鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

奥特曼抱紧迪士尼大腿,OpenAI能避免被踢下牌桌吗?

编程导航
编程导航
2025-12-13 12:30
阅读 142
编程导航
2025-12-13 12:30
阅读 142

文 | 超聚焦

米老鼠和奥特曼这下真要碰面了。

据The Information报道,12月11日,迪士尼宣布对OpenAI进行10亿美元的股权投资,并与之签署了一项为期三年的战略授权合作协议。

该协议内容还包括:OpenAI旗下的AI视频生成平台Sora将获得授权,可根据用户输入的提示词生成以迪士尼旗下IP为主题的短视频;迪士尼可利用OpenAI的API开发新产品、工具和沉浸式体验,并为员工部署ChatGPT以提升工作效率。

总体来看,这项合作并非单纯的财务投资,而是迪士尼深度整合OpenAI生成式AI能力的战略举措。

根据协议安排,预计从2026年初起,OpenAI的Sora和ChatGPT Images等图像与视频生成产品将正式支持迪士尼旗下众多经典IP角色,用户届时可在创作中使用米老鼠、狮子王、灰姑娘、玩具总动员、疯狂动物城等作品中的角色形象。

就在同一天,迪士尼还向谷歌发出停止侵权通知函,指控谷歌在未经授权的情况下,大规模“复制”迪士尼受版权保护作品来训练生成式AI模型,还可能把"生成的IP内容"分发给消费者。

谷歌既未证实也未否认迪士尼的指控,只表示会与迪士尼进行沟通,并强调公司用开放网络的公共数据构建AI,也做了版权控制(YouTube的Content ID)。

那么迪士尼为何豪掷10亿美元投资OpenAI?OpenAI又将面临着怎样的竞争格局?

迪士尼与奥特曼各取所需

对于迪士尼而言,这10亿美元像是一笔“保护性投资”。

这笔投资不仅让迪士尼获得了OpenAI的少数股权和潜在的股权认购权,更重要的是,买到了三样东西:技术、渠道和规则制定权。

技术赋能方面,Sora 2有机会成为迪士尼重塑内容生产的“魔法工厂”。

迪士尼的核心竞争力在于其庞大的IP版图。从《白雪公主》到《冰雪奇缘》,迪士尼用一代代的技术革新,不断拓展着动画电影的边界。如今,Sora的出现,让迪士尼看到了内容生产的全新可能。

Sora 2作为OpenAI推出的文生视频大模型,其能力较Sora出现了长足的进步。它目前已经能够理解复杂的自然语言指令,并生成质量较高的、符合物理逻辑的视频。

这意味着未来的迪士尼动画师,可以通过向Sora 2下达“让米老鼠在上海迪士尼城堡上空,驾驶一艘《星球大战》的X翼战机,背景是绚烂的烟花”这样的指令,就能在几分钟内生成一段高质量的预览视频。这将有效压缩前期创意探索和制作的成本与时间,让创作者能将更多精力投入到核心的故事构思和具体细节的打磨上。

这笔交易最重要也最有标志性意义的部分,莫过于允许普通用户在Sora上使用迪士尼的IP进行创作。这种渠道创新标志着迪士尼开始从一个封闭的IP的所有者,向一个开放的IP平台赋能者转变。

过去,粉丝对迪士尼IP的二次创作长期处于灰色地带,而现在,迪士尼主动打开潘多拉魔盒。用户可以在Sora 2中,让钢铁侠与艾莎公主同框对话,让巴斯光年驾驶千年隼号飞船。这种“官方玩梗,最为致命”的开放姿态,将引爆UGC(用户生成内容)的巨大潜力。

此外,Sora 2中还规划了名为“Cameo”的功能,允许用户将自己的形象植入到AI生成的视频中,与喜爱的角色互动。

这些由用户创作的、带有强烈个人色彩的短视频,将通过社交网络病毒式传播,成为迪士尼IP最鲜活、最广泛的广告。

通过这种方式,迪士尼的IP不再仅仅是躺在电影和乐园里的静态资产,而是在AI的世界里获得了“赛博永生”,不断地被重新诠释、传播和喜爱。这不仅巩固了现有IP的生命力,也为未来新IP的孵化和推广提供了全新的路径。

最关键的,是迪士尼开始通过版权制高点参与AI规则制定。

迪士尼此次与OpenAI的合作,双方的合作协议中明确规定,授权不包括任何演员的肖像或声音角色将以动画或插画的形式出现。这既是对创作者权益的保护,也是在AI伦理和法律边界上的一次谨慎探索。

通过成为Sora的首个主要内容授权合作伙伴,迪士尼实际上获得了定义AI时代版权使用规则的先发优势。OpenAI也计划推出精细化的版权控制选项和收入分成模式,允许版权方自主决定其IP在Sora中的使用方式。

迪士尼通过“选择加入”并深度合作的方式,而不是像其他好莱坞公司那样简单地“选择退出”或观望,成功地将自己从一个潜在的“受害者”转变为“规则制定者”。同时给业界提供了案例:AI生成内容的版权问题,不是不能解决,而是可以通过商业合作和技术手段来规范。

这个模式一旦跑通,迪士尼就开拓了一条新的商业模式:IP授权不再局限于传统的商品、影视改编,而是扩展到了AI生成服务领域。未来,任何AI公司想要合法地使用迪士尼的IP,都必须遵循迪士尼与OpenAI共同建立的这套“Sora范式”,支付相应的授权费用。

