2023年起AI视频生成模型行业技术加速迭代，步入规模化落地期，但市场观点仍存在较大分歧。本文围绕市场核心关注展开研判：明确DiT主流技术路线及三层演进趋势；测算2030年市场规模可达450亿美元，呈阶梯式增长；点明算力、数据、人才、战略四大核心壁垒，类比成熟的游戏引擎行业，预判将形成头部差异化竞争格局而非“赢者通吃”；综合海内外估值体系，给予行业30倍P/ARR中性估值，认为优质国产多模态标的估值具备上行潜力。

▍报告缘起：AI视频生成及多模态大模型赛道热度持续攀升，已成为产业与资本共同聚焦的核心方向。

资本市场层面，根据The Information，快手可灵计划启动分拆融资，估值约200亿美元；智谱/Minimax自上市以来分别涨幅达686%/239%，资本端对头部模型企业追捧情绪高涨。产业端格局亦迎来明显变动，2026年3月OpenAI受算力成本掣肘关停Sora相关业务，4月可灵ARR达5亿美元，业内玩家发展路径逐步分化。当前市场对于AI视频与多模态领域发展进程仍存分歧，核心围绕技术演进路线、行业成长空间、竞争格局究竟走向赢者通吃还是多元共存、行业合理估值中枢等问题。立足行业当下发展现状与市场核心疑问，本篇报告深度梳理产业全貌，逐一解答市场重点关切。

▍技术层：DiT主导，关注三层演进方向。

DiT 仍为AI视频生成模型的底层主流架构，具备全局注意力范围、可拓展性强、控制更精准、连贯性更强等优势。从后续技术演进路径来看，我们预计行业将沿着以下方向推进：

1）短期，原生多模态能力成为共识，双流架构、MMDiT等DiT变体优化逐步落地。例如可灵3.0系列、Seedance 2.0、HappyHorse等。

2）中期，模型架构从稠密（Dense）向 MoE（混合专家模型）演进，参数规模扩容。例如通义万相Wan2.2、Mamoda2.5已经开启初步尝试。

3）远期：模型自学习与自主规划能力突破。随着2025年AR-DiT与Self Forcing的成功突破，世界模型的演进路径逐步具备清晰可行的基础，后续需聚焦因果性、交互性、持久性、实时性、物理准确性五大核心维度持续迭代。

▍商业化：初步预计2030年市场规模达450亿美元，符合阶梯式增长趋势。

商业模式：当前AI视频生成行业主要包括会员订阅、API计费、平台分发和生态合作等，不同厂商有差异化侧重。

市场规模：容量广阔且逐步突破，核心是模型能力突破与场景落地的正向循环，当前模型能力正处L3向L4升级期，我们预计2030年专业内容创作+广告设计制作+微短剧（含漫剧）+电影场景下的AI视频生成市场规模合计约450亿美元。

增长趋势：考虑模型能力提升可以进一步打开AI视频可触及的增量市场规模+用户付费意愿，我们预计商业化符合阶梯式增长趋势，技术突破是转折点。

▍行业壁垒：算力、数据、人才、战略的综合竞争。

如果将打造顶尖AI视频生成模型比作植树成长的全过程，我们认为，AI视频生成行业的竞争要素可分别对应：

1）算力对应承载根基的花盆，是模型运行迭代不可或缺的硬件基础，决定技术研发与量产落地的底层上限；

2）海量优质行业数据对应滋养生长的土壤，为模型学习画面逻辑、镜头语言与动态规律提供核心养分；

3）顶尖专业人才对应助力发育的肥料，持续优化模型架构、打磨生成效果，夯实技术核心实力；

4）企业发展战略则是选定的树种，直接决定发展方向、场景布局与商业化路径，最终拉开行业长期发展差距。

因此，算力、数据、人才、战略四大要素相辅相成，共同构筑起AI视频生成行业的核心竞争壁垒。

▍竞争格局：壁垒定格局，差异定竞争。

我们以游戏引擎行业近三十年的产业演化为参照系，对AI视频生成工具行业的远期竞争格局进行类比推演。我们认为，两个行业在多个维度可比，例如均属于内容创作产业链中的底层工具层，均以"赋能创作者实现视觉内容表达"为价值主张，均面临技术研发门槛高等共性特征。基于这一类比框架，我们得出两个核心判断：1）行业天然壁垒决定了能够穿越周期的有效玩家数量或被收敛至个位数；2）下游需求的结构性分化决定终局格局或将呈现"3–4家头部差异化并存"的寡头竞争态势。

▍估值定价：中性预计合理估值为30x P/ARR，具备上行空间。

整体来看，我们测算当前全球大模型厂商的P/ARR估值大多落在30-40x，港股上市公司代表P/ARR则超200x，我们认为支撑模型厂商高估值的原因主要包括：1）能力SOTA；2）商业化斜率超预期；3）稀缺性。

多模态领域中，国产厂商表现领先且有望持续。能力SOTA上，中国厂商凭借数据、算力、创新、工程等优势构建长期发展壁垒；商业化斜率上，国内厂商实现市场、需求、模式协同发展，率先打通产业商业闭环；稀缺性上，中国厂商具备全球领先的显著优势，根据POE，2025年9月中国厂商累计市占率达55%，伴随海外迭代滞后以及Seedance 2.0和可灵3.0的爆火，我们判断当前国产市场份额或进一步提升。

▍风险因素：

技术迭代不及预期；应用落地不及预期；行业竞争加剧；下游客户付费意愿不及预期；IP开发商业化不及预期；版权合规风险等。

▍盈利预测、估值与评级：

2023年起多模态行业技术加速迭代，步入规模化落地期，但市场观点仍存在较大分歧。本文围绕市场核心关注展开研判：明确DiT主流技术路线及三层演进趋势；预测2030年市场规模可达450亿美元，呈阶梯式增长；点明算力、数据、人才、战略四大核心壁垒，类比成熟的游戏引擎行业，预判多模态模型将形成头部差异化竞争格局而非“赢者通吃”；综合海内外估值体系，给予行业30倍P/ARR中性估值，优质国产多模态标的估值具备上行潜力。建议关注：1）布局视频模型的头部互联网公司；2）头部第三方模型公司；3）受益于AI视频生成应用的公司。

注：本文为中信证券2026年5月23日发布的《AI视频生成模型：如何看待市场、竞争、估值？》，分析师：廖原S1010522030004、许英博S1010510120041、叶敏婷S1010525050001、连一席S1010523020002、丁晓月S1010525120001、徐航S1010525060001、张苡铭S1010525120003、王悦如S1010526040003