在AI视频生成的这场、几乎已被“扩散模型”（Diffusion Model）所一统天下的全球“军备竞赛”中，一场更为静默、却可能更具颠覆性的“技术叛乱”，正由那个，一直以来，在AI领域，都显得异常低调的“隐形巨人”——苹果公司——悍然发动。
该公司，近日，正式发布并宣布全面开源其全新的视频生成模型——STARFlow-V。
这，并非又一次，在“扩散模型”的框架之内，进行的渐进式改良。
它，是一次深刻的、系统性的、旨在从根本上，绕开“扩散模型”固有缺陷的“范式革命”。
其核心，是采用了一种，在视频生成领域，从未被成功地，大规模应用过的、全新的技术路线——“归一化流”（Normalizing Flow）。
这场“技术叛乱”的起点，源于对“扩散模型”那个，最根本的、也是最致命的“阿喀琉斯之踵”的清醒认知：
错误，会在时间的维度上，不断地，累积。
“扩散模型”，其工作的原理，是通过多步的、迭代式的“去噪”，来从一团随机的噪声中，“雕刻”出最终的视频画面。
这种“逐步求精”的模式，虽然，能够生成出惊人逼真的单帧画面。但当需要生成一段长达数十秒、甚至数分钟的视频时，其在每一帧上，所产生的、那些微小的、几乎不可避免的误差，便会像滚雪球一样，在时间的维度上，被不断地，放大和累积。
其最终的结果，便是我们，在许多AI生成的长视频中所看到的、那种，随着时间的推移，画面会不可避免地，变得越来越模糊、色彩越来越失真、乃至物体的形态，会发生“灵异”般的突变的“熵增”现象。
而苹果的STARFlow-V，所采用的“归一化流”技术，则试图，从根本上，去规避这一“错误累积”的宿命。
它，不再，去进行多步的、迭代式的“去噪”。
它，试图，去直接地，学习和建立，从“一团简单的、随机的噪声”，到“一段复杂的、真实的视频数据”之间，那个完整的、端到端的、数学上的“可逆变换”。
这种，在底层技术范式上的根本性差异，为其，带来了三大显著的、理论上的优势：
-
训练效率的提升： 其训练过程，只需“一次性”地，去学习这个完整的变换，而无需，像扩散模型那样，去进行多次的、小步的迭代。
-
生成速度的飞跃： 一旦训练完成，它，便可以“一步到位”地，从随机噪声中，直接生成出最终的视频，而无需，再进行任何耗时的迭代计算。
-
错误累积的减少： 由于其“一步到位”的生成方式，理论上，它，可以极大地，减少在逐步生成过程中，所常见的误差累积问题。
苹果官方表示，通过并行处理和对先前帧数据的重用，其生成一段5秒钟视频的速度，相比于其最初的原型版本，已经提升了约15倍。
然而，在这场充满了“理论优越性”的“技术叛乱”背后，其在当前阶段，所面临的“现实骨感”，也同样，不容忽视。
在权威的VBench基准测试中，STARFlow-V，获得了79.7分。
这个分数，虽然，已经明显地，优于其他所有，同样，采用“自回归”（Autoregressive）思路的模型。
但它，与那些，最顶级的“扩散模型”——例如，谷歌的Veo 3（85.06分）和腾讯的HunyuanVideo（83.24分）——之间，依然，存在着清晰的、可被量化的性能差距。
更重要的是，该模型，在对“物理世界规律”的理解上，存在着明显的、甚至可以说是“致命”的缺陷。
在其官方，坦诚地，展示出的失败案例中，出现了诸如“一只章鱼，毫发无损地，直接穿过了一块坚硬的玻璃”，以及“一块石头，在没有任何外力的情况下，凭空地，出现在画面中”这类，完全违背物理常识的“灵异现象”。
爱力方的分析认为，苹果的这次，堪称“剑走偏锋”的STARFlow-V的发布与开源，其战略意图，是清晰而极具“苹果”风格的。
它，深刻地，揭示了，这家公司，在AI这场“终局之战”中，一种独特的、也可能是更具长期主义的“底层思维”。
-
它，没有，去参与那场，由Sora、Veo和Runway，所共同主导的、关于“扩散模型”的、日益“内卷”的“军备竞赛”。
-
它，选择，另辟蹊-径，去探索一条，虽然，在当下，尚不完美，但在理论上，却可能，更具扩展性、更高效、也更接近“第一性原理”的“第三条道路”。
尽管，在目前，STARFlow-V，还存在着分辨率相对较低（640×480, 16fps）、尚无法在标准显卡上进行实时推理，以及，对物理规律理解不足等，一系列明显的局限。
但苹果，也明确地，承认了这些限制，并计划，在未来的工作中，去专注于加快其计算速度、缩小其模型规模，以及，使用那些，更注重“物理精确性”的训练数据。
当一家，拥有着全球最顶尖的AI研究人才、最强大的芯片设计能力，以及，最庞大的硬件生态的公司，开始，以一种“不计成本”的姿态，去下注一条，全新的、非共识的技术路线时：
整个AI视频生成的赛道，其未来的技术版图与竞争格局，或许，都将因此，而被深刻地、永久地，改写。
