IOSF: Парадокс стоимости видео-ИИ — генерация дешевеет, почему готовый ролик всё ещё дорог?
PanewslabВо время третьей игры финала НБА в июне 2025 года Kalshi запустила довольно хаотичный телевизионный ролик: фермер плавает в бассейне с яйцами, инопланетянин пьёт пиво, мужчина, закутанный в американский флаг, кричит что-то об Индиане. Режиссёр Пи Джей Аккеттуро создал этот ролик с помощью Google Veo 3, потратив около 2 000 долларов, и от идеи до эфира прошло всего три дня. Ранее продюсерская компания называла Kalshi цену «от шестизначной до семизначной суммы». Ему потребовалось сгенерировать от 300 до 400 вариантов, чтобы получить 15 пригодных клипов.
Десять месяцев спустя, 26 апреля, OpenAI закрыла приложение Sora — ленту, похожую на TikTok, которая показывала сгенерированные ИИ видео. TechCrunch со ссылкой на расследование The Wall Street Journal сообщил, что ежедневные операционные расходы приложения составляли около 1 миллиона долларов, а число пользователей упало с пика примерно в 1 миллион до менее чем 500 тысяч. API для разработчиков Sora также был закрыт в сентябре, и теперь в прайс-листе OpenAI для разработчиков нет ни одной видеомодели.
Эти два события отражают состояние видео-ИИ в 2026 году: создание видео с помощью ИИ стало достаточно дешёвым, чтобы изменить подход к производству рекламы; но просто просмотр ИИ-видео ещё не стал бизнесом.
Видео-ИИ уже стал реальным бизнесом: компании, раскрывающие выручку, в сумме зарабатывают около 2,3 миллиарда долларов в год, а их клиентами являются маркетологи, создатели контента и предприятия. Это не уменьшенная копия рынка больших языковых моделей: минута видео стоит в тысячи раз дороже минуты текста, а наибольшую выручку получают приложения, а не разработчики моделей. Первыми под удар попали отрасли, массово закупающие «достаточно хорошее» видео: стоковые материалы, реклама, обучение и короткие вертикальные сериалы. За ними следуют визуальные эффекты для кино и телевидения. Игры и робототехника — в самом конце, поскольку они зависят от физических законов, а лучшие современные модели набирают в физических тестах лишь около половины от максимального балла.
Рейтинг выручки: компании, раскрывающие данные, в сумме зарабатывают около 2,3 млрд долларов в год
IOSF Research
Несколько компаний уже раскрыли выручку, и она быстро растёт:
- ARR Higgsfield вырос с 200 миллионов долларов в конце 2025 года до 700 миллионов долларов в августе 2026 года.
- Выручка видеомодели Kling, принадлежащей китайской компании Kuaishou, во втором квартале превысила 118 миллионов долларов, увеличившись более чем в два раза по сравнению с аналогичным периодом прошлого года.
- fal — это агрегатор видео- и графических моделей, её ARR в марте 2026 года составил около 400 миллионов долларов, удвоившись с октября прошлого года.
- ARR HeyGen превысил 200 миллионов долларов в июне.
- ARR Runway превысил 200 миллионов долларов в сентябре.
По нашим расчётам, видимая выручка в сумме составляет около 2,3 миллиарда долларов в год. Часть из них приходится на изображения, а часть учитывается дважды, поскольку приложения также закупают у fal. В эту цифру не входят Google Veo, Seedance от ByteDance и несколько китайских лабораторий, которые не раскрывают выручку от видео отдельно. Погрешность двусторонняя: выручка от изображений и двойной учёт завышают итог, а неучтённые лаборатории (их выручка не включена) занижают его. Поэтому 2,3 миллиарда долларов следует рассматривать лишь как ориентир масштаба, а не как измеренный размер рынка.
Стоимость генерации видео в тысячи раз выше, основная выручка приходится на уровень приложений
IOSF Research
Видео-ИИ часто неофициально описывают как «рынок больших языковых моделей, отстающий на несколько лет». Но данные не подтверждают это утверждение, поскольку разница между работой языковых моделей и моделей изображений/видео очень велика.
