Résumé des points clés :
Alibaba développe simultanément deux modèles pour la génération de vidéos, HappyHorse et Wan 3.0, dont les fonctionnalités se chevauchent fortement. Le premier provient du laboratoire Taotian et s’adresse aux scénarios commerciaux, tandis que le second fait partie du système Tongyi et se concentre sur les capacités de base. Bien que leurs approches initiales aient été différentes, avec les mises à jour de Wan 3.0, leurs fonctionnalités (génération de vidéos à partir de texte ou d’images, édition, etc.) ainsi que leur public cible se sont progressivement croisés, au point qu’ils concurrencent même sur la même plateforme à des prix différents. Les équipes concernées ont été fusionnées au sein du même département, mais chacun continue de mettre à jour son propre modèle, entraînant un gaspillage de ressources. L’article souligne que les modèles de génération de vidéos sont coûteux en termes financiers et que leur modèle commercial n’est pas encore stabilisé. Alibaba devrait donc fusionner ces deux projets le plus rapidement possible pour concentrer ses ressources sur le développement de capacités clés, plutôt que de poursuivre des compétitions internes sans objet.
I. Des compétitions internes : d’une “tentative raisonnable” à un gaspillage de ressources
Au début, il était logique qu’Alibaba fasse suivre à ces deux équipes des approches distinctes :
- Wan, faisant partie du grand système de modèles Tongyi, est considéré comme une “boîte à outils universelle”, mettant l’accent sur les capacités techniques de base et l’écosystème des développeurs, idéal pour la recherche fondamentale ;
- HappyHorse, issu du laboratoire Taotian, est conçu pour des scénarios commerciaux spécifiques tels que la publicité et les courts métrages, répondant ainsi mieux aux besoins des utilisateurs.
Cependant, la situation a évolué :
- Chevauchement des fonctionnalités : Wan 3.0 a intégré les capacités clés de HappyHorse (comme l’audio natif et la cohérence des personnages), et son prix est même plus avantageux (0,6 yuan par seconde en 720P contre 0,9 yuan pour HappyHorse) ;
- Fusion des équipes : En juin de cette année, les deux équipes ont été intégrées au département Token Foundry dirigé par Wu Yongming, ce qui aurait dû entraîner une collaboration plus étroite depuis longtemps ;
- Clientèle commune : Les deux modèles ciblent la même clientèle d’entreprises et de créateurs sur la plateforme Alibaba Baolian.
Continuer à se concurrencer, c’est comme avoir “deux machines à laver à la maison avec des fonctionnalités similaires, mais acheter séparément le liquide de lavage et se disputer les prises électriques” : cela entraîne non seulement un gaspillage de ressources et d’énergie, mais aussi de la confusion chez les utilisateurs, qui ne savent pas lequel choisir.
II. Le secteur des modèles de génération de vidéos n’est pas conçu pour des compétitions à long terme
Les modèles de génération de vidéos diffèrent des produits Internet classiques car ils présentent deux caractéristiques qui rendent les compétitions internes inappropriées :
1. Consommation élevée de ressources : L’entraînement de ces modèles nécessite de grandes quantités de données et des capacités de calcul puissantes, ce qui représente un coût considérable à chaque itération ;
2. Convergence des approches technologiques : Les capacités clés (durée de la vidéo, qualité de l’image, entrées multimodales) sont désormais recherchées par tous les acteurs du marché. HappyHorse et Wan 3.0 se situent à un niveau similaire ; les différences résident principalement dans les préférences des utilisateurs (un modèle est meilleur pour la représentation des personnages, l’autre pour le montage vidéo), et non dans une rupture technologique majeure (comme entre les smartphones et les téléphones fonctionnels).
C’est comme deux personnes qui escaladent une montagne : au début, elles empruntent des chemins différents, mais à mi-chemin, ils se rapprochent. Continuer à se séparer serait un gaspillage d’énergie ; il vaudrait mieux fusionner leurs efforts pour atteindre le sommet ensemble.
