艺恩观察：视频AI训练数据告急：公网视频"吃完了"，下一批从哪来？

2026/6/3 10:07:30

当Sora 2、可灵3.0、Veo 3.1等前沿视频生成模型加速迭代时，一个被行业刻意回避的问题正在浮出水面——训练数据从哪来？

OpenAI在Sora 2的系统卡里仅用41个字描述训练数据来源，未披露任何数据集名称与规模。同期，NVIDIA Cosmos亮出2000万小时、9000万亿token的训练规模，腾讯HunyuanVideo公开了亿级切片的训练流程——前沿模型跑得越快，"用什么训的"反而越说不清。

多模态数据集服务商艺恩在近日发布的行业观察中指出：对任何一家正在做视频生成或世界模型的公司来说，真正的问题不是"下一代模型要多大"，而是"下一批训练数据从哪儿来"。

瓶颈一：公开数据正在见底

Epoch AI在2024年ICML论文中估算，经质量修正后的公开人类文本约300万亿token，按当前消耗速度将在2026至2032年间用完。视频领域虽无等价研究，但可反向推算：NVIDIA Cosmos的2000万小时训练语料，大致相当于YouTube全球27天的全部上传量。

公网视频不是不够多，是不够好。质量、密度、信号均不足以支撑下一代模型。Meta V-JEPA 2训练用了"100万小时以上互联网视频加少量交互数据"——前一项是已做到的规模，后一项才是真正的瓶颈。

图 1 · 前沿视频模型训练数据公开披露度对比

瓶颈二：4D与多视角数据，公网里几乎没有

世界模型阵营已将此点明。Meta LeCun在V-JEPA 2论文中指出，"以观察为主学习世界"需结合互联网视频与交互数据；斯坦福Fei-Fei Li更直言："空间智能的数据都在我们脑子里，不像语言可直接获取。"

目前公开4D数据集规模有限——上海AI Lab的DNA-Rendering提供6750万帧多视角语料，Google Stereo4D挖出11万个4D片段——相比千万小时级2D视频，小两到三个数量级，且高度集中在人体、自动驾驶、室内机器人三个窄域。

资本已用脚投票。2026年初，Fei-Fei Li的World Labs获10亿美元融资，LeCun创立的AMI Labs完成10.3亿美元种子轮，两笔合计20亿美元，核心押注均指向——为"理解物理世界"准备数据。

图 2 · 视频训练数据的三个结构性缺口

瓶颈三：电影级数据开始被定价

带导演意图的视频正在成为稀缺资源。阿里Wan 2.2按光线、色调、构图等几十维标注训练数据；Google Veo 3红队报告显示其输出"偏电影级，常出现切镜与戏剧性运镜"——背后必有高占比电影级语料支撑。

2025年12月，迪士尼以10亿美元入股OpenAI，200余个IP角色被纳入Sora生成范围，虽仅授权"输出生成权"而非"训练权"，但这是好莱坞与视频AI首次以IP+现金+股权方式将内容摆上谈判桌。

国内方面，2025年1月爱奇艺起诉MiniMax的版权案仍在审理，索赔仅10万元，但作为中国首例视频平台诉AI模型案，信号意义远超金额本身。

艺恩判断：下一步不在公网

艺恩在观察中给出明确判断："再加10倍数据"的方向，不在公网，而在三条路——

第一条是仿真合成路线，以NVIDIA Cosmos为代表，用物理仿真与机器人采集数据替代真实视频；

第二条是精标注路线，以Wan 2.2为代表，给现有视频叠加电影级结构化标注；

第三条是IP采购路线，以迪士尼-OpenAI为代表，真金白银买入版权清晰的优质内容。

三条路有一个共同特征：垂类、有授权链、有结构化标注。艺恩认为，这已不是数据工程问题，而是战略采购问题——决定它的不是工程团队的吞吐能力，而是组织能否搭出一条"合规可溯源+多模态标注+持续更新"的供给体系。

图 3 · 2025-2026 围绕「视频训练数据」的资本与合规节点

艺恩方面表示，其在影视综艺、社媒、电商领域有超过10年的垂类数据积累，包括2.3B+条垂类视频资产、1.2M+部影视综艺授权片，以及多机位与4D采集能力和五维稠密标注体系。在其看来，行业面临的不是"数据用完了"，而是"数据该被重新定义"——下一代视频模型需要的不是更多公网视频，而是更结构化、更可溯源、更接近真实物理世界的垂类语料。

AI训练数据