AI 视频分成两条赛道，一条是像素赛道，模型直接生成最终画面，比的是更真、更长、更稳；另一条是代码赛道，模型生成的是画面背后结构和程序，画面由这套程序渲染出来，因此能继续运行、修改，甚至回应用户。分野不在画质，而在交付物，一条交出的是成片，另一条交出的是源码
交付物决定赛道
过去两年，AI 视频的进步主要体现在画质、时长、速度和一致性上。竞争的目标，是让机器生成的视频越来越像真正拍摄的成片。
但当生成视频本身不再稀奇，问题就变了：生成之后能不能精确修改？内容变化时是否必须从头再来？同一套内容能否持续更新，并适配不同用户和场景？
我认为，这些问题正在把 AI 视频分成两条路线。
一条是像素路线，模型直接生成最终画面，追求更真、更长、更稳。另一条是代码路线，模型生成画面背后的结构和程序，再由浏览器、渲染器或游戏引擎把它运行出来。
两者真正的分野不在画质，而在交付物：一个交出成片，一个交出源码。
成片适合观看，源码则可以继续运行、修改和回应用户。后者看起来没有那么炫目，却更有可能把 AI 视频从一次性内容工具变成生产基础设施。
从视频文件到可运行世界
Karpathy 做过一个很有代表性的实验。他把《指环王》小说的第一段交给 Claude Opus 5，提供约一百万 token 的预算，让模型使用 Three.js 将文字变成一个可以在浏览器中运行的三维世界。
模型自主工作约两小时，写出约 5500 行代码，最终生成了一段程序化动画。
这段动画并不精致。模型还不能直接观看自己生成的连续视频，只能依靠静态截图检查结果，因此很容易在运动和场景变化中出错。
但实验的价值不在成片质量，而在产物形态。模型交付的不是一个封闭的视频文件，而是一套可以运行、检查和继续修改的视觉程序。视觉内容第一次有了明确的源码。
随后，开发者把同样的方法扩展到《星球大战》《哈利·波特》和可玩的三维场景。单个作品仍然粗糙，但它们共同指向一个新方向：文字不仅可以生成画面，也可以生成一个可运行的世界。
代码让内容变成长期资产
像素模型擅长真实感和视觉表现，但画面生成之后往往随之固定。修改一个价格、一个数字或一个步骤，都可能需要重新生成整条视频。
代码路线保留了内容的结构和逻辑。文字、组件、参数和数据源可以分别修改，同一套内容也能针对不同岗位、地区和人群生成不同版本。
这对于教育、产品说明、财报解读、工业培训、数据新闻和软件引导尤其重要。这些场景最怕的不是画面不够漂亮，而是数字错、标注错、步骤错，以及结论无法追溯。
在这类内容里，可修改、可定位和可追溯，比电影感更有价值。
从运行环境看，视觉代码也不只是视频。它已经分化出浏览器原生、SVG 矢量、Lottie 动效、程序化视频以及 3D 与仿真等方向。视频只是其中一个分支，背后更大的变化是视觉内容开始拥有结构化的生产方式。
企业需求已经出现，供给仍在早期
资本目前仍然大量流向像素生成。素材列举的几笔融资中，PixVerse 单轮融资约 4.39 亿美元，而专注 SVG 视觉代码的 QuiverAI 种子轮为 830 万美元，两者相差近两个数量级。
如果只看融资规模，代码路线仍然很小。但从需求侧看，情况并非如此。
HeyGen 在 2026 年 6 月宣布年经常性收入超过 2 亿美元；Synthesia 的年经常性收入约为 1.5 亿美元，并预计年内突破 2 亿美元。它们服务的正是企业培训、知识分享、产品营销和销售赋能。
这些公司目前的主营业务仍以像素生成为主，却已经证明企业愿意为视频化的知识和信息表达付费。值得注意的是，HeyGen 同时开源了程序化视频项目 HyperFrames，也开始为代码路线搭建基础设施。
我更愿意把这里看成一种供需错位：企业需求已经得到验证，但现有像素方案恰恰不擅长持续修改和准确追溯，代码方案则刚刚起步。这段落差，可能就是下一批产品的机会。
真正的门槛是闭环
代码本身并不会自动带来准确性。Karpathy 实验暴露出的关键问题是，模型虽然能够写出视觉程序，却还不能稳定地观察连续输出、发现错误并修正代码。
所以，代码视觉最终比拼的不会只是生成能力，而是能否建立“生成、执行、观察、修正”的完整闭环。
素材提到的一项前端代码生成研究，让视觉语言模型充当批评者：代码生成后先在浏览器中渲染，一个模型观察画面并给出结构化反馈，另一个模型再结合源码，把反馈转化为具体修改意见。经过三轮迭代，真实用户任务的质量最高提升了 17.8%。
这种方法的重要性在于，它把“看起来不对”转化成可以定位的问题：究竟是哪个布局、组件、样式、参数或交互出了错。
可修改的前提是可定位，可定位的前提是有结构。代码路线与递归自我改进天然契合，原因就在这里。
两条路线最终会合流
代码不会取代像素模型。更合理的终局，是像素模型负责质感和创意，代码负责结构、准确性和持续维护。
三维内容会进一步放大这种结合的价值。一张椅子的渲染图只是画面，真正可用的三维椅子还需要部件、视角和功能约束：门要能开，铰链要能转，抽屉要能滑。这些关系不能只停留在像素中，必须进入可执行的结构。
渲染器的角色也会随之改变。它不再只是生成最终画面的工具，而会成为模型测试和改进作品的反馈环境。
如果这条路线成立，AI 视频竞争就会从清晰度、时长和电影感，转向内容系统能否理解上下文、回应不同用户，并在持续使用中保持准确和可更新。
到那时，教育、产品知识和数据解读不必再被压缩成所有人观看同一版本的线性视频。内容可以根据问题、角色和场景改变表达路径。
这才是我认为更值得关注的变化：AI 不再只是生成一段视频，而是开始参与内容的组织、运行和长期维护。