Проще говоря, языковая модель пишет так же, как человек печатает: слово за словом, каждое слово — это небольшое предположение о следующем, и вы можете начать читать, пока она ещё пишет. Модель изображений или видео больше похожа на архитектора: она начинает со случайного шума и снова и снова дорабатывает всю картину, обычно от 20 до 50 раундов, пока не появится чёткое изображение. Каждый раунд обрабатывает все пиксели одновременно, и до завершения последнего раунда ничего нельзя использовать. Видео многократно увеличивает объём работы: в секунде около 24 кадров, каждый кадр должен быть согласован с предыдущими — чашка должна оставаться на месте, лицо должно быть одним и тем же. А текст состоит всего из нескольких сотен мелких единиц. Вот почему протестированная модель с открытым исходным кодом требует около 350 секунд вычислительного времени на чипе для генерации одной секунды видео, и почему минута видео стоит в тысячи раз дороже минуты текста.
Anthropic сообщила инвесторам, что её годовая выручка достигла 65 миллиардов долларов к концу июля, а у OpenAI — около 40 миллиардов долларов. Выручка только этих двух лабораторий примерно в 45 раз превышает всю видимую выручку от видео.
**В области больших языковых моделей большая часть выручки достаётся лабораториям моделей; в области видео наибольшую выручку получают приложения.** Крупнейшее приложение на базе языковых моделей — инструмент для программирования Cursor, чья годовая выручка, по сообщениям, составила около 4 миллиардов долларов в июне, что примерно в шестнадцать раз меньше, чем у Anthropic. В области видео лидирует Higgsfield с 700 миллионами долларов, а приложения, упаковывающие модели других компаний (Higgsfield, HeyGen, Synthesia, Magnific), занимают более половины видимой выручки. Клиенты, покупающие текст, приобретают интеллект модели и используют его напрямую. Покупатели видео приобретают готовый ролик для конкретной задачи, а готовый ролик требует монтажа, согласованности и сопутствующих рабочих процессов — именно вокруг этих потребностей строятся приложения, формируя видеорабочие станции.
Одна картинка стоит примерно тысячи слов
По состоянию на 22 октября минимальная зафиксированная цена за минуту видео составляет около 3 долларов — это самый дешёвый тариф Veo, который примерно в 7 600 раз дешевле самого дорогого.
Есть ещё несколько отличий, заслуживающих внимания: код — крупнейший рынок для больших языковых моделей, его можно проверять автоматически; видео оценивается на глаз и довольно субъективно. Текст покупается по токенам; видео покупается по клипам, что соответствует производственному бюджету.
Кто платит: публичные данные указывают на корпоративных клиентов
IOSF Research
Higgsfield называет себя платформой «для создателей, маркетологов, брендов, агентств и продюсерских компаний» и заявляет, что «поддерживает создание визуального контента для 390 компаний из списка Fortune 500» (Higgsfield). HeyGen утверждает, что 85% компаний из Fortune 100 используют её (HeyGen). Ни одна из компаний не разбивает выручку по назначению, поэтому на основе только публичных данных невозможно узнать, какая доля выручки поступает от частных лиц, создающих видео для развлечения. Все опубликованные доказательства указывают на корпоративных покупателей.
При дальнейшей сегментации покупателей бизнес-модели расходятся. Люди смотрят много ИИ-видео, но платят за разные вещи и предъявляют разные требования к качеству.
- Приложения коротких драм продают истории по эпизодам, поэтому качество определяет, продолжат ли зрители платить. Их крупнейшие расходы — привлечение клиентов, а не производство: по оценке Media Partners Asia, крупнейшая платформа коротких драм ReelShort потратила 55% своей выручки в размере 785 миллионов долларов в 2025 году на привлечение пользователей и маркетинг (Indian Television). Маркетинг занимает 55% выручки, а все остальные расходы, включая генерацию, должны укладываться в оставшиеся 45%. Поэтому более дешёвые модели могут сжать лишь меньшую часть бюджета. Более качественные модели влияют на ту часть, которая приносит деньги: готовы ли зрители платить за следующую серию. ReelShort не раскрывает расходы на генерацию, поэтому это наша интерпретация структуры затрат, а не измеренная разбивка.
