Pixely na objednávku

Klasické CGI renderery proti generativním video modelům: kde se rozdíl zmenšuje, kde stále trvá a jaké otázky teď musí obor zodpovědět.

VFX · Obor · 12 min

Tři desetiletí vznikaly špičkové pohyblivé obrazy, které před kamerou neexistují, stejným způsobem: člověk popíše svět geometrií, materiály, světly a kamerami a renderer vyřeší fyziku světla. Enginy jako Arnold, V-Ray, Redshift, Octane, RenderMan, Karma nebo Blender Cycles jsou poslední mílí té pipeline. Jsou to deterministické nástroje: ze stejného souboru scény vrátí stejné pixely.

Od roku 2023 je komerčně reálná i druhá metoda. Generativní video model neřeší přenos světla. Vzorkuje naučenou distribuci toho, jak svět vypadá, když se hýbe. Dáte mu prompt, referenční obrázek, někdy dráhu kamery nebo první a poslední snímek. Za vteřiny či minuty máte klip. Ke konci roku 2026 patří do pracovní sestavy Google Veo 3.1, Kuaishou Kling 3.0, ByteDance Seedance 2.0/2.5, Runway Gen-4.5, Luma Ray 3, Alibaba Wan, MiniMax Hailuo a několik open-weight příbuzných. Sora od OpenAI, která kategorii rok definovala, se stahuje: spotřebitelská aplikace skončila v dubnu 2026 a API má být vypnuto 24. září 2026.

Srovnání nezní „co je lepší“. Jde o dvě různé teorie tvorby obrazu, které se střetávají na stejném trhu. Jedna je specifikace, druhá sugesce. Obor je už dnes míchá. Příštích pět let rozhodne, jak daleko to míchání zajde a kdo za něj dostane zaplaceno.

Jak doopravdy funguje CGI render engine

Produkční renderer je Monte Carlo solver přenosu světla připojený ke grafu scény. Artist (nebo procedurální systém) dodá trojúhelníky, objemy, vlasy, displacement, textury a světla. Engine trasuje cesty z kamery, sčítá radianci a zapíše beauty pass plus libovolné výstupní proměnné, diffuse, specular, cryptomatte, world position, mist, aby compositoři mohli záběr znovu poskládat.

Důležité dělení uvnitř CGI není značka, ale filozofie estimátoru:

Nezkreslené path tracery (Arnold, Cycles, Octane ve spektrálním režimu) konvergují k fyzikálně správnému obrazu, pokud mají dost vzorků. Jsou pomalejší a poctivější.
Zkreslené / adaptivní enginy (Redshift, části V-Ray) ořezávají cesty s malým příspěvkem a cachují irradianci, takže animační snímky končí za minuty místo hodin.
Real-time hybridy (Unreal Lumen, Blender Eevee Next, Chaos Vantage) nejprve rasterizují a navrch přisypou hardwarový ray tracing. Ovládly previs, virtuální produkci a rostoucí podíl finálních pixelů.

Do roku 2026 enginy samy pohltily hodně AI, NVIDIA OptiX a Intel Open Image Denoise jsou samozřejmost, ale obraz je stále funkcí explicitní scény. Proto může lighting TD změnit intenzitu jednoho praktikábla a přesně vědět, co se stane na snímku 1847. A proto také může hero VFX snímek stále trvat 15 až 45 minut na CPU uzlu a studia si pronajímají farmy.

Jak doopravdy funguje AI video model

Špičkové video modely roku 2026 jsou téměř všechny difuzní transformery nebo flow-matching transformery pracující v komprimovaném latentním prostoru. Textový enkodér (a často i obrazový či zvukový) podmiňuje síť, která začne od šumu a iterativně vytvoří klip. Některé systémy generují zároveň zvuk. Některé přijímají desítky referenčních obrázků. Některé nabízejí ovládání kamery nebo motion brush. Téměř žádný nenabízí mesh.

