有個(gè)讀者深夜問了我一個(gè)問題，讓我思考了一個(gè)深夜。

一年前，我寫過一篇文章叫《我可能要給鼓吹A(chǔ)I的那些人，澆盆涼水了》。當(dāng)時(shí)ChatGPT很火，整個(gè)網(wǎng)絡(luò)都把AI吹上了天。我則唱反調(diào)，因?yàn)槲揖吞幵谶@個(gè)行業(yè)的底層，可謂知冷知熱。不過，我當(dāng)時(shí)并沒有否定AI，只是表達(dá)AI并沒有傳說的那般無敵，談不上讓各行各業(yè)紛紛失業(yè)。首先，AI的門檻很高，基本是頭部企業(yè)的專屬，距離普通大眾還是很遠(yuǎn)。另外，通用模型想要落地，必須要結(jié)合垂直行業(yè)，還有一段很長的路要走。為此我還舉了3個(gè)現(xiàn)實(shí)案例，從算法算力、場(chǎng)景、數(shù)據(jù)來說明情況。

一年后的今天，這個(gè)提問再次引發(fā)了我的思考。

我想說，AI的前景依然是美好的，但它的發(fā)展速度卻遠(yuǎn)遠(yuǎn)超出了人們的預(yù)期，即：要很久以后才會(huì)發(fā)生的事情，往往轉(zhuǎn)眼就出現(xiàn)了。

一切皆數(shù)字：視頻生成是必然結(jié)果

繼生成式文字、圖片之后，生成式視頻又火了。其實(shí)，這從IT人看來，是必然的，并沒有什么大驚小怪的。因?yàn)椴还苁俏淖?、圖片，還是音視頻，在計(jì)算機(jī)中都是以數(shù)字的形式存儲(chǔ)的。

比如，你看到的是大寫字母“A”，其實(shí)在電腦里存的是65。再比如，你看到的是一張圖片。其實(shí)，它也是以數(shù)字形式存儲(chǔ)的。音頻視頻都是這樣。這一點(diǎn)，我也在文章《僅憑1和0，電腦如何展現(xiàn)出多彩的世界？》中講過。

所以啊，一切媒體的本質(zhì)都是數(shù)字。既然文字可以通過AI生成，而且效果還很好。那么，圖片也可以。視頻當(dāng)然也可以，它不過就是圖片加了一個(gè)時(shí)間維度而已。

雖然理論可行，然而現(xiàn)實(shí)中需要克服很多問題，包括設(shè)備上的、技術(shù)上的。比如，你生成的圖片，得合情合理啊。

連續(xù)合理：視頻生成難度更大

我記得，去年很多平臺(tái)都說，自己的多模態(tài)大模型有一項(xiàng)功能，那就是可以指出一張不合理的圖片存在什么問題。比如，一張人身狗頭的圖片，不合理之處在于人的身體不可能長著一張狗頭。

其實(shí)，這并不是什么特意發(fā)布的功能。而是生成過程中，必須要做的一步校驗(yàn)。如果這一步驗(yàn)證都沒有，可以說AI生成的內(nèi)容沒有用（特意要求除外）。

看下面的這個(gè)視頻生成的案例。這是讓AI生成一群在路邊玩鬧的小狗。乍一看像是路邊實(shí)錄。但是你仔細(xì)看，視頻中一會(huì)兒三只狗，一會(huì)兒四只狗。有時(shí)候一個(gè)狗會(huì)突然出現(xiàn)，有時(shí)候又進(jìn)入了另一個(gè)狗的身體里消失不見。

這很詭異，甚至可以歸類為靈異事件，顯然是不符合常理的。實(shí)際上，現(xiàn)實(shí)的訓(xùn)練數(shù)據(jù)，可能會(huì)發(fā)生一只狗被另一只狗完全擋住。但是不會(huì)出現(xiàn)兩者融為一體的情況。

