作者｜Bryan

編輯｜靖宇

作為一個常年在硅谷看項目的風險投資人，我聽創(chuàng)業(yè)公司講產品時，幾乎繞不開一個詞：friction，摩擦。

付款多點一步，是 friction。程序員還得自己寫測試，是 friction。銷售花半天整理客戶記錄，也是 friction。找到它，再用軟件把它消滅掉。過去二十年，硅谷的很多好生意，就是這么做出來的。

正如硅谷頂級風投機構 a16z 聯合創(chuàng)始人 Marc Andreessen 那句名言：Software is eating the world。軟件吞噬世界，往往就是從吞掉這些摩擦開始的。

這套辦法在硅谷一直很好用。好用久了，人就容易手癢，看見什么都想優(yōu)化一下。電影偏偏經不起這種熱心。

今年 6 月，Google DeepMind 宣布與電影公司 A24 建立長期研究合作，并向其投資約 7500 萬美元。

成立于 2012 年的 A24，以開發(fā)獨具文藝氣息的小眾電影見長。它的代表作包括奧斯卡最佳影片《月光男孩》和《瞬息全宇宙》、全球票房大賣的《至尊馬蒂》，以及今年熱映的恐怖片《后室》。14 年間，A24 早已把片廠名字做成品牌：A24 三個字，本身就是人氣的保證。

這筆交易最令人意外的，是 Google 沒有拿到 A24 的片庫。照硅谷一般的花錢習慣，這多少有點反常。

初看之下，Google 看中的似乎應該是 A24 多年積累的優(yōu)質電影素材。Google 正在重押 Veo，而 Seedance、可靈等視頻模型也在不斷逼近。讓 Veo 學習《月光男孩》《瞬息全宇宙》這樣的電影，聽上去合情合理。

然而公開信息顯示，Google 無權訪問 A24 的電影與電視片庫，也不能用這些內容訓練模型。A24 旗下電影人同樣沒有使用相關工具的義務。雙方真正展開合作的地方，是電影的創(chuàng)作過程：DeepMind 研究人員將與電影人共同測試、迭代和開發(fā)工具。

片庫既然被排除在外，這筆交易的價值便落在了另一個地方。Google 想從 A24 那里獲得的，可能是一種模型尚未掌握的分辨能力：

電影制作中的哪些摩擦應該消失，哪些摩擦必須留下？

01

AI 視頻，有人買單

AI 視頻已經越過了「有沒有人用」的階段。

在美國，據 Runway 今年 7 月發(fā)布的企業(yè)客戶調研，一家全球廣告集團把某美國保險品牌吉祥物的社交內容制作周期，從兩三個月壓縮到 3 小時，流程覆蓋視頻生成、語音克隆和口型同步。

制作周期從數月壓到數小時，原本進不了預算表的視頻需求也隨之釋放。我早期參與投資的 Higgsfield，去年 9 月 ARR 約為 5000 萬美元；截至今年 6 月，據報道 ARR 已經超過 5 億美元。十個月，十倍。新鮮感能制造流量，只有進入品牌與代理商的日常預算，才能長出這樣的收入曲線。

中國市場的商業(yè)化也在加速。截至 2026 年 6 月，可靈全球用戶突破 1 億，企業(yè)客戶接近 5 萬；今年一季度收入超過 6.5 億元人民幣，同比增長超過 300%。

AI 視頻正在走出模型演示，進入真正的生產流程，也開始成為一門有規(guī)模的生意。

產品邊界也在快速前移。Google 的 Flow 從單個鏡頭生成走向角色控制、場景延展和故事編排。Adobe 在今年 6 月把 Creative Agent 進一步鋪進 Firefly、Premiere、Photoshop 和 Frame.io，用戶可以從一個概念直接走到分鏡，再從分鏡生成視頻。

這條路徑在硅谷很熟悉。代碼模型最初補全下一行代碼，后來開始拆任務、改文件、跑測試。能力成熟以后，產品自然會向工作流上游移動。誰越早進入決策過程，誰就越有機會成為那個過程的默認入口。

過去兩年，我在硅谷持續(xù)跟蹤并參與 AI 視頻項目的早期投資。最常見的演示，是輸入一句描述，幾分鐘后得到一支像樣的廣告片。演示通常在成片出現時結束；可真實生產里最難的部分才剛剛開始：為什么選這一版，它犧牲了什么，最終由誰決定？