- Зрители узнают об этих драмах через ленты социальных сетей (опрос Meta и Ormax показал, что среди индийских зрителей этот показатель составляет 89%), и производители быстро переходят на ИИ: по статистике Owl & Co, в третьем квартале около двух третей новых вертикальных коротких драм за пределами Китая были сгенерированы ИИ, тогда как в первом квартале этот показатель составлял лишь 3% (The Hollywood Reporter).
- Приложения ИИ-компаньонов продают эмоциональную связь, а не картинку. Пользователи возвращаются ради этих отношений, поэтому видео должно быть лишь «достаточно хорошим». Ключевыми факторами являются стоимость и скорость, поскольку каждому пользователю требуется много видео.
Дешёвое производство не означает, что кто-то будет смотреть: ценность переходит к тем, кто контролирует распространение контента
IOSF Research
Музыкальная индустрия уже прошла этот путь. По данным Deezer, в пиковые дни июня полностью сгенерированные ИИ треки превысили половину всех новых загрузок на этой стриминговой платформе, и сейчас ежедневно добавляется почти 90 тысяч таких треков. Но на них приходится лишь от 1% до 3% прослушиваний.
Deezer исключает обнаруженные ИИ-треки из рекомендаций и плейлистов, что делает разрыв между загрузками и прослушиваниями заметным. Эта ситуация была описана экономистом Гербертом Саймоном ещё в 1971 году: когда информации становится много, дефицитным ресурсом становится внимание. Когда производство почти бесплатно, предложение становится избыточным, и ценность переходит к тем, кто решает, какой контент будет увиден. Двое исследователей назвали порог качества, который зрители устанавливают для ИИ-контента, «slop ceiling».
Какие отрасли пострадают первыми: стоковые материалы и реклама впереди, игры и робототехника в конце
IOSF Research
Сегодняшние 2,3 миллиарда долларов всё ещё малы по сравнению с существующими расходами на видео, и деньги не будут перетекать равномерно. Отрасли, отсортированные по доле видеоработ, которые уже могут выполнять современные модели:
- **Стоковые материалы и изображения.** Сгенерированные клипы могут напрямую заменить лицензионные материалы. Два крупнейших фотостока Getty Images и Shutterstock в прошлом году вместе заработали около 2 миллиардов долларов, и это наиболее пострадавшая вертикаль на данный момент.
- **Реклама и продуктовые видео.** WPP Media прогнозирует, что мировой рекламный рынок в этом году составит около 1,3 триллиона долларов. Лишь небольшая часть из них идёт на производство рекламы, но реклама Kalshi показывает, насколько можно сжать эти расходы по мере снижения стоимости генерации, а также сколько косвенных затрат на живые съёмки можно сэкономить.
- **Обучающие и поясняющие видео.** В 2025 году организации в США потратили на обучение 102,8 миллиарда долларов (журнал Training). Это рынок HeyGen и Synthesia, где ведущий, читающий сценарий, — самый простой тип видео для генерации.
- **Короткие драмы.** В Китае выручка от микродрам (сериалов, снятых для мобильных устройств, с эпизодами по одной-две минуты) в 2025 году, по прогнозам, достигнет 9,4 миллиарда долларов, превысив национальные кассовые сборы кино. Эти производители уже принимают материалы мобильного качества, и спрос очень высок.
- **Визуальные эффекты.** IMARC оценивает размер этого рынка в 2025 году примерно в 11 миллиардов долларов (IMARC), хотя оценки сильно разнятся. Продюсеры уже используют сгенерированные кадры (см. ниже).
- **Кино и телевидение.** Ampere Analysis оценивает мировые расходы на контент в 2026 году в 255 миллиардов долларов. ИИ проникает в эту область покадрово, а не целыми произведениями.
- **Игры и робототехника.** По оценке Newzoo, выручка игровой индустрии в 2025 году составила 201,6 миллиарда долларов. Видеомодели станут полезны здесь только тогда, когда научатся симулировать мир, о чём пойдёт речь в последнем разделе этой статьи.