III. L’omniscience et les prix bas ne sont pas des avantages réels
Aucun des deux modèles, Wan 3.0 ou HappyHorse, ne dispose d’une fonctionnalité essentielle qui obligerait les utilisateurs à l’utiliser :
- Wan 3.0 prétend pouvoir générer des vidéos de 30 secondes et prendre en charge l’importation de fichiers PPT, mais ce que les utilisateurs veulent, c’est un contenu utilisable dès la première tentative ; si les personnages bougent de manière saccadée ou si les scènes sont décalées, même avec de nombreuses fonctionnalités, ils devront recommencer, augmentant ainsi les coûts ;
- HappyHorse est axé sur la publicité et les courts métrages, mais si la cohérence des personnages est insuffisante (par exemple, si un personnage porte du rouge une seconde puis du bleu la suivante, ou si la couleur d’un rouge à lèvres n’est pas fidèle), les entreprises hésiteront à l’utiliser ;
- Piège des prix bas : Wan 3.0 est moins cher en 720P, mais si il faut générer 10 versions avant d’obtenir une vidéo utilisable, le coût total peut être plus élevé que celui de HappyHorse. Les utilisateurs recherchent un bon rapport qualité-prix, pas simplement un prix bas.
Pour illustrer : si vous allez chez le coiffeur, qui choisiriez-vous entre quelqu’un qui prétend pouvoir réaliser n’importe quel type de coupe pour un prix abordable mais avec des résultats aléatoires, et quelqu’un qui est spécialisé dans les coupes courtes et efficaces ? Le même principe s’applique aux modèles de génération de vidéos : l’omniscience et les prix bas ne sont pas des atouts réels.
IV. La solution optimale : une unification au niveau des bases, avec une division des tâches au niveau supérieur
L’article recommande à Alibaba d’unifier les technologies de base en utilisant Wan comme modèle fondamental, en intégrant l’expérience de HappyHorse dans les scénarios commerciaux (publicité, courts métrages) et la qualité de représentation des personnages, afin de concentrer ses ressources sur le développement de capacités clés (cohérence des personnages, fluidité des mouvements) à un niveau d’excellence. HappyHorse pourrait continuer à exister en tant que marque destinée aux créateurs, en fournissant des modèles prêts à l’emploi et des flux de travail simplifiés.
Cela éviterait le double emploi des ressources tout en garantissant à la fois une profondeur technologique et une bonne expérience utilisateur. C’est comme pour les fabricants de téléphones : ils développent ensemble les puces de base, puis créent différentes gammes de produits (comme les séries Mate et P de Huawei), chacune avec ses spécificités mais partageant des technologies communes.
V. L’“inertie de pensée” d’Alibaba : les méthodes de compétition de l’ère pré-AI ne sont plus adaptées
Par le passé, Alibaba utilisait des compétitions internes (plusieurs équipes travaillant sur des applications similaires) pour tester rapidement différentes approches et laisser le gagnant prendre tout. Cependant, les modèles d’intelligence artificielle sont différents :
- Les erreurs dans le développement de produits Internet sont moins coûteuses (écrire du code ne coûte pas beaucoup), tandis que celles des modèles d’IA peuvent être très onéreuses (l’entraînement peut coûter plusieurs millions) ;
- Les produits Internet gagnent en fonction de l’itération rapide des fonctionnalités, tandis que les modèles d’IA nécessitent des avancées technologiques majeures. Il faut d’abord consolider les bases (la qualité de la génération de contenu) avant de pouvoir développer de nouveaux produits.
Le problème actuel d’Alibaba est qu’il n’a pas encore basculé d’une “pensée axée sur les produits Internet” à une “pensée axée sur les modèles d’IA”. Continuer à se concurrencer ne fera que disperser ses ressources et l’empêchera de se positionner de manière significative sur le marché des modèles de génération de vidéos.
En conclusion :
Plutôt que de laisser ces deux modèles se disputer la clientèle, Alibaba devrait les intégrer pour concentrer ses efforts sur la réalisation d’une fonctionnalité unique et inédite. C’est là que réside le véritable avantage dans l’ère de l’intelligence artificielle.