陆川用AI五天复原明代大爆炸，阿里全模态模型兜底影视生产

不用搭景，不用等演员，导演陆川和团队用AI把一场400年前的明代灾难现场做了出来。宫廷、火药库，以及史料中烟云如黑灵芝的大爆炸，按传统影视工业做法往往需要数月时间和千万级投入，这次只用了5天。

人物的脸、皮肤、神态已相当逼真，爆炸的烟尘、碎片、火光也稳稳接住。过去光是一场爆炸戏就要耗费19天。陆川团队把史料文字翻译成现代视觉概念，前后做了约四轮提示词优化，再参考真实爆炸影像校准。阿里视频生成模型对烟尘、碎片等复杂画面的还原准确度已达团队预期的95%以上。AI已不只是给导演吐素材，而是进入完整创作链路，单在视频生成环节，阿里模型贡献度就超过一半。

9月22日云栖大会上，阿里云集中发布模型进展：Qwen3.8-Max开始自己训练自己，Qwen3.8-Flash提前放出下一代架构，Qwen3.8-Omni开辟全新思考分区，Qwen4已开练，Qwen4.5、Qwen5也在路上，参数规模瞄准5万亿至10万亿。图像生成模型Qwen-Image-3.1、音乐生成模型Happy Shrimp 1.1、世界模型HappyOyster 2.0 Preview、语音模型家族Qwen-Audio-3.1、同声传译模型Qwen3.8-LiveTranslate集体亮相，下一代视频生成模型预告11月发布。

阿里这一轮全模态升级，更在意模型能否更快进入场景变成生产力。文字和通用智能有Qwen3.8及Qwen4；图像生成与编辑有Qwen-Image-3.1；视频生成有Wan、Happy Horse系列及11月将发布的下一代视频模型；声音有Qwen-Audio-3.1，音乐有Happy Shrimp 1.1；HappyOyster 2.0 Preview处理世界模型和交互环境；Qwen3.8-Omni-Flash把文字、图片、音频、视频放进统一理解框架；Qwen Intelligence把Agent能力推向手机终端。现实任务天然是混合模态的，模型也很难再一项一项地做。

阿里巴巴ATH事业群副总裁、淘天集团首席科学家郑波提到，文本、图像、视频、声音、空间的能力正加速协同，AI从生成一张图、一段视频、一首音乐，走向理解人的意图，创造完整沉浸式视听体验。阿里判断，如果语言模型是机器的大脑，多模态模型正在成为机器感知世界、创造内容并与物理世界互动的中枢。

从Demo走进生产线，多模态开始接受真考验。第一层是内容生产。Wan3.0已支持单次30秒生成，还能接受文档、表格、网页等结构化输入，曾在Artificial Analysis文生视频和视频编辑两项榜单位列第一。但商业场景里，商品外观、Logo、人物和口播只要有一个漂掉，就很难直接交付。“能不能稳定生产”成为核心考题。据使用者介绍，Wan3.0已接近真实广告拍摄水平。

第二层是进入专业创作。陆川的《历史·现场》把AI带到创作者真正难啃的位置：通用模型容易生成古装剧质感，真正的历史现场反而需要陌生感和严谨史料，也需要模型理解导演意图。阿里巴巴视频生成模型技术负责人表示，未来将与更多导演、行业专家及历史学者合作，为模型引入更全面、更严谨的专业信息。

音乐创作遇到另一套难题。太合音乐集团总裁余灏坦言，AI带来的焦虑并不新鲜，电子合成器、MIDI、DAW都曾引发类似担忧，最后都变成新生产工具。但音乐进入产业后，训练素材、版权、AI翻唱授权、收益分配都绕不过去。余灏特别提到，无授权AI翻唱成本太低，大量版本泛滥会侵蚀原版版权方和艺人价值。小旭音乐创始人卢小旭分享，其工作室做AI歌手需多模型协同：先做人设和视觉锚点，再用音乐模型做歌曲、人声和编曲，接着用视频模型做MV和对口型视频，后面接大模型做评论抓取、分类和运营反馈。他们平均4个项目才能跑出1个成功AI歌手账号，但6个人就能孵化十多个AI歌手IP，一些账号4个月涨粉20万，全网累计播放量突破2亿。

第三层是进入终端和物理世界。Qwen-Audio-3.1-Realtime已进入千问办公、Qoder、千问AI眼镜、随身助理和桌面机器人等，能边听、边想、边说。Qwen Intelligence继续把Agent能力塞进手机，希望完成跨应用复杂任务。HappyOyster 2.0 Preview则要解决环境长期一致、物体运动符合物理规律、用户操作及时反馈等问题。

多模态的下一关，是连续理解和完成任务。演员王珞丹分享，她今年年初开始认真学AIGC做短片，曾抽卡到凌晨4点，早上6点才抽到想要的镜头。更麻烦的是表演，脑子里有具体状态，模型却很难准确呈现；反而给宽泛概念时，模型可能突然给出惊喜。这说明单个镜头已越来越强，但故事一长，人物的状态、情绪和气质很难一直保持。创作者需要的，恰恰是AI能记住前面的内容，一直跟着同一