闹闹
因为它太难用了。
Koji
做一个好的产品经理，最重要的事情有哪些？
闹闹
百分之五十的自信和百分之五十的自省，一定要对技术敏感。冲突是做事的力量。老链路先不做了，全部切到 Sora 2。
它非常悲伤，它非常欢乐，它非常治愈，真的非常幸运。
大家好，我是 Koji。本周《十字路口》的嘉宾是闹闹。闹闹，欢迎你，先和大家打个招呼吧。
闹闹
大家好，我是闹闹，闹闹是视频 Agent OiiOii 的创始人和 CEO。
最近我在即刻上看到有一个网友说，最近半年都没有发现什么让我感觉非常惊喜的新产品，直到遇到了 OiiOii。我自己也试着用 OiiOii 给女儿做了一首圣诞歌曲的 MV，做完之后她很喜欢，一直在循环播放。
闹闹
现在确实会有一些家长每天给孩子做一个小视频。
对，每天做一个小视频。
闹闹
还有老师给孩子们做科普小视频，也是用动画。这个群体跟我们设想中的创作者还挺不一样的。
你好，闹闹，欢迎来到《十字路口》。我们有一个节目的传统，还是先从快问快答开始。
闹闹
好的。
请问你的年龄？
闹闹
不是说不问的吗？
我们上一个嘉宾说的是这个。
闹闹
那个，我还在一个能打的年龄。
Koji
对，但是没关系，我们要的也是这个效果。
毕业院校？
闹闹
中山大学。
MBTI 和星座呢？
闹闹
MBTI 是 INTJ，星座是狮子座。
用一句话介绍一下你现在在做的事情。
闹闹
用 AI 做动画。
目前公司的融资情况？
闹闹
正在做 Pre-A 轮融资，马上快结束了。
方便介绍一下目前的收入和利润情况吗？
闹闹
我们刚成立大概 4 个月，内测刚发布 1 个月，所以其实没有收入，也没有利润。
现在还需要邀请码吗？
闹闹
还需要邀请码。
目前的团队规模呢？
闹闹
全职 18 到 19 个人。
创业之前做过些什么？
闹闹
一直在做产品经理，也一直在做创业和视频创作相关的事情。包括自己做工作室，也包括做创作工具，无论如何，都是在视频内容创作这个领域里。
你之前在哪些地方做过产品经理？
闹闹
最开始去了腾讯，当时是在微信事业群，做 QQ 邮箱的移动端。
2014 年就开始创业，做了一个极限运动的内容社区。我们自己去拍全国各地的极限运动达人，这个过程中积累了很多内容制作的经验，大概做了 6 年。
后来因为在内容制作上积累了比较多的经验，又有产品经验，所以去了字节，做整个剪映的负责人，以及抖音、TikTok 特效这块的业务。
之后又因为非常喜欢动画，所以去了 B 站，做 B 站动画的负责人。大概是这样的一个历程。
经历非常丰富。如果不创业的话，你觉得此刻自己会在做什么？
闹闹
我估计可能会在一个没有太多人的地方隐居。
隐居每天做什么？
闹闹
养一些小动物，然后就没有了，生活着就行了。
你是一个闲得住的人吗？
闹闹
我现在是很闲得住的人，以前不是。闲下来的状态，对我来说是给自己充电，也是享受此时此刻。
以前闲不住，是因为总觉得闲着应该做点什么，反而是一种非常外拓的状态。两种状态不太一样。
这个状态叫“外拓”，有点像安静不下来。安静不下来，其实是心里想着“我一定要做点什么”，好像这样才值得。
闹闹
对，必须要构建一些意义。安静地待着，好像构建不了什么意义。
但实际上，是没有享受过安静的意义。如果知道了安静的意义，就会因为安静而释放出安静的力量，可能会更圆满一点。
刚才我们提到了你的经历。我觉得你身上的故事非常多，能聊的事情也特别多。我知道你之前有一段做产品经理中间的 gap，大概半年，那半年应该是去学动画了。
闹闹
从腾讯出来之后，我当时很喜欢做内容，但还是很喜欢动画，就想要不去学学动画，看看自己能不能从事这个行业。
那时候报的是培训班。比如先学角色设计，就去报插画班；后来又学了 Maya 这样的 3D 动画软件。那个时候我觉得非常困难，因为它太难用了。
自己做过产品经理之后，对于非常难用的产品天然会有一种抵触。我就觉得，可能自己不太适合这一行。
