从“能生成”到“敢使用”
多模态大模型在视频生成上的进步，正把行业从演示阶段推向生产阶段。当一段几十秒的合成视频足以以假乱真，讨论焦点便不再是模型能做什么，而是它能被允许做什么。技术能力的边界向外扩张，治理的边界也必须同步跟进。
版权：训练数据与生成结果的双重争议
第一重争议在输入端：模型训练往往依赖海量视频素材，其中相当一部分可能受版权保护。权利人要证明自己的作品被用于训练，本身就存在举证难度。
第二重争议在输出端：生成结果是否与某部作品“实质性相似”，判断标准在视频领域远比文字模糊。风格、运镜、角色形象的模仿，究竟算借鉴还是侵权，现有规则尚未给出清晰答案。
真实性：从深度伪造到可信来源
视频长期被视为“眼见为实”的证据形式，这一信任基础正在被侵蚀。合成人物、篡改口型、伪造场景，都可能被用于诈骗、误导舆论或制造虚假证据。
更棘手的是“真实性通胀”：当公众知道视频可以轻易伪造，真实影像也可能被随意指认为假。这种普遍怀疑本身，就是对公共信息环境的损耗。
监管思路：标识、溯源与水印
目前较有共识的方向是“可识别”与“可追溯”。前者要求生成内容带有显式标识，让用户知道这是AI产物；后者依靠隐式水印、元数据或内容凭证，记录内容的来源与修改链路。
但标识并非万能。水印可能被裁剪、压缩或对抗性处理削弱，跨平台传播又会稀释来源信息。因此监管需要覆盖生成、分发、二次编辑的完整链条，而非只盯住模型厂商。
平台与创作者的责任边界
平台掌握分发能力，也最有条件执行标注、审核与下架。但若责任无限扩张，可能带来过度审查与合规成本转嫁。
创作者则需要在使用合成素材时保留授权与生成记录。清晰的责任分配，应建立在“谁控制风险、谁承担义务”的原则上，而非简单地把压力压给单一环节。
深水区的平衡术
监管过松，侵权与虚假信息会迅速扩散；监管过紧，创作空间与产业创新又可能被压缩。可行的路径是分层治理：对高风险场景从严，对一般创作保留弹性。
技术治理与法律规则需要彼此配合，标识标准、溯源协议与侵权认定规则同步演进。多模态视频生成的深水区，考验的不只是模型能力，更是社会如何在创新与信任之间找到可持续的平衡。
