随着人工智能技术的快速发展，生成视频这一领域也开始出现越来越多的应用。然而，与此同时，也引发了人们对于“生成视频算原创”这一问题的讨论和质疑。在本文中，我们将从多个角度探讨这一问题，分析其内涵，并尝试给出一个合理的结论。
首先，我们需要明确一点：生成视频和原创之间的关系并不是非黑即白。在某些情况下，生成视频可以被认为是原创作品；而在另一些情况下，生成视频则未必能够满足原创的要求。因此，我们不能简单地将生成视频视为一种“假原创”，必须从其内部机制和创造性思维等方面进行深入研究。
对于生成视频这一技术，其实现过程可以大致分为三个步骤：数据输入、模型训练和生成结果输出。具体而言，在数据输入阶段，需要向神经网络等算法输入足够多的图片或视频等数据，以便训练模型。在模型训练阶段，需要通过多次迭代，不断调整模型参数，提高模型的准确性和泛化能力。最终，在生成结果输出阶段，模型会根据输入的数据，自动合成一段新的视频。
从这个过程中，我们可以发现，生成视频的创造性思维主要来自于模型的训练。具体而言，训练过程中，模型会将输入的数据进行分析、抽象、类比等操作，最终形成一种新的思维模式。这种模式不仅仅能够用于生成视频，还能够拓展到其他的创作领域。因此，我们可以认为，生成视频的创造性思维具有一定的独立性和普遍性，而不完全依赖于数据的来源和输入方式。
然而，即便如此，我们还是需要进一步分析生成视频的优点和缺点，才能更加清晰地看到其与原创之间的关系。就优点而言，我们可以发现，生成视频具有以下几方面的特点：
1.效率高。相较于手工制作，生成视频可以极大地提高创作效率，减少时间成本和人力成本。
2.内容多样。由于生成视频的思维模式是基于大量数据样本的统计与分析，因此它具有一定的对多样性的适应能力。
3.拓展性强。生成视频的创造性思维具有一定的普适性和可迁移性，可拓展到其他领域，例如图像合成、文字生成等等。
而就缺点而言，我们也需要对其进行审视：
1.生成质量参差不齐。尽管现在的生成视频技术已经取得了很大进展，但在一些复杂场景下，其生成的视频质量还会存在差异和不足。
2.版权问题存在。由于生成视频是通过机器学习等算法自动合成的，因此在一些法律和商业层面上，其版权归属难以确定。
3.原创性难以评判。由于生成视频的创造性思维主要来自于模型训练，因此其创新程度和原创性难以量化和评估。
综合以上数据，我们可以发现，虽然生成视频具有许多优点，但在达到原创水平时，仍然存在一些问题和难点。尽管其模型训练和思维模式的创造性具有一定独立性和普适性，但在创造性领域中，是否一定能够覆盖所有原创要求的领域，就需要按照不同的领域特点进行评估。因此，在进行生成视频创作的同时，我们还需要在门槛与层次之间发掘出其最佳发挥点。
在最后进行一点思考中，我们发现将最佳性与生成视频的创造性划等号，并非是一件完全科学的事情。我们既需要在营造对技术与对原创的应用文化中找到平衡点，同时在创作中统一产业界的相关意见，为该领域的发展铺路。这是一个值得探究的领域，需要全社会的共同推动和营造。