再加上整个动画行业的薪资，很多时候真的就是在为爱发电。当时我也没有勇气，就觉得还是进不了这个行业。之后就开始了上一段创业。
其实那段时间，我也遇到过很多让我非常钦佩的动画创作者，都是一些非常普通的动画创作者。
我记得当时去过一家特效公司，那家公司做建模。参观的时候，整个公司非常昏暗，也没有空调。我们去和那个人聊，他是建模总监，工作了 5 年，工资是 1 万元。
但我们在他的眼睛里看到了非常强的光。虽然生活看起来很苦，但他介绍自己的工作时依然充满热情，我非常佩服。
我们后面会展开聊产品经理的故事和一些心得，但今天还是想把更多时间放在 OiiOii 上。
你大概是什么时候开始有了想做 OiiOii 的念头？
闹闹
做动画这件事情，是我从大学就开始想做的，只是一直没有机会。
OiiOii 这个想法，我印象中是在字节工作的时候产生的。2022 年，DALL·E 2 出来的时候，我第一时间想到的就是动画。我当时想，这个可以做动画。
所以那个时候我就想做动画，但具体怎么切入还不知道。后来无论是去 B 站了解整个动画行业，还是之前做“离谱”，其实都是在试探这个行业：第一是了解它，第二是试探怎么切进去。最后自己创业的时候，才找到这个切入口。
你是什么时候看到这个切入口，觉得可以做 OiiOii 了？
闹闹
我觉得可能一是被动的，二是主动的。
被动是指，在那个时间点，我们在前一个环境下可能很难再做下去了，所以必须出来自己做。
主动的点是，我们开始做的时候发现，多模态模型开始卷起来了，和以前语言模型开始卷起来的势头有点类似。这是一个好时机，大概就是今年上半年开始。
做 OiiOii 的过程中，你受到过哪些 AI 产品的启发？
闹闹
有。我觉得是这样的：今年上半年开始，Agent 开始火起来。我们出来之后思考，要用什么方式切入动画，发现 Agent 是一个非常完美的形态。
首先，它可以调用各种模型。其次，动画的制作本身就是一种流式制作，整个流水线调用各种职业、各种能力，配合完成一件成品，非常适合用 Agent 的方式来做。
第三，Agent 和传统 GUI 不太一样，它给创作者的自由度非常高。传统 GUI 创作工具会不断叠加功能，但 Agent 不会。综合来看，Agent 反而是最匹配动画创作的形态，所以我们就用 Agent 来做 OiiOii。
你们采用了什么样的模型能力？哪些模型对 OiiOii 的帮助比较大？
闹闹
我们 7 月份开始规划，8 月份开始做。第一个版本其实和当时很多 Agent 的路线一样。
如果对 AI 视频赛道比较感兴趣，会发现它大概分成两种生成模式，或者说两个帮派。
第一种叫多参考图，也就是用多种图片作为参考图，这是一个宗门。第二种叫首尾帧。国内很多视频模型其实特别擅长首尾帧。
我们和其他 Agent 类似，认为当时首尾帧的稳定性更好，在某一个镜头里的稳定性会更强，所以采用首尾帧的方式来调用各种模型。
比如一共 8 个镜头，可能要做 9 张图，然后首尾相接。9 张图出来之后，再用首尾帧生成一段一段的小视频，最后拼起来。
我们当时有一个创新点：每一个分镜表达的内容不一样，所调用的模型也不一样。
比如这个镜头要表现武打，那武打最好的模型是什么？如果这个镜头表达人物情绪，那表现人物情绪最好的模型是什么？我们会有一个 Task Agent，它知道每个模型的优缺点，然后自动帮你匹配到对应的镜头。这是我们当时的创新点。
做了大概 1 个月之后，效果已经比较好了，只是后面还要加 TTS、背景音乐和音效。正在加这些功能的时候，Sora 出来了。
Sora 出来之后，我在 Twitter 上看到了用 Sora 做动画的视频，非常吃惊。它完全看不出任何 AI 的痕迹，你会觉得那就是一个完整的动画。
我当时就想，这太好了。于是我们说，要不先接入 Sora，看看效果怎么样。结果接完之后特别好。
我们第一个视频是研发做的，一个小螃蟹和一颗小星星在那里打篮球，是一个非常完整的片子。我当时特别兴奋，第一反应是：不会真的让我们做成了吧？