Как ИИ меняет стоимость производства видео: процент пригодных дублей так же важен, как и цена за единицу
IOSF Research
Наиболее заметное влияние сейчас — на затраты. Помимо рекламы Kalshi, полнометражный анимационный фильм Critterz, финансируемый OpenAI, имел бюджет менее 30 миллионов долларов и производственный цикл девять месяцев; крупный анимационный фильм обычно требует от 100 до 200 миллионов долларов и около трёх лет.
Цены снижаются по тарифным уровням, а не повсеместно.
**Следующий раунд снижения затрат уже появляется в исследованиях.** Исследование Hugging Face показало, что большая модель с открытым исходным кодом на флагманском GPU генерирует 5,4-секундный клип за 1 875 секунд, что, по нашим расчётам, эквивалентно примерно 350 секундам вычислений на секунду видео. Дистилляция напрямую нацелена на эту проблему. Одна команда увеличила частоту кадров небольшой модели с открытым исходным кодом примерно в 22 раза, достаточно быстро для потоковой генерации в реальном времени на одном чипе. Именно отсюда придёт значительное снижение затрат, необходимое приложениям-компаньонам: сначала генерация в низком разрешении, затем повышение разрешения.
**Цена за секунду генерации — лишь часть стоимости.** Режиссёр рекламы Kalshi сохранял примерно один из каждых 20–27 клипов, поэтому для него стоимость секунды пригодного видео была в 20–27 раз выше номинальной цены. Это завышенный случай. Обобщение других работ от одного производителя видеоинструментов показывает, что в трёхминутном анимационном эпизоде сохраняется один из каждых 4 клипов (41 из 164). Пока никто не публиковал независимую статистику по проценту пригодных дублей. **Согласованность напрямую влияет на процент пригодных дублей.** Если модель может сохранять персонажа, продукт или движение камеры одинаковыми при множественных генерациях, требуется меньше попыток; сокращение числа генераций вдвое вдвое снижает стоимость секунды пригодного видео. Снижение цены лишь удешевляет каждую генерацию.
**Наш тест: один и тот же промпт, три модели.** 2 ноября мы через API Runway дали трём моделям один и тот же промпт: телефон на стеклянном столе загорается при входящем звонке, вибрируя, движется к краю стола, падает и один раз подпрыгивает на бетонном полу. Каждый клип — 8 секунд, 720p, без звука, каждая модель генерировала один раз, всего потрачено 4,80 доллара.
▲ Слева направо: Wan 3.0, Seedance 2.5, Veo 3.1
- Wan 3.0 (0,80 доллара, первое место в рейтинге) показал лучший результат. Телефон сдвинулся вперёд, упал и остановился, хотя камера наклонилась вниз, следуя за ним.
- Seedance 2.5 (2,40 доллара, самый дорогой из трёх) имел самый реалистичный эффект вибрации, но переключился на новый кадр до падения, и экран погас.
- Veo 3.1 (1,60 доллара за версию без звука, 22-е место в рейтинге) в начале показывал телефон стоящим, а не лежащим, а после приземления он несколько раз подпрыгнул, как резиновый. Текст на его экране был самым чётким из трёх. (Мы продолжаем отслеживать Veo, потому что у Google самая прозрачная история цен, а не потому, что он лидирует. По качеству он сейчас уступает более дешёвым моделям, что и показал наш тест.)
Ни одна из трёх моделей не выполнила промпт полностью, каждая генерация заняла от 2 до 4,5 минут, что в 15–34 раза превышает длительность клипа (наши расчёты). Три клипа мало что доказывают, но порядок результатов соответствует рейтингу, а не цене.
Следующий поворотный момент: стоимость и задержка
IOSF Research
Более дешёвые модели — один путь. Другой — скопировать существующие методы производства в кино и анимации: сначала черновой вариант, потом чистовой.
Сначала дешёвый черновик, в конце — единственный рендер.
Аниматоры решили эту проблему несколько десятилетий назад. Они не начинают анимацию, пока история не выстроена; вместо этого они рисуют раскадровку, а затем делают грубый аниматик (animatic). То же можно делать с ИИ-видео. Черновой монтаж с одним-двумя кадрами в секунду достаточен для оценки истории и кадров, подобно раскадровке; затем отобранные и наиболее подходящие кадры передаются лучшей модели для рендеринга.
