每天燒 $1,500 萬、終身賺 $210 萬 — Sora 的死，揭開視頻 AI 最危險的陷阱

OpenAI 在 2025 年 10 月 30 日這一天，剛剛上線 Sora 整整五週。

Bill Peebles，Sora 的負責人，在 X 上發了一則公告：Sora 要開始對重度使用者收取額外生成費用了。理由很直白——

“the economics are currently completely unsustainable”

五個月後，2026 年 3 月 24 日，Sora 關閉了。

終身總營收：約 $210 萬美元。 每日估算推理成本：約 $1,500 萬美元。

把這兩個數字放在一起，你不需要讀財報就知道這件事有多糟。但我更想聊的，不是 OpenAI 為什麼失敗，而是這個失敗揭露了整個視頻 AI 賽道的結構性問題——一個用戶端和供給端同時出了問題的局面。

五個月的旋風，和一個從一開始就知道的問題

Sora 的關閉是意外嗎？不是。

2025 年 2 月，OpenAI 首次公開 Sora 的演示影片——在公開上線整整七個月前。那些演示影片太驚人了：城市景觀、海浪物理、電影質感的鏡頭運動。全網轉發，YouTube 上的反應影片累積了幾億次觀看。

九月正式上線，五週後負責人說「經濟模型完全不可持續」。

這中間發生了什麼？其實沒有發生什麼。問題從一開始就存在，只是在真正面對用量的時候變得無法迴避。

每一次 Sora 生成一段十秒的影片，Cantor Fitzgerald 的分析師估算成本大約是 $1.30 美元——需要大約四十分鐘的 GPU 時間，跨四張並行的 GPU。按照活躍用戶數和平均使用量計算，每天的推理費用大約落在 $1,500 萬。而 Sora 的月訂閱費（含在 ChatGPT Pro 的 $200/月套餐），以及直接的影片點數購買，加起來的終身總收入是 $210 萬。

這不是收費定太低的問題，也不是行銷做太差的問題。這是技術成本結構，在現有的架構下，就是對不起來。

為什麼視頻 AI 這麼貴：一個架構層的問題

要理解視頻 AI 的成本問題，需要先理解它和文字 AI 在技術上的根本差異。

ChatGPT 每個月的估算運算毛利率大約是 70%——也就是說，扣掉推理成本，OpenAI 從每個付費用戶的使用中能留下 70% 的毛利。生成一篇五百字的文章，大概需要七百五十個輸出 token，成本換算下來不到 $0.015。

Sora 用的是 DiT（Diffusion Transformer） 架構——把擴散模型（Diffusion）的生成邏輯和 Transformer 的注意力機制結合。問題在於，這個組合在視頻生成的場景下，有幾個疊加的成本炸彈：

第一，token 數量的量級差距。生成五秒的影片，在 Sora 的潛在空間（latent space）裡大約需要四萬到五萬個 token——約是生成五百字文章的 60 倍。但這只是起點。

第二，沒有 KV 快取的好處。文字模型用「逐 token 生成」的方式工作，可以把已計算過的結果快取起來，每個新 token 只需要增量計算。擴散模型不是逐步生成的——它每一輪去噪（denoising step）都要對所有 token 做完整的前向傳播，而且要做 二十到五十輪。等於每次生成都是從頭算一遍，再算一遍。

第三，注意力機制的平方複雜度。Transformer 的自注意力計算是 O(n²)——token 數量翻倍，計算量變成四倍。當 token 數從文字的幾百個膨脹到視頻的幾萬個，這個指數效應就變得致命。

把這三個因素疊加在一起，視頻生成在同樣算力下能做的事，遠遠少於文字生成。這不是 Sora 特有的問題，而是整個基於 DiT 的視頻生成架構的結構性限制。

抽卡體驗：期待與現實之間的落差

技術成本只是問題的一半。另一半是用戶體驗——一個讓這筆成本更難收回的惡性循環。

Sora 的行銷影片，是幾千次生成裡挑出來的最佳結果。你在 YouTube 上看到的那些海浪、城市、電影質感鏡頭，是「已知最好的輸出」，不是「典型輸出」。

真實使用 Sora 的用戶描述的是另一種體驗。研究者的測試顯示，大約 30% 的生成結果是真正令人滿意的，20% 是明顯失敗，剩下 50% 是「堪用但不驚喜」。這個比例聽起來不差，但問題在於：你不知道這次是哪 30%。

這就是「抽卡體驗」——每次生成都像是在拉一次扭蛋機。輸入同樣的提示詞，你不知道會得到什麼。

更具體的問題：

一致性崩潰。目前最好的視頻 AI 模型（如 Runway Gen-4）在「角色外觀一致性」測試中，成功率大約是 70%——Kling 是 50%，Veo 3 是 45%。也就是說，如果你想做一個三個場景的短片，同一個角色的臉、服裝、特徵維持一致的機率，在最好的工具上也只有七成。