螃蟹和海星打篮球，是一句话直接生成的吗？中间没有像原来那样调首尾帧？
闹闹
其实我们前面的首尾帧也是一句话直接生成的，只是它的生成方式完全不一样。
Sora 的表现力非常好，尤其在切镜上，镜头之间的切换非常自然，里面有很多蒙太奇的手法。
但它的问题是，由于它是参考图加文本，文本的比重会非常大，导致一致性没有那么稳定。
也就是说，它有分镜、切镜的优势，但因为是文本加多图参考，所以非常依赖文本，一致性没有那么理想。
闹闹
对。它是参考图，不是一张图硬生生地往后生成，所以稳定性依赖模型的理解。
如果是首尾帧，稳定性好是因为它从那一帧开始推演。
Sora 2 出来之后，你们的产品做了哪些改变？
闹闹
我们本来是两条链路同时跑，后来做了一个决策：老链路先不做了，全部切到 Sora 2。
虽然 Sora 2 还有一些问题，但效果非常棒。它在动画上应该训练了很多电影素材。生成的时候，比如做一些二创，你会发现电影的痕迹非常重，甚至能看出来是哪一部电影的痕迹。我觉得这还是很厉害的。
但也有人会说，Sora 2 今天是这样，如果到了 Sora 4、Sora 5，像 OiiOii 这样的产品，会不会被未来端到端的 Sora 吃掉？
闹闹
不会。我反而觉得，这对 Agent 类产品非常友好。
我自己做 Agent 的时候有一个以前没有过的感觉：所有视频模型首先不太可能大一统，它们各有各的特色。因为数据标注标准、数据本身、数据质量都不一样，所以它们输出的东西一定各有特点。
不同模型就像不同的大型超市，或者大型菜市场，它们提供的是你的食材。做 Agent 就像用这些食材开一家餐馆。
比如我们现在做的是一家川菜馆，定位的人群是喜欢川菜、喜欢吃辣的人。那我们就要到不同的菜市场，挑选最适合这群人的食材。
但这里最主要的工作，是你自己的厨师足够不够好。调味、火候，这些细微的东西，我们大概有 60% 到 70% 的工作都在调整，用户在产品界面上是看不到的。
大模型和 Agent 之间，就像大型超市和餐厅。用户可以去菜市场或者超市买菜，也可以自己做饭；他也可以去餐馆，直接体验现成的东西。
这也会导致市面上出现很多视频 Agent。视频内容非常丰富多彩，每一种内容的制作方法都不一样。它可以有川菜馆，也可以有粤菜馆、湘菜馆、火锅店，可以形成一种繁荣的状态，大家一起把这条小吃街做起来。
当然存在竞争，但整体上是一起繁荣的状态。
这个比喻特别形象：大模型像商超，以 OiiOii 为代表的 Agent 产品就像一家家餐馆。我可以去超市买菜回来自己做，也可以直接下馆子。
能不能讲讲，你们做的事情里，哪些是 Sora 2 已经能做到的？它现在一句话就能直接生成一个带分镜的动画，那 OiiOii 做的事情又有哪些不一样？
闹闹
我拿 MV 来举例。
相同的 Prompt 和相同的图片，输入 Sora 2，它也达不到我们的水平。因为我们会把用户想输出的一句话，比如“让他们几个跳一个 K-pop，做一个 MV”，进行扩写。
我们在市面上找了很多二次元 MV 里做得比较好的视频，然后用自己的方法让模型去学习。学习完之后，把它变成知识库。
用户写 Prompt 的时候，我们会调用这个知识库，用模型的方式生成 Prompt，再搭配镜头语言和音效，一键生成。
这里有大量工作在于知识库应该如何建立。
再举一个例子。我们的很多剧情，目前分镜之间还是会有一些断点感，大家都说连贯性不好。但实际上，这是我们的一种选择。
如果把每个分镜做得特别连贯，整个剧情会非常平，没有突然的转折，起伏感会很弱。所以需要在中间不断调整，调到一个合适的状态。这就是你说的开川菜馆：我作为厨师，需要不断调整用料。
还有类似的例子吗？
闹闹
有。我们最近就有一个用料过度的例子。
之前用户反馈说我们的场景一致性不太好。因为 Sora 2 是一个文本权重很高的模型，我们给 Sora 喂东西时，没有喂场景图，只在 Prompt 里描述场景，所以不同分镜生成出来的场景可能不一样。