因此，AI要花時(shí)間和經(jīng)歷去進(jìn)行合理性的檢測(cè)和改正。

再列舉一個(gè)類似的情況，比如你讓AI生成一段，小孩吃餅干的視頻。那么，根據(jù)常理，手里餅干肯定是越吃越小，小孩的肚子則會(huì)越吃越大。這時(shí)候，AI生成可能會(huì)出現(xiàn)餅干永遠(yuǎn)都吃不完的現(xiàn)象。這在人類導(dǎo)演設(shè)計(jì)時(shí)會(huì)被考慮，但AI自己生成時(shí)則需要自動(dòng)完成。

這些限制，會(huì)導(dǎo)致AI需要依托復(fù)雜的算法和強(qiáng)大的算力做彌補(bǔ)。這也是檢測(cè)一個(gè)AI是否足夠健全的小技巧。同時(shí)，也是我說的，它的出現(xiàn)，需要一個(gè)過程。

案例展播：效果出人意料

然而現(xiàn)實(shí)情況是，這些問題已經(jīng)攻克了。

比如OpenAI的Sora，它就可以跟你的描述，生成一段一分鐘的視頻，而且視頻也合情合理。

比如，你告訴AI，讓它生成一段視頻，要求如下：一群紙飛機(jī)，在茂密的叢林中翩翩起舞，在樹林中穿梭，就像候鳥一樣。

結(jié)果，它真的就生成了。

如果說候鳥在叢林中穿梭，這并不稀奇，因?yàn)楝F(xiàn)實(shí)中有很多這種視頻。但是，紙飛機(jī)像候鳥一樣穿梭，這是不存在的。不過AI卻可以生成。我們看到，不管是形態(tài)還是動(dòng)作，紙飛機(jī)做到了和候鳥一樣的飛行效果。它實(shí)現(xiàn)了虛擬的生成式合理。

再舉幾個(gè)例子。

比如你做了一個(gè)很虛幻的夢(mèng)，你想把它還原成視覺效果。那么，你可以告訴AI：請(qǐng)幫我創(chuàng)造了一個(gè)超現(xiàn)實(shí)的夢(mèng)境，一條長長的隧道，空氣中彌漫著超凡脫俗的能量。

這種感覺的視覺還原，通常是需要一個(gè)團(tuán)隊(duì)合作才能做得出來。比如需要導(dǎo)演、編劇、特效師等角色的配合，甚至得開好幾個(gè)會(huì)議。但是，如果交給AI來做，將會(huì)很簡(jiǎn)單。

又或者，你喜歡動(dòng)漫，也喜歡宇宙，那么同樣可以根據(jù)描述創(chuàng)造出這個(gè)場(chǎng)景：一個(gè)動(dòng)漫女孩，亞洲人，操作航天飛機(jī)駕駛艙的特寫，卡通般的人物，迷人的徽章，閃亮的眼睛。

還有一種情況，那就是你有一張靜態(tài)圖片，但是你需要以這張圖片為基礎(chǔ)，拓展視頻效果。那么這也是可以的。

靜態(tài)圖片是這樣的：

視頻效果是這樣的：

小到你有一個(gè)漢堡包，懶得給它拍一個(gè)鏡頭，想讓AI生成。

靜態(tài)圖片是這樣的：

視頻效果是這樣的：

大到飛船的發(fā)射，錯(cuò)過了起飛瞬間，你想讓AI給補(bǔ)充上。

靜態(tài)圖片是這樣的：

視頻效果是這樣的：

它的原理是使用了短小的精品影片資料進(jìn)行了訓(xùn)練，因此才可以將你的要求轉(zhuǎn)換為影片級(jí)別的成品。這番巨大的投入，也決定了生成的時(shí)間長不了。因?yàn)樯蓵r(shí)間越長，對(duì)合理性的要求也就越高。因此，即便是OpenAI的Sora，目前最長支持也僅僅是60秒。