Это также решает проблему процента пригодных дублей, упомянутую выше. Если большинство генераций будет отброшено, лучше отбрасывать их, пока они дёшевы.
ByteDance уже превратила этот подход в продукт. Режим Draft (черновик) Seedance 2.5 запущен на fal с 30 октября: сначала быстро генерируется предпросмотр в низком разрешении, затем то же видео дорабатывается до Full HD. Плата взимается по полной цене только за клипы, которые пользователь решил оставить. Разница в цене быстро накапливается (fal):
- Предпросмотр (480p): около 0,22 доллара за секунду
- Full HD (1080p): около 1,16 доллара за секунду, примерно в 5 раз дороже предпросмотра
- Доработка черновика до готового клипа: fal не указывает цену. В тестах нашей команды стоимость была в 6–8 раз ниже, чем прямая генерация Full HD клипа
Платой является качество. Готовый клип, доработанный из черновика, выглядит немного мягче, чем напрямую сгенерированный Full HD клип, но при этом исправляет странный последний кадр из предпросмотра. При масштабировании экономия значительна. Если сохраняется 1 из 25 генераций (процент пригодных дублей 4%), стоимость часа Full HD готового видео составит:
- Генерация Full HD каждый раз: около 105 000 долларов
- Сначала черновик, затем доработка сохранённых клипов: около 20 000 долларов (наши расчёты)
Гибридные процессы уже появляются.
Дешёвый черновик — это быстрый способ. Другой — сочетание старых и новых инструментов. Создатели теперь сначала строят сцену из серых геометрических фигур в 3D-инструменте Blender, используют GPT-6 Astra от OpenAI для размещения объектов и камер, а затем преобразуют статичный кадр сцены в реалистичный первый кадр, который Seedance 2.5 превращает в готовый клип (обучающие материалы Kapwing, Dreamina от ByteDance).
Два инструмента компенсируют недостатки друг друга. Только с 3D достичь реализма слишком медленно; только с ИИ-видео трудно контролировать. В сочетании 3D-черновик определяет композицию и кадры, а видеомодель отвечает за качество изображения.
Генерация в реальном времени приближается.
Последний шаг — скорость. Видео, рендерящееся в реальном времени, уже не только лабораторная демонстрация:
- Runway Characters (март): видеомодель, способная к диалогу в реальном времени, на основе GWM-1 от Runway (Runway)
- Runway Solaris (31 августа): то, что Runway называет первой «Interface World Model» (моделью мира интерфейсов) (Crypto Briefing)
- Decart (май): преобразует потоковое видео в реальном времени в сгенерированные сцены; привлекла 300 миллионов долларов при оценке около 4 миллиардов долларов (bne IntelliNews)
- Виртуальные аватары Zoom: заменяют изображение с камеры реалистичным аватаром, который синхронно имитирует вашу мимику во время разговора; доступность зависит от тарифа и региона (Zoom)
Как только скорость генерации видео станет достаточной для звонков в реальном времени, проблема приложений-компаньонов изменится: уже не «сколько стоит минута», а «как быстро придёт следующий кадр».
За пределами маркетинга: в кино, на телевидении и в спецэффектах ИИ может делать отдельные кадры, но не полнометражные проекты
IOSF Research
Голливуд проверяет, может ли видео-ИИ выйти за рамки рекламы.
Пока продюсеры используют его двумя основными способами: во-первых, для создания кадров, которые не покрывались бюджетом; во-вторых, для лицензирования собственных персонажей и получения выручки, когда их используют другие.
Во-первых, создание кадров, которые иначе были бы недоступны.
Недавно два сериала использовали ИИ для завершения сцен, которые иначе были бы вырезаны:
- The Eternaut от Netflix: этот аргентинский сериал использовал генеративное видео для завершения сцены обрушения здания. Со-генеральный директор Тед Сарандос заявил, что этот кадр был создан в десять раз быстрее, чем традиционными методами спецэффектов, а стоимость традиционного производства была «совершенно невозможна» при бюджете сериала.
