【記者蔡富丞/柯妮妮 綜合報導】影音AI的發展正出現一項關鍵轉變：從依賴龐大資料與高算力，轉向「自我精簡學習」。近期受到關注的Video Distillation（影片蒸餾）框架，讓大型模型能將知識壓縮並傳遞給小型模型，顯著降低訓練與部署成本。
這項技術的核心，在於由一個高性能「教師模型」先學習完整影片資料，再將關鍵資訊轉移給較小的「學生模型」，使後者在較低資源下仍能維持接近原本的生成與理解能力。
過去影音模型訓練成本高昂，不僅需要大量資料，也仰賴高效能運算設備，導致許多企業難以導入。透過蒸餾框架，模型規模可以有效縮小，讓影音AI更容易部署於不同平台，包括行動裝置與邊緣設備。
此外，這類技術也讓模型更新更具彈性。企業可快速訓練新模型並進行版本迭代，而不必重新建立完整系統，提升開發效率。
整體而言，影音AI正從「追求最大模型」轉向「效率與可用性」。當模型能自我精簡並維持效能，未來影音平台的競爭將更著重於部署速度與應用普及，而非單純算力優勢。