Ta poslední věta je celý argument. Neexistuje soubor scény k verzování, žádný AOV k přegradování, žádné světlo, které ztlumíte o 12 procent. Kontrola přichází jako jazyk, reference, první a poslední snímek a čím dál víc jako úpravy na timeline. Výstupem je hotově vypadající fragment filmu, ne rekonstruovatelný svět.

Schopnosti v září 2026, řečeno střízlivě: nativní zvuk je u předních uzavřených modelů standardem; 4K je dostupné buď nativně (Kling 3.0), nebo přes upscale tier (Veo 3.1); klipy na jeden průchod jsou stále krátké, obvykle 8 až 15 vteřin, Seedance 2.5 inzeruje kolem 30 vteřin; delší kusy se slepují. Lip-sync více postav existuje, ale produkčně vyřešený není. Identita postavy napříč střihy je mnohem lepší než v roce 2024 a stále je to první věc, které si supervizor všimne, když selže.

Ceny API za vteřinu výstupu v 720p nebo 1080p se pohybují zhruba mezi 0,05 a 0,40 USD podle modelu a tarifu. Oproti lighting týmu je to levné. Oproti stock záběrům levné není a není levné ani tehdy, když vygenerujete padesát variant, abyste dostali jeden použitelný záběr.

Přímé srovnání: co každý systém skutečně vyhrává

Kde CGI stále jasně vítězí

Detaily tváří, které musí sedět na hlavního herce napříč stovkou záběrů. Hero produktová práce, kde etiketa lahve nesmí plavat. Kapaliny, destrukce, látka a vlasy, které supervizor umělecky řídí změnou parametru, ne přepsáním odstavce. Cokoli, co se musí přesvětlit, když si režisér na place rozmyslí. Cokoli, co musí přežít právní otázku „postavili jsme to, nebo si to model pamatoval“. Celovečerní film a vysílací finishing se z těchto důvodů stále opírají o CGI. Divákům je jedno, jak se pixely narodily. Pipeline ne.

Kde generativní video už jasně vítězí

Rychlost ideace. Objem variant. Záběry široké, chaotické nebo prostředí: počasí, davy v dálce, establishing krajiny, snová logika, obsah pro sociální sítě. Proměna storyboardu v pohyblivý animatik se zvukem za jedno odpoledne. Nezávislí filmaři, kteří rozšíří dva krát dva metry praktické dekorace do oceánu. Reklamní týmy, které dřív kupovaly stock nebo tři týdny čekaly na dodavatele. Cenové dno „dost dobrého pohyblivého obrazu“ se propadlo.

Růstová křivka není metafora

Obor se posunul od dvouvteřinových klipů plných artefaktů v roce 2023 k systémům s nativním zvukem, více záběry a 4K během zhruba tří let. Vedoucí pozice modelu má poločas předpovědi počasí. Do poloviny roku 2025 se pětice nejlepších video modelů přeskupovala zhruba každých 30 dní. V roce 2026 se tempo zpomalilo jen mírně. Konec Sory v témže roce připomíná, že dostupnost produktu není totéž co výzkumné vedení.

Tržní čísla závisí na tom, jak široký kruh nakreslíte. Grand View Research odhaduje širší trh AI videa, generování, střih, analýzu i vylepšování, na zhruba 4,6 miliardy USD v roce 2025, 5,5 miliardy v roce 2026 a 42,3 miliardy do roku 2033, s ročním růstem kolem 34 procent. Užší segment „AI generátorů videa“ je menší: řádově 0,8 miliardy USD v roce 2025 a směřuje k několika miliardám na začátku 30. let při růstu zhruba 20 procent. Tak či tak je svah strmý a strmější než růst trhu offline rendererů, který je zralý, licencovaný a roste spíš s hardwarem a real-timem než s novými kupci.

