沃顿商学院教授 Ethan Mollick 转发了一条视频测试，在硅谷技术圈掀起轩然大波

沃顿商学院教授 Ethan Mollick 转发了一条视频测试，在硅谷技术圈掀起轩然大波。 随后，Twitch 和 YouTube 迅速封禁了基于该技术搭建的 24 小时 AI 自动直播间。 开发团队转身在自己的网站 fal.live 上开播，直接把直播间变成了观众用弹幕实时操控画面的游乐场。 屏幕里没有任何预录素材，也没有固定剧本。 每一个画面都在观众敲下指令的几秒钟内当场演算出来。 很多普通观众点进去看了一眼，留下的全是不屑。 画面荒诞得像一场发烧梦。 人物动作偶有畸变，剧情毫无逻辑，画质还带着明显的粗糙感。 不少人直接把它打上劣质垃圾的标签，认定这种东西根本没人看。 为什么多数人看到的是画面的劣质与荒诞，最顶尖的工程师和学者却在惊呼一个时代被跨过去了？ 难道天天研究算法的人看不出画质的缺陷？ 因为两边看到的根本不是同一台机器。 普通人在看画质。 工程师在看这台机器底层的核心指标。 实时生成因子，业内通常缩写为 RTF。 在生成式多媒体的历史上，所有开发者都在被迫向一个物理现实妥协。 生成视频实在太慢了。 过去哪怕用一致性模型做极限加速，把 30 秒的扩散过程压缩到 1 秒。 算力一秒钟最多也只能吐出 1 帧画面。 人类肉眼想要获得流畅连续的视觉体验，底线是每秒 24 到 30 帧。 生成速度永远远远落后于播放速度。 只要生成耗时大于播放时长，视频就只能是一种离线的批处理产物。 用户在网页端敲下提示词，服务器调度集群渲染几十秒甚至几分钟。 最后打包成一个固定的 MP4 文件发回本地。 生产和消费之间隔着一道无法逾越的时间鸿沟。 所谓的即时交互根本无从谈起。 这次 fal 拿到了开源模型 MiniMax H3。 他们对模型做了后训练，同时结合自研的专用推理引擎，把吞吐速度拉到了官方接口的 35 倍。 一段 5 秒钟的视频，在云端硬件上算出来的实际耗时不到 3 秒。 实时生成因子历史上第一次跌破了 1.0 的临界点。 算力生成画面的速度，第一次彻底跑赢了人类肉眼观看的速度。 这种跨越在计算机演进史上发生过两次一模一样的质变。 1993 年，约翰·卡马克推出了毁灭战士 Doom。 当时主流图形学界嘲笑它只有 320 乘 200 的像素颗粒，画面粗糙度远不如工作站离线渲染几个小时的光影单帧。 但 Doom 做到了每秒 35 帧的实时光栅化。 玩家按下一个按键，屏幕上的三维世界就在这一毫秒内实时重绘。 它直接拉开了现代 3D 游戏与图形处理芯片工业的序幕。 1995 年，RealAudio 1.0 问世。 音乐发烧友嘲笑 14.4k 拨号网络上的音频像收音机杂音，音质完全无法和磁带相比。 但它让人类第一次不需要把整首歌曲下载到硬盘就能听到声音。 流式传输从此取代了离线下载，重塑了整个互联网的分发规则。 媒介技术演进里有一条反复生效的规律：画质服从延迟。 画面精细度、动作连续性和剧情逻辑，都是后续能靠算法迭代与算力堆叠逐步填平的工程变量。 实时性是交互形态从 0 到 1 的物理相变。 一旦生成速度跨过播放速度的临界点，视频的物种属性就彻底变了。 它不再是一段被动接收的预录胶片。 它变成了一个能接收外部输入、持续维系上下文状态、在毫秒间实时演算的世界引擎。 那些被嘲笑的荒诞画面，不过是这项新技术在起点处的稚嫩模样。 当流式渲染的通道被彻底打通。 视频从生产、分发到消费的整套底层逻辑，就已经在悄悄重构了。