用户反馈了这个问题。为了让场景一致，我们给它喂了场景图。结果发现有点过了，太一致了，导致整个画面非常死板。
现在模型生成视频，文本表现比较好的时候，需要有更好的想象力。如果为了保证那张图而加入场景图，想象力就会受到限制。
结果就是，场景和人物之间不能抢人物。人物应该贴合在场景里，但加入场景图之后，场景虽然非常一致，贴合感却很像贴片，总觉得哪里不对。场景的存在感变得太重了。
打个比方，就像用户说这家川菜馆不辣，我们就使劲放辣椒，结果用户又说太辣了，大概是这种感觉。
未来如果 Sora 2 把一致性的问题解决得更好，或者它开始具备一些垂直视频领域的知识，比如 MV、二次元 MV，这些比较大的品类，它的模型智能也提升了，那你会担心 OiiOii 有一天被替代吗？
闹闹
我还是拿超市来举例。
这就好像原来是一个纯超市，现在物美、盒马里也会有一些熟食。它们开始用超市里的食材做熟食，但熟食和餐馆还是不一样的。餐馆有自己专注的人群，以及在那个方向上非常专业的东西。
我觉得这种专业性是无法穷尽的。
那 OiiOii 这家“川菜馆”目前的目标用户是谁？
闹闹
我们自己定义的目标用户，和现在实际来的用户，有一定准确度，但也有一些意外。
之前做“离谱”时，完全是 To C 的。现在出来之后，我们就在思考切入口到底在哪里。当时正好出现了一些漫剧。
我们本来想切漫剧赛道，但漫剧还没有完全准备好。
第一，漫剧比较考验剧本，而这在模型和我们团队里并不是特别有优势。第二，漫剧还是一个非常依赖投流的生意。第三，漫剧是在成熟工作流里的效率优化，非常依赖人力。
但我们不想做特别依赖人力的事情，所以这三点都导致它不适合我们现在的团队。
然后我们往回推：为什么不做和“离谱”相似的 UGC？如果漫剧是 PGC 往上一点的人群，“离谱”是非常 UGC 的人群，那为什么不做 UGC？
我觉得 UGC 还没到时候。UGC 做出来的内容，消费属性太短，信息量也不足。但现在这个时代和以前不一样了，大家消费内容的信息量已经非常大。消费信息非常有限的内容，不足以支撑一个大型 App 运转起来。
第二，UGC 需要很大的用户体量。它首先投入成本比较高，其次推理成本也比较高。这两点都决定了内容社区产品很难发展得非常大。所以我们暂时不做 UGC，也暂时不做漫剧。
我们在中间推演，什么样的人适合我们。我们想做的是自媒体人：他可能是一个人，或者一个很小的工作室，做的内容适合用动画来呈现。
这群人里可能分成几类。一类本身就在做动画，其中很多人是以一个 IP 为出发点，不断做这个 IP。我们的一个功能就是让他做一个 IP 角色，然后反复制作很多集。
我们调研后发现，自媒体人里大概两三个人组成一个小工作室，一周更新一集。这是他们现在的频率。用我们的工具，基本上一天可以更新 10 集；如果精挑细选，一天更新 1 到 2 集完全没问题，效率会有非常大的提升。
第二类是 ACG 里做 MV 的人，所以我们也会服务 MV 创作者。
第三类还是自媒体人，但他们不是做动画的，比如讲历史、讲科普的人。他们非常适合用动画这种展示形态，只是以前动画成本太高。
这群人首先有做动画的动力，愿意尝试新的工具。其次，他们并不是少数，在其他自媒体平台上仍然有很多流量红利。所以我们想切入的是这群人。
这些人群是你们一开始设想的目标用户，也是内测时反馈不错的人群吗？
闹闹
对。但也出现了一些没想到的人群。
第一类，是真正要做视频给大众消费的人，比如漫剧创作者。他们找过来了。我们原本以为产品还满足不了漫剧，因为现在没有针对漫剧开发剧本上传等特殊能力。
但他们试用后的反馈比较好，因为他们不需要特别强的最终成片能力，只要分镜能够对得上，把所有分镜下载下来自己剪就够了。他们觉得分镜生成的效率非常高。
这群人不在我们现阶段的规划里，但现在好像也能满足一部分需求。
第二类，是完全没有做过视频的人。他们不喜欢出镜，但很想用动画的方式展现自己的状态。动画是一个很容易表达精神世界的载体。这是 C 端用户，但不是原来的自媒体人。