模型可以接連給出答案，團隊仍須為每一次取舍負責。

今年 5 月，舊金山 AI 影視制作平臺 Flick 完成 600 萬美元種子輪，True Ventures、GV、YC 和 Lightspeed 均在投資名單中。它把產品重心放在導演的持續(xù)控制上：反復取舍，維持人物與敘事，讓工具進入創(chuàng)作的后半程。在我看來，硅谷資本已經開始給判斷力單獨定價。

創(chuàng)作工具也在經歷同樣的遷移。AI 原先負責執(zhí)行一個已經想清楚的意圖，如今它在意圖還很模糊時就進入現場。編劇寫下一句故事梗概，系統(tǒng)可以立刻給出人物小傳、視覺風格和分鏡；導演只有一個不完整的感覺，幾分鐘后已經能看到接近成片的畫面。

效率當然提高了。麻煩是，機器交卷越來越快，人還沒想好題目。一個連題都沒想明白的人，突然拿到一份八十分答案，通常舍不得撕。

02

判斷，在摩擦中成型

影視制作里當然存在大量該被消滅的摩擦。

摳像、轉碼、素材檢索、鏡頭匹配、重復調整不同畫幅，這些工作昂貴、耗時，又很少產生新的表達。AI 把它們壓縮掉，創(chuàng)作者會得到更多時間和更低的試錯成本。

Google 自己的實踐已經證明了這一點。

2025 年，DeepMind 與導演 Darren Aronofsky 創(chuàng)辦的 Primordial Soup 合作短片《ANCESTRA》，用 Veo 完成了傳統(tǒng) CGI 難以快速實現的運動匹配和局部畫面生成。Google 披露，這部短片背后仍有超過 200 名傳統(tǒng)影視專業(yè)人士參與，另有實拍團隊、剪輯、視效、聲音設計和作曲人員。

模型壓縮了一部分高成本執(zhí)行，卻沒有替團隊承擔電影里的全部判斷。

另一類摩擦發(fā)生在判斷形成之前。人物為什么要沉默，哪個漂亮鏡頭應該剪掉，一個令人不舒服的停頓究竟是表演失誤還是全場最真實的幾秒。這里沒有明確流程，也很難寫進效率指標。創(chuàng)作者必須在多個說不清的版本之間停留，有時還要忍受一段時間的難看。

在創(chuàng)作里，有些摩擦是成本，有些摩擦是研發(fā)。

硅谷產品團隊習慣把用戶的遲疑視為阻塞，把不確定性視為等待解決的痛點。可一個作品尚未成形時，遲疑本身就在生產信息。作者正是靠那些走不通的路，才知道自己究竟想去哪里。

如果系統(tǒng)過早交付一個完成度很高的版本，這段探索很容易被截斷。一張漂亮的概念圖會迅速成為團隊的視覺錨點；一版結構完整的劇本，會讓后面的討論都圍繞它修修補補。它們只是最早出現，卻因為足夠具體，看起來像是經過了選擇。

03

八十分兒的答案，最難拒絕

AI 對創(chuàng)造力的影響，已經出現了一個值得警惕的信號。

2024 年發(fā)表在《Science Advances》的一項實驗，讓 293 名參與者在有無生成式 AI 靈感的情況下創(chuàng)作短篇故事，再由 600 名讀者評價。獲得 AI 幫助的作品，平均更好讀，創(chuàng)作基礎較弱的人提升尤其明顯。另一邊，這些故事彼此變得更加相似。

一項針對視覺設計的實驗也觀察到了類似現象。參與者接觸 AI 生成圖像后，更容易被最初的范例固定住，最后提出的想法數量更少，變化范圍和原創(chuàng)性也隨之下降。

這類研究樣本有限，也不能直接替電影工業(yè)下結論。但它們揭示的機制很重要：AI 的幫助會提高單次產出的平均質量，同時把不同的人拉向相近的局部最優(yōu)解。

爛主意還好說，可真正難拒絕的，是那個八十分、今天就能交差的版本。

模型見過大量有效的敘事結構，知道怎樣讓開頭更快進入情節(jié)，怎樣給人物補足動機，怎樣讓一張圖更接近用戶口中的「電影感」。這些建議相當專業(yè)。創(chuàng)作者一旦接受了最初幾個合理答案，后面每次迭代都可能變得更好，也離那個尚未被發(fā)現的作品更遠。

很多作品沒死在明確的否決上，但卻被一連串善意而正確的修改慢慢磨平了。

04

A24：先別改

A24 并不擁有一套穩(wěn)定的視覺公式?！对鹿饽泻ⅰ?、《瞬息全宇宙》和《利益區(qū)域》放在一起，很難提煉出統(tǒng)一的鏡頭語言。把它們連起來的，是那些在傳統(tǒng)流程里很容易被改掉的部分，最后得以留在作品里。