- House of David от Amazon: во втором сезоне этого библейского сериала использовалось от 350 до 400 сгенерированных ИИ изображений, в первом сезоне — около 70 (TheWrap). Шоураннер заявил, что без ИИ он не мог бы позволить себе батальные сцены.
Другие продюсеры пошли дальше, напрямую сотрудничая с разработчиками моделей. Lionsgate в июне приобрела долю в Runway (размер не разглашается) и планирует снять мини-сериал на основе своей библиотеки фильмов (Runway). AMC Networks также заключила соглашение с Runway (Hollywood Reporter).
Во-вторых, получение выручки от лицензирования персонажей.
Более крупный спор идёт о том, кому принадлежат персонажи. Подход Disney демонстрирует обе стороны:
- Июнь 2025 года: Disney и Universal подали в суд на Midjourney за нарушение авторских прав.
- Декабрь 2025 года: Disney согласилась инвестировать 1 миллиард долларов в OpenAI и лицензировать Sora использование более 200 своих персонажей (Disney).
- После закрытия Sora: соглашение прекратилось, Disney заявила, что будет искать других ИИ-партнёров (Blooloop).
Вывод прост: правообладатели хотят получать вознаграждение, когда используются их персонажи, и подают в суд на тех, кто использует их без оплаты.
Японские правообладатели пошли дальше всех, перейдя от препятствования использованию ИИ к лицензированию для ИИ, и причина в деньгах. Японская анимация хорошо продаётся за рубежом, но многие производственные компании испытывают трудности:
- По предварительной статистике Ассоциации японской анимации, зарубежная выручка в 2024 году составила 2,17 триллиона иен, превысив внутреннюю (gamebiz)
- В 2025 году 34,6% анимационных производственных компаний понесли убытки (Teikoku Databank, через GameBusiness)
В октябре 2025 года CODA, организация, представляющая японских правообладателей, потребовала от OpenAI прекратить использование без разрешения произведений своих членов для обучения Sora 2 (Automaton).
Менее чем через год позиция изменилась. 11 сентября китайская ИИ-лаборатория MiniMax и японская компания KAGAMIAI представили в Токио H3 IP Edition. Создатели могут использовать его для создания видео с лицензированными японскими персонажами, каждый из которых сопровождается одобренными материалами, правилами использования, коммерческими условиями и предоставлением отчётов правообладателям. MiniMax заявила, что более 60 компаний выразили заинтересованность (MiniMax).
Ранее KAGAMIAI провела тестирование с «Капитаном Цубасой» (Captain Tsubasa), используя другую китайскую видеомодель PixVerse, и результаты показали, насколько большим может быть спрос (источник — та же страница MiniMax):
- Около 126 000 авторов
- Около 330 000 произведений за 45 дней
- Более 99% действий пришло из-за пределов Японии
Лицензированное фанатское творчество может стать первым массовым рынком, на котором правообладатели персонажей получают выручку от ИИ-видео.
Закономерность такова: ИИ может делать спецэффекты, но не длинные проекты.
Во всех вышеперечисленных случаях ИИ обрабатывает кадры, которые сериалы со средним бюджетом иначе не могли бы себе позволить: общие планы, толпы, сцены разрушений и декорации. Остальное производство по-прежнему выполняется людьми. Компьютерная графика распространялась в кино так же — эффект за эффектом, задолго до того, как «История игрушек» в 1995 году доказала, что целый полнометражный фильм можно сделать с её помощью.
Один результат теста также указывает в том же направлении. В физическом бенчмарке, описанном ниже, оценка модели Odyssey-3 Pro зависит от стартовых условий:
- Продолжение реального видео: 63 балла, одна попытка
- Старт с одного изображения: 50 баллов
ИИ-видео работает лучше, когда имеет основу из реальных кадров, что и происходит в работе со спецэффектами: каждый сгенерированный кадр встроен в реальное изображение. Этот тест не измеряет продолжительность. Пока никто не опубликовал тест на то, может ли модель сохранять согласованность между несколькими кадрами, а именно такой тест объяснил бы, почему длинные проекты всё ещё не могут быть реализованы.