第三类，可能不是为了给大众看，而是为了给自己的社交关系看。比如家长给孩子做，学生给老师做，情侣之间互相做，或者给自己的宠物做，自己看；也有人给朋友分享，成年人给爸爸妈妈做。
这些和社交关系有关的需求，是我们一开始没有想到的，但现在已经出现了一些。
再往前做的话，刚才提到的这么多用户，你会做减法，还是想服务所有人？
闹闹
我觉得往后做，可能会有点类似当时抖音做垂类的思路。
比如想做科普类，就去找科普类的 UP 主，研究所有科普类动画视频的结构，把它变成知识库，然后服务好他们。
现在我们还没有服务好他们，只是他们已经在使用。接下来会一步一步地通过每一个垂类一点一点啃下来。
现在已经有苗头了，我们可能会先排个顺序，然后一个一个去攻。
所以还是想把这些人都服务好？
闹闹
对，这是终极目标。
一开始你提到 Maya 会觉得超级复杂。其实今天也有一些用户觉得剪映很复杂，你会担心 OiiOii 有一天也变得很复杂吗？
闹闹
这就是我觉得 Agent 是一个非常好的载体的原因。
以前所有创作工具都会经历一个从简单到臃肿，然后再被另一个简单工具替代的过程。比如设计行业，原来是 Photoshop，后来有 Sketch、Figma，可能现在又有其他工具。这是用更简单的 GUI 替代原来更臃肿工具的过程。
剪辑里也是这样，Premiere、Final Cut，再到剪映，也是这个过程。但它们的核心没有变，核心就是不断往上堆功能，逐渐变得臃肿。
目前我感觉 Agent 可能也会有功能叠加的一面，但不会太臃肿，因为很多东西藏在里面，不是用 GUI 的方式展示出来。
我觉得这是 Agent 很有魅力的一点：它是用户和产品共同建设的过程。如果用户有探索能力，就会发现这个工具能做到一些连我们都不知道的事情。
我们现在很多不足，都是用户自己想办法解决的，也出现了很多我们没想到的方法。这就是为什么我觉得 Agent 产品特别有魅力：它不是一个死的东西，用户可以不断探索它的边界，在这个过程中让它变得丰富。
Agent 的灵活性也有一个负面作用，就是没有那么可控。传统的剪映、Final Cut 是可控的，Workflow 其实也是可控的。
用户肯定是既要又要，既要可控，又要高效灵活。你们做 OiiOii 的过程中，怎么平衡这两点？
闹闹
这是个非常好的问题。
现在主流的 Agent 大概分两类：一类是自由度非常高、以语言模型为主的；另一类是以 Workflow 稳定性为主的。我们想做的是，既有流水线的稳定性，又能让用户和流水线上的每个 Agent 自由对话。这对架构设计要求非常高。
我们在短短 2 个月里，进行了 4 次架构重构。
第一次是用 System Prompt 做各种 Agent，定义它们，然后让它自己判断并执行 Workflow。但它非常不可控，因为模型有时候不听话。你让它把任务交给某个 Agent，它可能就不交，所以自由度太高。
第二种是严格的 Workflow，但这样就没有修改的自由度了。
第三种是在 Workflow 的基础上，让它有一个信号，知道什么时候应该跳出来修改。修改完以后再有一个信号，让它重新进入 Workflow。
第四版是在第三版基础上继续强化。在这个过程中，它可能还要跳到其他流程里，保留一定自由度。
第三版和第四版现在也还在不断调试，因为这是一种很容易出问题的架构。我们还要持续提高稳定性。
用户现在会碰到很多问题，比如它退不出来，或者“怎么又不动了”。可能是它跳出来之后忘记回去了，也可能是没有跳出来，一直自己往下走。这些问题经常出现。
你之前做过剪映，现在做 OiiOii。你觉得 OiiOii 这样的视频 Agent，会取代或者蚕食剪映原来的市场，还是会带来增量市场？
闹闹
我觉得它会带来增量市场。
剪映其实可以分成两部分：一部分是前面非常工具性的轨道，另一部分是模板的整个生态。