平臺(tái)差異：參差不齊，差別巨大

到這里，我會(huì)主動(dòng)跟大家交代一個(gè)問題，那就是實(shí)際效果如何。

啥？你上面說的都是假的嗎？

上面的素材，都是取自官網(wǎng)。我們都知道，官網(wǎng)和樣板的案例，那是宣傳片，都是最完美的。你一用起來，完全不是那回事，就像是國內(nèi)方便面的外包裝圖案和實(shí)物。

我們不能說存在幾個(gè)例子是完美的，它就是完美的。具體還得看是否能被我們所用。

等到要真的使用時(shí)，平臺(tái)就變得很關(guān)鍵了。同樣都是免費(fèi)AI生成平臺(tái)，差別真的很大。尤其是國內(nèi)與國外，頭部企業(yè)和普通企業(yè)。

比如，我想讓AI生成一個(gè)“守株待兔”的故事。先選擇了國內(nèi)某個(gè)頭部平臺(tái)。

呵呵，文不對(duì)題嗎？其實(shí)并不是，出現(xiàn)這個(gè)結(jié)果，純粹屬于我不會(huì)問。

在此也提醒大家，對(duì)生成式AI的提問，不要想當(dāng)然，不能按照你的理解去問，需要按照AI能理解的方式來問。這里面還有一個(gè)專業(yè)的名詞叫：Prompt（提示語）。選平臺(tái)固然重要，會(huì)問也很重要。

你要盡量清楚地描述實(shí)際場(chǎng)景，因?yàn)锳I對(duì)“守株待兔”的理解很模糊，它不一定知道這個(gè)故事。即便知道，它也不知道你具體想要什么。因此，我們需要換一種問法。

我把守株待兔的故事講給它聽，并讓它生成一張故事配圖。

?。看蟾?，兔子和農(nóng)民是分開的。

到這里，可能你會(huì)覺得，啥呀，啥呀？AI都是騙人的，還來騙我。

其實(shí)，我覺得依然是問法不對(duì)。咱要描述場(chǎng)景啊，別講故事了。稍微修改一下Prompt：一個(gè)中國古代的農(nóng)民，守在田邊的樹樁旁發(fā)愣，遠(yuǎn)處是長滿雜草的農(nóng)田。

噗……櫻桃小丸子爺爺都出來了。這讓我很想做幾期搞笑的生成過程，肯定比做科普受眾要廣。

不要放棄，我說過，平臺(tái)之間的差距是很大的，我們換國外的平臺(tái)，例如Stable。

到Stable上，你用“守株待兔”肯定白瞎，我們甚至還得將中文翻譯成英文。

Prompt如下：A farmer from ancient China stood by a tree stump beside the field, lost in thought. In the distance is a field covered with weeds.

看結(jié)果：

我覺得，第一張圖更符合意境。那么，我們就用它來繼續(xù)生成視頻。

首先上傳這張圖片，然后再進(jìn)行一些設(shè)置，比如鏡頭旋轉(zhuǎn)之類的，怎樣好玩怎樣設(shè)置。

其實(shí)，你也可以直接寫下一段話，從文本描述直接生成視頻。但是，我還是建議先來生成一個(gè)圖片，看看效果。否則，周期太長，最后不滿意，容易浪費(fèi)時(shí)間。配置好后，點(diǎn)擊Generate生成，即可產(chǎn)生視頻。

看起來，還不錯(cuò)吧？這個(gè)鏡頭轉(zhuǎn)場(chǎng)，并不是圖片的水平移動(dòng)，山脈、樹樁、草地，都進(jìn)行了遠(yuǎn)與近的視覺轉(zhuǎn)換。也算是比較恰當(dāng)?shù)伢w現(xiàn)了農(nóng)夫等待兔子的那種落寞。