Появятся ли специализированные лаборатории? Уже появились, видеокомпании дифференцируются на три типа
IOSF Research
Специализированные лаборатории уже появились, и видеокомпании дифференцируются на три типа:
**Универсальные гиганты.** Google (Veo), ByteDance (Seedance) и Kuaishou (Kling) обладают наибольшими вычислительными ресурсами и данными. Они конкурируют по качеству и цене, и большинство приложений продают их модели.
**Лаборатории студийного типа.** Runway, в которой сейчас есть акции Lionsgate, разрабатывает продукты для кино и телевидения. Moonvalley обучает свою модель Marey только на лицензированных видеоматериалах, привлекла 154 миллиона долларов к июлю 2025 года, а её производственное подразделение Asteria снимает фильмы с помощью этой модели. Такие лаборатории могут предложить три вещи, которые гигантам трудно предоставить: обучающие данные, приемлемые для использования в производстве, точный контроль над каждым кадром и инструменты, интегрируемые в существующие процессы спецэффектов.
**Уровень приложений.** Higgsfield, HeyGen и Magnific комплектуют модели других лабораторий и продают их конкретным клиентам.
**Новые лаборатории и их ставки.** Крупнейшие инвестиции 2026 года, которые мы нашли, направлены в лаборатории, разрабатывающие интерактивные модели или модели мира: начальный раунд AMI Labs на 1,03 миллиарда долларов, раунд Runway на 315 миллионов долларов (Runway заявила, что средства пойдут на модели мира) и приобретение AMD компании World Labs за 8,2 миллиарда долларов. Мы не подсчитывали все инвестиции в видео за год; таблица ниже смешивает раунды финансирования, одно приобретение и новые версии продуктов:
Наиболее вероятные прорывы в ближайшие 12 месяцев также исходят из этой таблицы: генерация видео с задержкой, достаточной для звонков и игр, интерактивные миры вместо фиксированных клипов и масштабная генерация лицензированных персонажей.
**В кино и спецэффектах лаборатории студийного типа наиболее вероятно победят.** Продюсеры не могут позволить себе судебные риски для ключевого кадра (hero shot), им нужно точно передавать замысел режиссёра и работать с профсоюзными съёмочными группами; универсальные компании, предлагающие только самую мощную сырую модель, могут конкурировать лишь по цене.
Большая возможность — это мир, а не клипы
IOSF Research
В этом раунде развития ИИ крупнейший рынок видеомоделей в конечном счёте может оказаться вовсе не видео. Модель, способная предсказывать следующий кадр сцены, возможно, обучается тому, как движется мир, что будет полезно для игр и робототехники.
Runway выпустила GWM-1 в декабре 2025 года, назвав её универсальной моделью мира, с тремя версиями: миры для исследования, разговорные аватары и робототехническая модель для предсказания того, что увидит камера после каждого действия робота. Она генерирует видео в реальном времени в разрешении 720p, длительностью до двух минут. Когда Runway привлекла 315 миллионов долларов в феврале при оценке 5,3 миллиарда долларов, компания заявила, что средства пойдут на разработку более совершенных моделей мира.
Платон впервые описал это предположение в аллегории пещеры в «Государстве».
Узники видят только тени на стене и воздают почести тем, кто «наиболее внимательно наблюдает за проходящими тенями» и лучше всех предсказывает, какая тень появится следующей. Видеомодель — это предсказатель теней, который мог бы получать награды, но никогда не видевший предметов, отбрасывающих тени. Платон считал, что такой навык не является знанием. Для видеомоделей вопрос в том, означает ли предсказание следующего кадра понимание того, как движется мир, и Physics-IQ — один из способов тестирования.
Physics-IQ — это бенчмарк, проводимый в Google DeepMind: модели показывают начало реального физического события, а затем оценивают, насколько сгенерированное продолжение близко к реальности. 100 баллов означают такую же близость, как при другой реальной съёмке. По исходным оценкам, лучшая модель, генерирующая видео из одного изображения, улучшилась с 23 баллов в феврале 2025 года до 44 баллов в мае этого года. В пересчитанном рейтинге лучшая модель генерации видео из одного изображения набрала 51 балл, а Veo 3.1 Fast от Google (30 баллов) сопоставима с моделью с открытым исходным кодом 2024 года (32 балла). Вывод самой статьи: способность понимать физику не связана с тем, выглядит ли клип реалистичным.
