10月23日下午，CNCC 2026大会举办“视频生成的智与情”主题论坛，与会学者围绕视频生成的技术路线、工程交付与社会影响展开讨论。论坛召集人、南开大学教授杨巨峰介绍，该研究方向可追溯至2024年十位国内学者联名提出的“情智兼备数字人与机器人的研究”，该课题当年被遴选为中国科协十大前沿科学问题第一位，今年则收敛至视频生成这一更具体的赛道。杨巨峰将“智”比作人体骨架，认为相关技术已相对成熟，而“情”的部分仍悬而未决。
在工程交付层面，哈尔滨工业大学（深圳）教授户保田指出，单基座大模型目前能稳定生成的视频长度在15到20秒，继续延长会集中出现跨镜头角色漂移、跨模态音画错位和长周期叙事断裂等问题。他以生成《乡村爱情》中刘能、赵四的对手戏为例，认为其难度可能高于生成科幻大片，难点不在场面而在人物关系的连续性。其团队从三方面推进：面向ComfyUI构建生成工作流基准，通过节点优化与强化学习补足长程规划短板，14B规模模型即可达到较高准确率，该系统已被ComfyUI集成为原生插件；Pixel Video用故事模板协调生成流程并维护人物与时间线状态，相关开源项目在GitHub获得3万star；Cut Master以共享剪辑状态为核心，可处理小时级视频，剪辑质量评分相比平均水平最多提升17分。
内蒙古大学骏马计划研究员亓帆从物理感知与情感表达两个维度展开。她指出，物理感知的行业目标已从追求下一帧好看转向强调状态能否持续、能否对环境变化做出响应；情感表达则需明确事件语义、定义连续的情感维度变化并设置时间结构。她提到，现有方案的共同短板是无法调节情绪强度，其团队将可缩放的低秩适配与强化学习结合，实现风格、情感与音色的连续强度调节。
北京大学深圳研究生院研究员袁粒则提出视觉智能定位的问题：若智能系统中的“智”主要来自语言模型，视觉是否会沦为渲染器。他认为根源在于理解与生成在底层逻辑上的长期割裂，业内由此分化出串行统一与并行统一两种解法，后者虽受困于理解抓语义、生成抠细节的双向冲突，但仍是深度融合的必然方向。他判断基模决定上限、智能体兜住下限，并认为视频自带时空连续性，有望直接走向4D动态世界模型。
中国科学技术大学特任教授刘武则将议题延伸至内容进入社交网络后的社会影响。他指出，用大模型模拟社交群体面临多样化不足与认知同质化两大障碍，其团队引入智能基础信息论框架，为每个智能体设计专属“认知指纹”，并基于真实网络数据搭建社交模拟器，让智能体在模拟环境中训练共情与协作能力，推演事件的可能走向。
从论坛讨论来看，视频生成的技术竞争已从画质、分辨率等可量化指标，转向叙事连贯性、情感可控性与社会影响等更难量化的维度。多智能体工作流与物理规律引入正在成为基模之上的主要补丁路径，而理解与生成的底层统一仍是待解的核心问题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