手部和臉部的夢魘。這是所有主流視頻 AI 工具共有的問題：融合的手指、多餘的關節、在鏡頭切換之間悄悄改變的臉。人類的手有二十七根骨頭、三十四條肌肉，同時做出旋轉、彎曲、外展的動作——擴散模型在沒有明確三維先驗的情況下，很難在時序上維持這個一致性。

時間連貫性（temporal coherence）失效。超過十秒的影片，物體可能無故消失或出現，人物可能滑行而不是行走，肢體可能穿過障礙物。場景在時間軸上「漂移」，而不是在物理規則下穩定演進。

結果是：用戶需要多次重跑才能得到一個「勉強可用」的結果。而每一次重跑，都是一筆推理成本。

高成本 × 低命中率 = 雙重死亡螺旋。你多讓用戶跑幾次，你就多燒幾倍的成本。

競爭格局：誰還在撐，憑什麼撐

Sora 關閉了，但視頻 AI 這個賽道沒有關閉。活下來的玩家，用的是不同的策略。

Runway：$53 億估值，今年二月剛完成 $3.15 億的新輪融資，投資人包含 NVIDIA、Adobe、AMD。2024 年財務數字難看——$4,400 萬營收對比 $1.55 億的 EBITDA 虧損——但它有一個明確的市場定位：專業內容創作者，不是一般消費者。Runway 的用戶願意為品質付出更多，需求端更清晰。

Kling（快手）：這是目前在商業化上走得最遠的視頻 AI。2025 年全年收入 $1.5 億（約十億人民幣），年末月收入超過 $2,000 萬，宣稱推理毛利轉正。快手整體毛利率是 55%，Kling 能掛在快手的運算基礎設施上成長，不需要單獨撐起全部成本。這個「背靠大樹」的結構，是 Sora 作為 OpenAI 獨立產品所沒有的緩衝。

Pika：估值約 $7 億，募資 $1.15 億，定位更偏消費者端和社群內容。整合進 Adobe Firefly，嘗試讓 AI 視頻成為非專業創作者的工具。

Google Veo 2：API 定價 $0.50/秒（$30/分鐘）——這個定價不是以盈利為目的，而是以讓開發者使用 Google Cloud 為目的。Google 的整體年營收超過 $3,000 億，Veo 的虧損可以被無限稀釋。

共同點：除了 Kling 之外，沒有任何獨立視頻 AI 公司公開宣示毛利轉正。Runway 的估值是基於成長潛力，不是現有獲利能力。

成本下降的速度，決定這個賽道的命運

Cantor Fitzgerald 的分析師 Deepak Mathivanan 提出了一個讓人在意的預測：視頻 AI 的推理成本，2026 年底前可以降五倍，2027 年底前可以降十五倍。

這不是空穴來風。文字 AI 的先例可以參考：2022 年底到 2026 年初，文字推理成本大約下降了 1,000 倍——硬體迭代（每代 GPU 省 2-3 倍）、軟體優化（vLLM、TensorRT）、架構效率（MoE），幾個因素疊加。

視頻 AI 同樣有具體的改善路徑。DiT 架構的「去噪步驟冗餘」問題，已經有研究（如 AdaCache）在著手解決。NVIDIA Blackwell 相比 Hopper 在大模型推理上降成本約四倍。每代 H100 等級的 GPU 在能源效率上每年改善約 30%。

問題是：改善速度夠快嗎？

就算推理成本降五倍，當前用戶每天的平均生成需求也只是從 $1,500 萬降到 $300 萬——$210 萬的終身收入依然追不上。更關鍵的是：成本降低的同時，競爭也在加劇。中國的 Kling 在追，Google 在貼補，Runway 在募資。OpenAI 必須在成本曲線降到商業可持續之前，維持足夠的競爭差距——這個賽跑它沒有選擇繼續。

我的判斷

視頻 AI 的問題不只是成本，而是成本和體驗同時出了問題。

如果今天視頻 AI 的生成品質像文字 AI 一樣「第一次就大約可用」，高成本還是值得付——消費者願意為高品質的創意工具付出更多。Midjourney 的圖片生成就是這樣打出來的：品質夠好，用戶願意訂閱，毛利穩健。

但現在的視頻 AI 是高成本 + 低一致性的組合。每次生成你要賭，賭輸了要重來，而每次重來都是錢。對用戶是挫敗感，對平台是燒錢。

Kling 的正毛利訊號是有意義的，但它建立在快手的基礎設施補貼上，不能直接外推到所有獨立視頻 AI 公司。真正的考驗是：當成本下降到可持續的範圍，市場上還剩下哪幾個玩家有足夠的用戶基礎和品牌認知，能把商業模式跑通？

Sora 死得太早了——它死在成本下降的曲線還沒走到可持續點之前。

這不是視頻生成 AI 的終結，而是第一批先烈的教訓：在硬體和架構讓成本真正下來之前，靠燒錢把市場打開，不是一個可以走通的策略。

Sora 關閉五週後，Disney 宣布他們已在與其他 AI 視頻夥伴洽談。那份 $10 億的合約會找到新主人，問題是：新主人能撐到成本曲線走到商業可行的那一天嗎？

視頻 AI 不缺夢想，也不缺資本。它缺的，是時間。