**Выглядеть реалистично в основном решено, вести себя реалистично — ещё нет.** В этом тесте лучшие модели всё ещё находятся примерно на полпути между 0 баллами и результатом другой реальной съёмки. Поскольку реалистичность и физическое поведение оказались не связаны, улучшение качества изображения не сократит этот разрыв автоматически.
Если этот показатель приблизится к 100, видеолаборатории превратятся в компании-симуляторы, продающие продукты игровым студиям и производителям роботов; на этом рынке преимущество раннего старта в видео будет очень важным.
Заключение: три цифры определят направление развития этой отрасли
IOSF Research
На большинство вопросов, оставшихся в этой статье, можно ответить тремя цифрами:
**Сколько генераций используется?** Пока у нас есть только данные: 4–5% для рекламы Kalshi и 25% для одного анимационного эпизода. Лично я считаю, что согласованность повлияет на это число сильнее, чем первоначальное качество изображения, и лаборатории будут развиваться в этом направлении: создавать среды генерации, способные управлять согласованностью и поддерживать большие объёмы контекста, а не стремиться к единичным выдающимся генерациям.
**Сколько на самом деле стоит час готового видео?** Разделите цену за единицу на процент сохранения. При сегодняшних ценах стоимость одного и того же часа видео может составлять:
- Veo 3.1 Lite (базовая цена): от 720 до 4 500 долларов
- Seedance 2.5 Full HD: от 16 800 до 105 000 долларов
По этой формуле удвоение доли успешных генераций и снижение цены вдвое дают одинаковое сокращение затрат. Разница в том, сколько возможностей осталось у каждого фактора. При текущей доле успешных генераций от 4% до 25% модель, делающая каждую генерацию успешной, может снизить затраты в 4–25 раз. Цены уже снижались, и неравномерно по уровням. **Мы считаем, что в ближайшие два года доля успешных генераций будет более значительным фактором.** Если следующие опубликованные показатели останутся около 4%, а цены продолжат падать, этот вывод окажется неверным.
- **Выдерживает ли проверку физическое поведение?** Physics-IQ — единственный публичный тест, проверяющий, соответствует ли движение модели реальному миру, и лучшие модели набирают около половины баллов по сравнению с реальными изображениями; разрыв сократится в первую очередь в сценариях, где модель имеет основу из реальных изображений.
Два года назад вопрос был в том, сможет ли ИИ-видео стать достаточно качественным. На этот вопрос в основном уже есть ответ: реклама Kalshi вышла в эфир во время финала НБА, а Netflix использовал сгенерированные кадры в вышедшем сериале.
Сейчас остаются нерешёнными вопросы денег и контроля:
- Кто получает деньги? Продюсеры хотят получать процент, когда появляются их персонажи, или создать механизм, подобный роялти. Лицензированное фанатское творчество с персонажами, людьми или идолами может значительно вырасти.
- Какие новые возможности появятся? Если разрыв в физике сократится, видеомодели перестанут быть генераторами фрагментов и станут симуляторами. **Наше суждение: первым пересечением, где возникнет спрос с готовностью платить, станет обучение роботов, то есть продолжение реальных кадров с камеры моделью.** Это сценарий с наивысшим текущим баллом (63 против 50), и GWM-1 от Runway уже коммерциализирует такие продукты. Игры появятся позже, поскольку им нужны модели, начинающие с нуля и сохраняющие согласованность в течение нескольких часов. К 2027 году мы ожидаем, что рынок симуляторов всё ещё будет меньше, чем рынок рекламы и производства, из которого он происходит. Если до этого какая-либо игровая студия выпустит продукт на основе генеративной модели мира, этот вывод окажется неверным.
Данный контент предназначен исключительно для информационных и образовательных целей и не является инвестиционным советом, связанным с BTCC. BTCC прилагает все усилия, но не может гарантировать правдивость, точность или оригинальность вышеприведенного контента.