火山引擎 FORCE 原动力大会上，Seedance 2.5 演示了两个看起来毫不相干的能力。

一个发生在广告世界里，一条口红广告在镜头与场景不变的前提下被批量换色，官方管这叫“一次创作、多版交付”。另一个藏在给机器人行业准备的案例里，一段真实的机械臂操作视频被换掉了桌面材质和背景，指令的最后一句写着“不要改变机械臂的位置和形状”。

这其实是同一个能力，视频局部编辑。它在广告业的名字叫多版交付，在机器人学里的名字叫域随机化，一种给机器人训练数据做扩充的标准手段。同一个技术动作，在两个世界里有两个名字。

7 月 31 日，Seedance 2.5 正式发布，陆续上线即梦、豆包、扣子、小云雀，API 将在近期通过火山引擎开放。比功能列表更值得注意的是发布当日公布的合作名单，徐工集团、灵初智能、微分智飞、穹彻智能。一款视频生成模型的首发客户名单里，出现了重型机械、具身智能和无人机公司。

最近在社交网络上传播最广的一批 Seedance 2.5 作品，有一支重现 1998 年世界杯欧文经典进球的短片，播放量超过 1300 万。而名单上的这些公司拿它生成的东西，不会出现在任何时间线上，有些甚至从一开始就没打算给人看。

AI 视频的下一批大客户，可能真的不是人。

不只是创作者的刚需

过去两年，视频生成的主要竞争一直围绕创作者展开，更长的时长、更高的画质、更像电影的镜头语言。这场竞争在今年出现了一些新的变化，OpenAI 的 Sora 独立应用在 4 月停止服务，而幸存者们不约而同地调转了船头。

火山引擎总裁谭待在不久前的一次采访里透露过一个数据，Seedance 2.0 落地之后，工作日的负载与使用次数反超了周末。

娱乐工具的使用曲线不长这样，生产工具才长这样。至于方向，在他看来影视短剧只是 Seedance 落地的一个切口，更多的合作场景在工业制造、自动驾驶、具身智能。

对企业来说，一条惊艳的视频只是锦上添花，一万条能改、能复用、能本地化、能进入工作流的视频素材才是刚需。这解释了为什么制造与零售最先落地。徐工集团把 Seedance 用在工业操作培训与工序 SOP 视频的生成上，替代传统实拍与三维动画来压缩成本。

企业的产线我们无法复现，但这类任务可以缩小到一张桌子上验证。产品说明视频是制造和零售场景里最标准化的需求，也是比较容易检验对错的场景。我们在字节旗下的小云雀里做了一个实验，给 Seedance 2.5 一张自热火锅的产品图，让它直出一支 30 秒的英语使用说明视频。

结果一次生成，步骤顺序全部正确，发热包放外盒底部、冷水没过发热包、食材盒放回、盖盖留出透气孔，连“加水至水位线”都有专门的特写镜头。

更有意思的是模型对“说明书”的理解。指令里没有任何人物要求，平台的工作流自动生成了一位系围裙的美食博主，竖屏，教程腔，标准的短视频开箱格式，甚至先用图像模型造好了“达人参考图”，用来保证人物在多个镜头之间的一致性。

一个在消费内容里长大的系统，接到工业需求时，会下意识用它最熟悉的模具来接。而企业想要的说明书、培训视频、本地化版本，恰好都能被这条现成的内容流水线顺手接住。所谓进厂，不用新修一条路，第一站就在类似的场景里。

同一支视频，我们又让它交了一版阿拉伯语的。阿语从右往左书写、字母连写，是“原生支持 10 余种语言”里最硬的试金石。

同一支说明书的阿拉伯语版本

生成结果的字形、连笔和排版方向都是对的，演示者形象与英语版保持一致，两版的镜头切换点几乎逐一对应，叙事结构被完整沿用了下来。仔细检查生成的阿拉伯语文本，个别用词仍有生造的痕迹。对说明书这种严谨品类来说，发布前把母语审校留在流程里，仍是必要的一环。

机器坐进观众席

说明书和培训视频，再工业，终究还是拍给人看的。往产业纵深再走一步，视频的观众开始变成机器。而机器看视频，是为了学习。

具身智能从业者有一个共同的焦虑，数据。英伟达具身智能研究负责人 Jim Fan 用“数据金字塔”描述机器人的数据结构，塔基是互联网规模的图文视频，中间是仿真数据，塔尖是真机采集的操作数据，最有价值，也最稀缺昂贵。

黄仁勋在 GTC 上说得更直接，真实世界的数据采集缓慢、昂贵，而且永远不够。这句话有数字背书。风投机构 Bessemer 今年的报告估算，全球机器人操作数据的总量大约只有 30 万小时，互联网视频则超过 10 亿小时，而未来两年，全行业花在机器人数据上的钱将超过 30 亿美元。真实数据靠人一条一条遥操作采集，成本随人力线性增长，合成一段视频的成本，只剩几分钟的算力。两种成本曲线的差距，足以改变一个行业获取数据的方式。

自动驾驶走得更早。特斯拉用神经网络模拟器系统性地合成对抗性极端场景，英国自动驾驶公司 Wayve 的世界模型 GAIA-2 专为生成驾驶场景而建。IDC 对 2026 年具身智能的判断里，训练数据正从单一实采转向虚实融合，仿真合成数据成为规模化训练的主体。

这条赛道上原本是清一色的专用系统。英伟达 3 月在 GTC 上发布了面向物理 AI 的 Cosmos 3，并在 6 月全面开源，英伟达公布的合作生态里，有 ABB、发那科这样的工业机器人巨头，也有 Figure、Agility 这样的人形公司。

