Generating（生成）指由人工智能模型根据输入条件自动产出内容的技术方向，涵盖文本、图像、视频、三维动作、代码乃至激光雷达点云等多种数据形态，是当前生成式 AI 研究与产业应用的核心地带。随着扩散模型、多模态大模型和智能体的成熟，围绕 Generating 的研究正从单一模态合成走向多模态协同与任务约束下的可控生成。
Generating 技术的近期进展
三维与视频协同生成出现新方案。《Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs》提出同时生成 3D 骨骼动作与视频的方法，面向任意绑定的角色模型，试图解决动作数据与渲染画面脱节的问题。
传感数据的合成成为新落点。《LiFi: LiDAR Generation from Multi-View Images via Geometric and Semantic Collaborative Guidance》利用多视角图像，通过几何与语义双重引导生成激光雷达点云，可用于自动驾驶场景的数据扩充。
代码生成研究也在细化。《AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards》则探索生成拓扑性质完全等价的图结构，显示图与网络数据的可控生成正在被重视。
当前焦点与观察点
其一，从“能生成”到“约束下生成”。上述多项工作共同体现一个趋势：研究者不再满足于生成结果的观感，而是要求输出满足几何、拓扑、美学等可验证的结构性约束，这通常通过引导机制或奖励设计实现。
其二，生成式模型与智能体工程实践互相推动。Addy Osmani 分享的案例提到 Claude 编写了 Claude Code 约 90% 的代码，6 月到 9 月间团队合并的 PR 数量翻倍以上且回滚率下降，说明代码 Generating 能力已在真实开发流程中承担主要产出角色，评价体系也随之转向质量与稳定性。
其三，算力供给成为隐含前提。Amazon 宣布在印第安纳州投资新核电站（与 X-energy、AEP 合作），泰国 EGCO 增持美国电厂股权并推进虚拟电厂方案，均指向 AI 数据中心对电力资源的持续拉动力。Generating 模型的规模化训练与推理，正在把技术议题与能源议题绑定在一起，这也是后续观察产能与成本拐点的关键维度。