而在同OpenAI达成深度合作的同时,迪士尼也帮奥特曼“捅”了最大的竞争对手Google一刀。

迪士尼对谷歌的诉讼,挤压了其版权的灰色空间,客观上起到了“围魏救赵”的效果。

在通用大模型技术逐渐趋同的背景下,高质量、独家的训练数据,正成为AI公司的核心竞争力。

通过与迪士尼的独家合作,OpenAI的Sora可以向合法、大规模生成顶级IP内容的AI视频平台靠拢。当用户想创作一个关于“钢铁侠大战灭霸”的短视频时,Sora会是他们的安心之选。

利用Sora强大的流量效应,更多的用户因为迪士尼IP涌入Sora平台,他们创作的UGC内容又会带来更多点击,从而为OpenAI提供用户数据和模型迭代的养料。

而谷歌的AI,即便技术上同样强大,但在内容生态的丰富性和吸引力上,将与Sora出现一定差距,从而延缓谷歌在生成式AI领域的步伐,为OpenAI争取宝贵的发展时间。

奥特曼将一个原本可能扼住自己喉咙的版权问题,巧妙地转化成了一把可以卡住对手脖子的利剑,这一招“借刀杀人”,不可谓不高明。

被拉下技术神坛后,OpenAI也得打“堑壕战”

不过,OpenAI虽拿下了迪士尼的投资与授权,为自身在内容生成和娱乐领域的布局增添了重要砝码,但它最近的日子,可实在算不上好过。

而这一切都要从Google发布的最新模型Gemini-3说起。

作为谷歌的最新一代基础模型,Gemini 3完成了对GPT-5.1的全方位压制,在多模态理解、复杂任务处理方面,都展现出了令人咋舌的“代差级”领先。

如果说过去的AI只是“看图识字”,那么Gemini 3就是真正拥有了“火眼金睛”。

Gemini 3不只是识别出画面里有什么,而是能彻底理解图像、视频和声音之间的复杂关联。而在视频理解测试中,Gemini 3的得分遥遥领先,实现了从“看懂”到“理解关联”的跨越,无疑给内容生成与专业分析领域带来了一场革命。

更强大的是其在处理复杂任务时的全能性。Gemini 3拥有超长的上下文记忆能力,能一次性“吃透”相当于一整本学术论文的信息,并且保持惊人的信息保留率。这也让它在真实任务中展现出远超同类模型的能力。

这种全方位且极其明显的技术领先,把OpenAI打了个措手不及。

晨星公司科技股票高级策略师布莱恩·科莱洛表示:“人们越来越觉得Alphabet(Google母公司)具备成为人工智能模型构建领域主导者的所有条件。就在几个月前,投资者还会把这个头衔颁给OpenAI。但现在情况更加不明朗,竞争更加激烈,OpenAI最终能否胜出也存在更大的风险。”

为了应对Google的冲击,CEO奥特曼宣布公司进入“红色代码”状态,全力提升ChatGPT的质量,并因此推迟其他产品的开发。

其中最明显的牺牲,就是暂时叫停了关键的广告变现业务节奏。

据OpenAI最新发布的SP显示,到2030年时,广告相关业务营收预计将高达450亿美元,占到当年营收的20%以上,这本是OpenAI最重要的未来“现金奶牛”之一。但在Gemini 3的强大冲击下,其一直在测试利用ChatGPT数百万用户的搜索行为投放购物广告的计划也被突然叫停,可见压力之大。

而在资本市场上,选择和OpenAI一边“站队”的企业,也被市场用真金白银投出了不信任的一票。

作为OpenAI云计算基础设施和核心服务的战略合作伙伴,Oracle这几月以来在资本市场上的表现就像坐上了过山车一般,忽上忽下。

在今年三季度期间,Oracle与OpenAI签署了一份长达五年、总价值高达3000亿美元的云计算服务大单,这笔巨大的合作订单曾让Oracle的股价在短时间内一夜大涨近40%,市场将其视为AI时代的“卖铲人”而热捧。

但随着OpenAI的技术“落后”之势越发明显,市场对这份合作的前景也开始产生担忧,认为这笔巨额订单的未来存在变数。受此影响,Oracle的股价在短短三个月内,几近遭遇腰斩,充分体现了资本对OpenAI的不看好。

然而,这还仅仅是OpenAI面临的“开胃菜”。当前,OpenAI身上背负着一系列令人咋舌的算力采购或租赁订单,涉及到的金额和规模极为庞大:包括英伟达、AMD、博通等上游硬件巨头的数百亿美元订单,以及与微软、AWS等云服务提供商高达数千亿美元的巨额合作。

如此巨大的算力投入,其商业逻辑是建立在模型持续领先、业务顺利落地、商业化路径能够跑通这一系列假设基础之上的。

但是,现在最核心的模型能力却被公开质疑,相当于直接动摇了OpenAI的立命之本。一旦技术优势不再,随之而来的就是商业模式的信任危机。

在模型落后的大背景下,OpenAI依赖巨额投入建立的商业“正循环”,这个本应通过领先模型吸引用户和收入、再用收入继续购买算力研发模型的模式,能够顺利达成的概率,可以说是少之又少了。

不过,当前头部模型的竞争态势本就是你追我赶,瞬息万变。OpenAI在拉响红色警报后,能端出什么样的最新模型目前还未可知。

但可以确定的是,2025年底的OpenAI,与三年前那个刚刚引爆全球的OpenAI已完全不同。如今的它无疑更加成熟、更加庞大,但要面临的竞争也更加残酷和白热化。

原文链接: 奥特曼抱紧迪士尼大腿,OpenAI能避免被踢下牌桌吗?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230