前一部分具备一定的替代属性。其他剪辑工具也都有类似功能，大家都可以做到。但后一部分嫁接的是整个抖音生态，这一部分是剪映独有的，具备一定的不可替代性。它不仅是工具，也是为了某一种内容形态而产生的工具。
OiiOii 有点类似剪映的后一部分。比如做 MV、做科普，它其实是在做垂类知识库，交付的是我们希望它交付的那一类内容，嫁接的是一种内容类型。用其他工具很难一键产生这样的内容，所以它具备一定的独特性。
它不完全是一个剪辑过程，但这些内容又可以用剪辑的方式，放到剪辑工具里进行合成，这没有问题。
所以我觉得它是一个增量市场。用户可能在 OiiOii 里生成内容，之后还会回到剪映做后期编辑，这基本上都是这样的。
我们现在更重视前半段，因为剪辑工具已经比较成熟了，想把它做好很难。如果大量精力花在剪辑工具上，感觉有点得不偿失。
今天有很多人创业，想做所谓的“Cursor for 剪映”或者“Cursor for 视频编辑”，你怎么看？
闹闹
Sora 出来之前，我们看到很多视频生成都处在单分镜状态，单个镜头的语言可能很好，但切镜还不够。切镜不够的时候，剪辑就发挥了很大作用。
比如不同片段之间需要过渡，或者加入特效、动画，这些都是剪辑能力。我在 Sora 2 之前觉得，这些东西很难被替代，也想过用 AI 的方式做这些特效。
这里说的特效，不是 Pix Person 那种“一个东西变成什么”的特效，而是剪辑里的各种特效。
但 Sora 2 出来之后，我发现我们现在尝试做的这些事情，完全可以被替代掉。所以在原来的判断里，这一层被拿掉了。
那是不是可以完全替代剪辑？我觉得也不是，但剪辑的重度会大大降低。反而是一些轻量的剪辑能力不可替代，比如前后截断，或者配上 TTS。
当然，模型也可以做这些，但不同模型之间调用的 TTS 肯定不一样，所以最好还是在最后合成 TTS。这样一来，一些基础、简单的剪辑反而不容易被替代；一些复杂的剪辑，反而会直接被模型替代。
因为模型在学习视频时，已经把大量剪辑手段包含在里面了，所以它很可能解决很多重度剪辑工作。
你想表达的是，今天剪辑工具不太可能被完全取代。比如我只想把后面 0.1 秒删掉，完全没有必要用一句话告诉模型，拖一下就可以了。
闹闹
对。还有调整前后顺序，以及一些简单的剪辑功能，没有必要用更复杂的方式替代，因为它足够简单。
反而是复杂的剪辑能力，比如加转场、做特效，容易被模型替代。
所以大家可能还是会同时使用剪映。以前剪一个片子需要用 3 个小时剪映，以后可能只需要 30 分钟。
也就是说，效率上两者叠加是最优解。
OiiOii 还有一个很有意思的设计。你们刚才提到多个 Agent，每个 Agent 都有自己的名字。在工作过程中，比如剧本 Agent 会召唤角色设计 Agent，就像邀请大家加入群聊一样。这个设计可以展开讲讲吗？
闹闹
我最初的想法，是希望有一个 Team 服务于导演这个角色。产品经理和导演其实非常接近，所以要赋予每个 Agent 自己的角色感。
每个角色又都有自己的 Workflow。刚才提到，让它加入群聊，其实就是一个 Workflow 的过程。我觉得这样第一是很好玩，第二是它确实可以做很多事情，所以觉得这是合理的设计。
但这里会遇到多 Agent 之间交互和上下文记忆的问题，它其实是一个双层关系。
我们表面上看到的是 7 个 Agent，但底下可能还有其他看不见的 Agent 助理在工作，所以在架构上相对比较难。
现在 OiiOii 做出来的视频效果已经很好了。除了刚才提到的各种优化，还有哪些原因让这家“川菜馆”做出来的菜很好吃？
闹闹
我再举个例子。
最开始我们思考的是，怎样让普通用户也能做出一个有感觉的片子。这个“感觉”来自一个产品给我的提醒：它非常悲伤，它非常欢乐，非常治愈。
这些其实都是情绪词。普通人不会镜头语言，比如他想选择“孤独”这个情绪，那怎么样才能用镜头语言、构图和各种画面元素去表现孤独？我们在这方面做了很多工作。