《利益區(qū)域》將集中營內的暴力大多擋在畫面之外。觀眾看到墻這邊一家人的日常生活，恐怖從聲音里滲進來。若把「情緒表達是否充分」當成優(yōu)化目標，系統(tǒng)完全有理由建議補充更直接的畫面。敘事信息會更完整，可電影的力量也會隨之消失。

A24 的價值沒有神秘到無法解釋。它在少數關鍵時刻，愿意讓一個暫時顯得不順、不清楚、甚至難以營銷的選擇多保留一陣。多數片廠怕作品不成熟，A24 有時更怕它成熟得太快。

A24 對風險投資也并不陌生。它自己本也是一家拿著風投資本一路長大的創(chuàng)業(yè)公司：早期有 Eldridge，2022 年又有 Stripes 與 Neuberger Berman 入股，2024 年，又有 Josh Kushner（超模 Karlie Kloss 的丈夫）掌舵的 Thrive Capital 入股。

放在這個背景下，Google – A24 的合作比「AI 學習電影審美」更值得關注。Google 真正需要研究的，也許是判斷產生的時序：什么時候生成有幫助，什么時候應該保持空白；什么時候反饋能推動作品，什么時候反饋只是把它拉回平均值。

05

為創(chuàng)作的歧路重寫界面

今天主流的生成式產品，仍然圍繞一個線性輸入框展開。用戶提出要求，模型給出結果，然后繼續(xù)修改。探索、選擇和制作混在同一條對話里，每一次回答都在推動用戶盡快收斂。

真實的創(chuàng)作過程很少這么整齊。它會分叉、回頭，也會把一個問題擱置兩周。早期階段需要擴大可能性，后期階段才需要穩(wěn)定執(zhí)行。兩者調用的甚至不該是同一種 AI 行為。

在方向尚未確定時，工具可以先幫助創(chuàng)作者建立差異足夠大的分支，避免立即生成一張精致成品；某些問題可以被標記為「暫不解決」，保留矛盾和模糊。進入制作階段以后，系統(tǒng)再接管一致性、素材管理和重復修改，并持續(xù)記住項目的邊界。

這種記憶也不應只保存「想要什么」。那些明確拒絕過的選擇同樣重要：不要解釋這個結尾，不要替人物尋找和解，不要用配樂提醒觀眾現在該難過。一次拒絕如果在下一輪就失效，創(chuàng)作者擁有的仍然只是提示詞控制，并沒有真正的創(chuàng)作控制。

從投資角度看，我越來越少把單次生成質量視為長期壁壘。模型榜單每隔幾個月就會重排，創(chuàng)作者在項目中積累的取舍、拒絕與協(xié)作習慣卻很難遷移。誰能理解一個創(chuàng)作者長期的意圖，保存他的決策歷史，并在正確階段采用不同的交互方式，誰才可能真正占住創(chuàng)作工作流。

A24 能提供的，或許就是這套仍然沒有被軟件化的經驗。

06

廢稿里，藏著判斷的底稿

當然，A24 與 Google 的合作也有另一面。

Google 拿不到 A24 的片庫，聽上去像是保護了最重要的資產。但電影人提交的草稿、被放棄的分鏡、修改記錄和拒絕理由，可能包含更高密度的判斷。它們展示了創(chuàng)作者如何從十個可行版本里殺掉九個。

這些過程數據歸誰，是否會用于訓練通用產品，電影人能否逐個項目退出，目前的公開信息尚未給出完整答案。如果所謂共同開發(fā)最終變成由藝術家免費提供高價值反饋，再由平臺把它封裝成所有人都能調用的功能，這項合作只會加快審美的工業(yè)化。

更好的結果當然存在。Google 用 A24 的真實工作流校準工具介入的邊界，讓模型承擔執(zhí)行成本，同時把探索路徑和最終決定留給創(chuàng)作者。

硅谷已經造出了越來越會回答的機器。但創(chuàng)作軟件接下來要補的能力，是識別一個問題，啥時候還不該有答案。

先等等，別優(yōu)化。

它還沒長完。

作者簡介：

Bryan Liu（劉長江），硅谷風險投資機構 Alumni Ventures 投資總監(jiān)，專注 AI 視頻賽道，Higgsfield 早期投資人。小紅書：@硅谷 VC 布萊恩酒館

* 頭圖來源：douban

本文為極客公園原創(chuàng)文章，轉載請聯系極客君微信 geekparkGO

極客一問

你認為 AI 應該如何

學習人類藝術家的創(chuàng)作？