Tři akcelerátory jsou důležitější než jakýkoli název modelu:

Nativní zvuk. Dialog, ruchy a atmosféra generované s obrazem odstranily celý postprodukční krok a klipy díky nim působí hotově.
Reference a ovládací prvky. Image-to-video, první a poslední snímek, motion brush a vícereferenční systémy proměnily nástroj z výherního automatu v hudební nástroj.
Distribuce uvnitř stávajícího softwaru. Adobe Premiere, CapCut, Gemini a API výrobců posadily generování vedle timeline místo na hračkářský web.

Jak se budou obě strany vyvíjet

Čím se stávají CGI enginy

Offline path tracery nestojí na místě. Pohlcují AI tam, kde je Monte Carlo plýtvavé: denoising, path guiding, zvyšování rozlišení a nově generativní doplňování textur a pozadí. Real-time enginy překračují hranici „dost dobré pro finální pixel“ u stále více typů záběrů. OpenUSD se stává výměnnou vrstvou, díky níž záběr žije v Houdini, Unrealu i rendereru bez přestavby. Gaussian splaty přicházejí jako plnohodnotné primitivum pro snímání: způsob, jak dostat skutečné místo do grafu scény bez modelování každého kamene.

Pravděpodobný CGI stack za pět let je heterogenní: nasnímané nebo vygenerované assety, USD jako scéna, real-time pro lookdev a virtuální produkci, offline path tracing pro hero beauty a AI pro části obrazu, které simulaci nepotřebují. Render farmy nezmizí. Použijí se na méně, zato těžších snímků.

Čím se stávají generativní video modely

Výzkumná agenda není záhadná, protože každá produkční stížnost je specifikace produktu:

Delší soudržné záběry a víceminutové příběhy, které nezapomenou tvář ani místnost.
Skutečná umělecká režie: kamerové rigy, světelné poměry, metadata objektivu a editovatelné vrstvy místo zapečeného MP4.
World modely, které při obletu kamery udrží stálost objektů a fyziku, místo aby halucinovaly novou ulici.
Hybridní architektury, které používají autoregresivní plánovač pro příběh a difuzní renderer pro pixely.
Právní nástroje a nástroje původu: C2PA, vodoznaky typu SynthID, licencované trénovací sady, protože firmy nebudou škálovat to, co nedokážou obhájit.

Žádná z těchto změn neudělá z modelu Arnold. Udělají z něj lepší generátor plates, lepšího previs artistu a v některých žánrech lepší celou pipeline. Ve chvíli, kdy model dokáže vydat USD scénu nebo sadu AOV místo pouhého video souboru, přestanou být oba světy alternativami a stanou se jedním grafem.

Skutečným upgradem je hybridní pipeline

Takhle už seriózní týmy v roce 2026 pracují. VFX lead vygeneruje video modelem 4–6vteřinový plate prostředí, zachází s ním jako se záznamem a komponuje do něj hard-surface hero prvek, auto, lahev, tvora, postavený a vyrenderovaný v CGI. Koncept a animatik vznikají ve Veo nebo Klingu. Finále produktu zůstávají v Redshiftu nebo Arnoldu. Motion capture stále pohání hero výkon. AI stále vyplňuje dav na levných místech.

Studia, která to měřila, hlásí velké úspory času u záběrů, u kterých dřív platilo „na oceán potřebujeme dodavatele“. Jeden publikovaný hybridní odhad uvedl zhruba 60procentní zkrácení doby dodání u vybraných atmosférických a kapalinám blízkých záběrů, když se prostředí generovalo a produkt zůstal ve 3D. Pro váš projekt bude to číslo špatně. Jeho směr ne.

Co to udělá s oborem

Tlak dopadá na střední trh. Dvousetčlenné studio, které prodávalo rozšíření prostředí a generické tvory, soupeří se sedmičlenným týmem, který generuje, komponuje a graduje. Filmoví dodavatelé, kteří prodávají úsudek, integraci a hero řemeslo, tak ohrožení nejsou. Nová „butiková“ studia, malá, nezávislá na nástrojích a rychlá, už přebírají brandovaný a digital-first obsah, který dřív vyžadoval patro pracovních stanic.

