技术感兴趣的技术人才，有IP，有叙事和电影工艺的积累。AI会把成本打下来一些，但中期内电影制作依然烧钱，懂技术又懂电影的人加IP，这个组合接下来几年会很有分量。 反方向也成立。Italian Brainrot那些角色，没有IP，没人拥有，纯靠互联网社区用AI生成，火了之后出玩具、出Roblox游戏，赚了不少钱。**内容生成便宜到一定程度，受欢迎的变体会自己抓住时代精神**，新IP可以从零长出来。 聊到“无限垃圾内容机器”的担忧，Burkay的答案是品味终会胜出，人终究被有连接感的东西吸引。他举的对照很有意思：Meta的Vibes被当成老虎机，角色跟你毫无关系；Sora 2主打朋友的Cameo，现在连宠物都能Cameo。两个产品口碑的差异摆在那里，观众用脚投票，选了有连接感的那个。 全AI生成、无真人拍摄的电影长片什么时候来？Batuhan的估计是一年之内会出现20分钟以内的电影级短片，模型质量其实已经够，缺的是创作者的时间投入。Gorkem认为先突破的会是动画、动漫、卡通，离写实越远越好，理由很扎实：**写实内容的实拍本来就便宜，真正贵的是非写实部分**。玩具总动员、驯龙高手、怪物史莱克，观众爱它们靠的是故事，跟写实没关系。AI之于电影，会像当年动画之于电影，开一个新媒介。技术上，爆炸、楼房倒塌这类VFX已经被AI基本拿下，面部表情还是硬骨头。 游戏这边，Burkay很看好一次性可玩、玩完即弃的超短游戏，text-to-game是text-to-video的自然延伸，等于把视频变成可交互的。3A游戏用模型直接生成还早，他估至少3、4年，但动态对话、前置制作、用现有IP资产做小游戏这些，已经在悄悄发生。 通往“应许之地”还欠什么功课？Batuhan说架构得动：图像模型当年从像素空间进化到潜空间，64个像素压成1个；视频现在时间维度的压缩比才4倍，凭什么不能24倍，压缩率上去了，训练和推理效率都会大涨。Gorkem补了数据侧：研究社区目前只做了最简单的事，给图片配文字说明再训练，视频编辑这类任务的数据工程还大有可做，好在**算力会先耗尽，视频数据不会枯竭**。Burkay算了笔账，4K实时视频需要再涨100倍以上的算力，光等硬件变快不够，架构必须进步。眼下最好的模型生成一条视频还要等40秒到两三分钟，在一个什么都要求即时的世界里，这不可接受。 ## 明天就能用的四条结论 整期听下来，有几件事明天就能用上： - **别把产品绑死在任何单一视频模型上**。头部模型30天半衰期，接口层做抽象，换模型像换电池。 - 学fal客户的分层用法：便宜的主力模型跑批量、做试错，最贵的模型只留给最终产出，成本能差出一个量级。 - 单次调用视频模型价值有限，把文生图、超分、图生视频串成流水线，才是别人抄不走的部分。 - 要精确控制品牌风格，去用开源模型加微调，闭源API给不了你那个“精确”。 视频生成这个市场，三年前被当成玩具，现在单个用户能烧掉50万美元。半衰期30天的模型，35个数据中心的调度，10万token一条视频的算力账单，这门生意的每个数字都在提醒：它已经不是玩具了。