機(jī)遇挑戰(zhàn)：視頻處理更加簡(jiǎn)單

視頻生成，大體就是這么一個(gè)流程，這么一個(gè)東西。沒有講技術(shù)相關(guān)的內(nèi)容，主要希望大家對(duì)它能有一個(gè)基礎(chǔ)的橫向認(rèn)識(shí)。

它可以做的工作還有很多，涉及的行業(yè)也比較廣?？偨Y(jié)起來，會(huì)影響到有視頻制作需求的行業(yè)。比如影視、廣告、自媒體視頻創(chuàng)作。尤其在短視頻方面，現(xiàn)在網(wǎng)絡(luò)流量的80%是視頻流量。包括你我在內(nèi)，只要具備看短視頻的條件，基本不會(huì)去看圖文。

現(xiàn)在全球都在降本增效。從上面我們可以看出，它降本增效的力度是很大的。在某些場(chǎng)景下，甚至能替代一個(gè)團(tuán)隊(duì)，并且沒有任何溝通成本，利用AI，可能真的能實(shí)現(xiàn)“一人企業(yè)”。

真的，我們回想一下，以前電影制作一個(gè)特效是什么概念。我們不乏從新聞中看到，某某電影大制作，花了上千萬耗時(shí)兩年，制作出一個(gè)和人類一樣靈活的機(jī)器人。而現(xiàn)在，似乎你我都可以制作了。復(fù)雜嗎？上傳一段視頻唄！

總結(jié)：全民AI時(shí)代慢慢到來

這一次，還有一個(gè)顯著的變化，那就是AI開始走到田間地頭了。它不再是大廠和貴族的特權(quán)。你我皆可用，甚至說不僅僅是用，即便你想制作一個(gè)屬于自己的應(yīng)用，或者說就為了自己用去做一個(gè)，也不是什么難事。比如字節(jié)新出的coze這類平臺(tái)，提供了全民皆可做AI的能力。我也寫過文章《字節(jié)新出的Coze，讓AI簡(jiǎn)單得像扣扣子》解析，有興趣的可以了解一下。

最后，做一下總結(jié)。

關(guān)于市場(chǎng)前景。前景肯定是有的，上面說了那么多，如果你依然覺得它沒用，那……那再看一遍吧，前景是很明顯的。

關(guān)于技術(shù)水平。目前的技術(shù)水平差別較大，是呈階梯狀的，甚至是斷崖狀的?？赡苤钡浆F(xiàn)在，還有人說AI只是一個(gè)概念。這些人，沒有接觸到一些前沿的信息?；蛘哒J(rèn)為那是資本的運(yùn)作，是炒作。當(dāng)然，我們也不能看到一個(gè)特例，就認(rèn)為它遍地都是了。不可否認(rèn)的是，視頻的AI生成，已經(jīng)在快速成型，而且效果顯著。似乎視頻生成，是AI里最后一塊蛋糕了。文字、圖片、音頻、視頻都有了，后面還能生成什么呢？

關(guān)于危機(jī)感。危機(jī)感肯定是有的。每一次技術(shù)革命，都會(huì)引發(fā)大家思考這個(gè)問題。不要說普通人，我一個(gè)專業(yè)寫AI程序的人，都有危機(jī)感。但是我還是那個(gè)觀點(diǎn)，AI是替代人類勞動(dòng)的，不是替代人的。不管是生成圖片、視頻，還是生成聊天內(nèi)容，它都是人類的一種彌補(bǔ)。它永遠(yuǎn)代替不了人類。從情感上，它代替不了你的家人、朋友。從勞動(dòng)上，它就算做得最好，也只能作為其中一個(gè)環(huán)節(jié)。即便它有37度的體溫，也沒有真正意義上心靈的溫度。

技術(shù)已經(jīng)擺在這里的，關(guān)于它更多的應(yīng)用場(chǎng)景，想必在每個(gè)行業(yè)都能開出不同的花。愿我們?nèi)祟?，不卑不亢，平靜面對(duì)。