变化发生在另一头，消费级视频模型开始反向走进来。

做了七年创意工具的 Runway，去年 12 月发布了建立在自家视频模型之上的世界模型家族 GWM，机器人方向的官方用例几乎逐条对应数据扩充，今年 2 月它为此融到 3.15 亿美元，英伟达和 AMD 都在投资人名单里。而据官方披露，已有具身企业在用 Seedance 做数据合成，自动驾驶工程师在用它合成极端天气与边缘路况。

反方也一直存在。Yann LeCun 多年来坚持认为像素生成学不到真正的物理，他离开 Meta 后创业的方向，恰恰是另一条技术路线的世界模型。视频生成到底能不能给物理世界供数，最终要看下游任务的指标。

而行业当前的共识做法透露出一种务实，公开的产业案例里，最常见的做法是“编辑”，不碰“凭空生成”。拿真实采集的视频做底，只改环境、光照、材质，不动动作与机位。真实视频自带动作标签和物理正确性，编辑只动视觉层，恰好绕开了纯生成路线的两个死穴，Cosmos Transfer 是这个思路

我们照着这个思路用 Seedance 2.5 做了一组实测。底片取自斯坦福等机构联合发布的 DROID 机器人操作数据集，一段 13 秒的真实机械臂抓取视频。

真实视频

只改光照的增广版本

更换环境的版本

换环境、换光照，保护清单里的碗、薯片袋和绿色小包全部原位，机械臂的动作序列与底片一致，只改光照的那一版，几乎挑不出毛病。

Seedance 2.5 把整个场景替换成空间站舱内这种极端环境，抓取动作、画面构图，连机械臂本身都还是原来那套。域随机化欢迎极端环境，但训练数据不欢迎换一台机器。轻编辑与重编辑之间，这就是今天的边界。

一段真实行车记录仪视频

下雨版本

用行车记录仪视频改天气，暴雨版的湿路反光、信号灯倒影的位置与颜色都符合物理直觉，街道结构与车道线保持完好。模型甚至“自作主张”为画面里的车辆点亮了车灯，它知道雨天该开灯，这也让数据更接近真实分布。

失败同样有规律。让模型往路面上加入一个“从货车上掉落的沙发”，沙发出现了，坠落从未发生。它以摆放整齐的姿态凭空进场。

换成飘在空中塑料袋，它正常飘了三秒，在画面中间原地淡出，之后又零星闪出几只幽灵似的小塑料袋，像被模型忘掉之后，又想起了几次。凭空插入新物体、演绎连续的物理过程，眼下是所有视频生成模型共同的边界。

而一条纯文字生成的机械臂倒橙汁，液面守恒、玻璃透明，连投影都随液面上升而拉长，逐帧查看，壶内减少与杯内增加的程度吻合，物理细节全部在线。

需要说明的是，以上每个条目我们都只生成了一次，单次抽样无法体现模型的上限，它反映的是一个普通用户不挑不选，第一次能拿到什么。把这些结果放在一起，是一张更有信息量的答卷。改属性稳，简单场景的物理表现意外能打，不过连续的物理过程，坠落、下雨的雨滴，依然有改善空间。整体来看，给机器造数据这件事，离规模化已经更近了一步。

长出接口的通用视频模型

产业对视频模型的要求，拆开来其实很具体。

机器人的一个完整操作任务常常超过 15 秒，Seedance 2.5 的 30 秒单段直出，第一次盖住了完整的长程时序，也正好是一支标准产品演示的长度。数据扩充要过验收，考的是局部编辑的精度，广告的多版交付，考验的也是同一件事。企业积累的品牌资产、产品图与场景库，对应的是 50 个多模态参考素材的容量。

新增的白模与绿幕参考，把三维资产接进了生成管线，即梦还同步上线了 Maya 与 Blender 插件。发布会上那个接近十万面的宇宙飞船白模 demo，轮廓与结构在镜头推进中保持稳定，这个能力如今已经被做成模板，支持对画面指定区域定向重绘。行业普遍把这类演示解读为影视预演，换个角度看，一个通用视频模型开始接受结构化的三维输入，还配上了专业软件的接口，这是它长出专业工作流的信号。而结构化输入换照片级输出，正是 Cosmos Transfer 的工作模式。

更底层的优势在成本结构。专用仿真系统的研发投入，要靠一个狭窄的 B2B 市场摊销，显然不会便宜。但 Seedance2.5 上线后，产业用户能够以 API 的价格，用到被内容市场滋养出来的前沿视频模型。

验收台前

字节对这批产业合作的表述相当克制，视频生成在实体行业仍是探索阶段的工具，这与我们对 Seedance 2.5 的实测印象一致。它今天最可靠的用法，是给真实数据做扩充、给标准化内容做批量生产。做合成数据的从业者也反复强调过，合成数据需要物理仿真、渲染管线与验证闭环的整套基建，生成只是其中一环，但门槛的坍塌是真实的，视频生成能力的竞争已经把成本打了下来。

过去，想要合成数据意味着一套仿真基建和一支专门团队。现在一段真实视频，一句“不要改变机械臂的位置和形状”，加上几百积分，就能换来一批等待验收的增广素材。当造一条数据的成本从一套人力流程，降到几分钟算力，产业要回答的问题就从“要不要用”，变成了“怎么验收”。

下一支千万播放的 Seedance 视频，还会出现在社交网络的时间线上。而它交付的另一些视频，不会有播放量，它们被切成帧、打上标签，喂进某台机器人的训练集，然后在某个仓库里，变成一次没有观众的、正确的抓取。

给机器看的视频不需要好看，只需要正确。这门生意里没有掌声。验收通过，就是全部的好评。