Pracovní místa nemizí jako kategorie. Polarizují se. Expertiza v lookdevu, svícení a simulacích získává na ceně u záběrů, které ji stále potřebují. Rotoskopie, generický layout a první verze prostředí zlevňují. Od pipeline TD se dnes čeká plynulost v USD, real-timu i generativních API zároveň. Režiséři dostávají víc obrazů dřív, což zní jako dar a zároveň je to nový způsob, jak se utopit v možnostech.

Vlastnictví je nevyřešená právní vrstva. Soubor CGI scény je majetek způsobem, jakým vzorkovaný klip není. Spory o trénovací data, podmínky platforem a vodoznaky rozhodnou, zda mohou generativní plates žít v řetězci vlastnických práv filmu za 200 milionů dolarů, aniž by studiový právník ucukl. Dokud to nebude nuda, CGI si drží strukturální výhodu, která s krásou nemá nic společného.

Otázky, se kterými si obor ještě musí sednout

Užitečný postoj není předpověď. Je to seznam otázek, u kterých bude omyl drahý.

Pokud už generátor zvládne přesvědčivý establishing shot, co se učí junior environment artist v roce 2028?
Kdy se z „dost dobré na timeline“ stane „dost dobré do kina“ a kdo smí říct, že na rozdílu stále záleží?
Bude vítězný nástroj vydávat pixely, nebo scénu, meshe, světla a kamery, kterou může renderer vlastnit?
Jak verzujete záběr, který nikdy nebyl souborem scény? Co je ekvivalent lighting publish, když plate vznikl z promptu?
Pokud ceny generování dál padají, přesune se úzké hrdlo z výpočtu na vkus a je na to obor personálně připraven?
Komu patří podoba postavy navržené v ZBrushi a následně rekonstruované modelem, který viděl tisíc podobných tváří?
Sežerou štíhlá AI-native studia střední trh, nebo je velcí dodavatelé pohltí a budou prodávat hybrid jako službu?
Co se stane s ekonomikou render farem, když polovina snímků v reklamě nikdy nenavštíví path tracer?
Pokud každý student dokáže vygenerovat trailer, stane se řemeslo vzácnějším a dražším, nebo se zprůměruje?
Budou za deset let „CGI artist“ a „generativní operátor“ stále různá povolání, nebo dva režimy na stejné židli?

Pracovní závěr

Tradiční render enginy a generativní video modely nejsou dva produkty v soutěži. Jsou to dvě odpovědi na otázku „jak obraz získá právo existovat“. CGI odpovídá zkonstruovaným světem. Generativní video odpovídá světem zapamatovaným. Zkonstruovaný svět je stále poslušnější. Zapamatovaný svět je už dnes rychlejší, levnější a u překvapivého počtu širokých záběrů krásný.

Cesta vývoje, na které záleží, nezní „AI nahradí farmu“. Je to stack, ve kterém artisti specifikují, co se specifikovat musí, generují, co se generovat dá, a obojí komponují, dokud střih nehraje. Ten stack vzniká v místnostech, kde stále stojí zelená plátna, i v ložnicích, kde nestojí. Obor se změní přesně do té míry, do jaké začnou tyhle místnosti dodávat stejné obrazy.

Dokud model nezvládne poznámku jako „oteplit klíčové světlo o dvě clony a při otočce udržet tvar jejího ucha“, zůstává CGI dospělým v hero záběru. Dokud lighting TD nevytvoří třicet variant světa před obědem, zůstává generativní video dospělým v předprodukci. Obě věty mohou platit najednou. A právě v tomhle nepohodlném, plodném místě dnes řemeslo žije.