比如孤独可能对应长长的走廊，色调是灰白色。我们会把这些元素进行各种排列组合，放进生成过程里。
所以它虽然只是一个情绪，但背后有大量围绕这个情绪的影视专业知识，最后生成的片子才会有那个味道。
这让我想起朱自清的《背影》。它表达了父亲的落寞以及对孩子的关心，就是那个在铁轨旁拎着一袋橘子的父亲形象。
闹闹
对。他其实是用一些理性的元素去表达感性的东西，这是我们需要做好的部分。
当然，有时候也有艺术家的神来之笔。朱自清描述这个场景，就和别人不一样，既细腻又有冲击力。这就要靠创作者了。
我们还可以学习很多导演。比如在产品里响应各种电影大导演，用户输入导演的名字，再加一张图片，就可以生成带有那个导演风格的东西。
但它不一定包含用户自己的东西。用户可以把自己的内容加进去，不过我们现在的自由度确实还不够好。
所以一些高级创作者还是非常厉害。他们做出来的东西，我会觉得“这是用我们做的吗？”感觉难以相信，但确实是他们用 OiiOii 做出来的。
现在毕竟才上线 1 个月，还有很多想法没有做进去。
我们来聊聊产品经理这个话题。我觉得闹闹是少有的既在微信体系、又在抖音体系工作过的人，而且都是非常重要的岗位。
首先，在这两个体系里分别做产品经理，感受有什么相同和不同？
闹闹
微信其实不是最重要的岗位，我当时是在做 QQ 邮箱。但那是非常早期的产品经理阶段，对我最大的影响，是培养了非常深刻的产品价值观。
产品价值观？
闹闹
对。它让我看到了很厉害的产品经理，我们叫“龙神”对吧？对啊。然后他在很多很深入的人性的思考上，把这些思考嫁接到自己的产品上，我觉得这是非常厉害的功力。
QQ 邮箱有点难举例。我突然想到，我们当时每更新一个版本，一定要做一个版本语言。
我记得当时微信有一个版本，张小龙说“我所说的都是错的”，搭配了一张迈克尔·杰克逊的图片。看起来是一个非常简单的东西，但我们知道，它背后隐藏了很多思考，最终表达出来的广告语很有力量。
一个产品的力量，可能在一些很细微的地方凸显出来。我觉得这就是让我非常感动的地方。
他经常有一些神来之笔。我记得有个版本发了一个小游戏，那个跳盒子还是什么？跳箱子吧？
闹闹
对，跳箱子。完全想不到微信会做一个跳箱子，但它又非常魔性，大家都在用。
我们刚才在聊微信体系和抖音体系的不同。你觉得在微信体系里感受到的产品价值观，除了这些之外还有什么？
闹闹
当时我们每天都要看用户反馈，每天可能是一百多条，也可能是一千多条，我已经记不清了，然后要给用户反馈。
它从始至终对我的影响都非常大。还要从反馈里识别哪些是真需求，哪些是假需求，因为大家喊得很多的，未必是真的。
张小龙在产品公开课最前面的部分，就讲过如何识别一个需求是真需求还是假需求。他说，办法就是泡到用户反馈里去，看用户到底在说什么，不要坐在会议室里争论这是真需求还是假需求。
有时候我们把自己看得太重要，就会变得盲目。还是要看真正的产品，落在用户那里是什么样。
第一，要看用户反馈什么；第二，要看用户真实的行为；第三，我觉得非常重要的是，用户体验是一种训练出来的直觉。
这种直觉来自长期和用户之间的反馈，有点像大模型不断强化之后形成的直觉。
但在抖音体系里，它非常注重数据。刚开始我会有些不适应，因为数据非常好，不代表体验是最佳的。
比如把一个按钮变得很大，数据肯定会变好，但不代表这对用户体验是最合适的。我刚开始有一点抵触这种纯粹以数据为导向的产品体系。
你刚加入字节时，就在做剪映的产品一号位吗？
闹闹
不是。我先做的是特效，后来做剪映，之后在抖音也做过一段时间。
在剪映的时候反而还好，因为它是一个更强调产品体验的组织。做特效的时候，我才慢慢体会到数据的力量。
举个例子，要做投稿率，有很多策略可以实现。这时候我才理解什么叫策略产品。
比如我们要通过各种用户行为，判断他使用某个功能的概率。一个人经常打开特效，经常看特效类视频，哪怕只点过一次下面的转盘，或者点过收藏，都可以用来测算他的使用概率。
因为特效非常依赖跟风和模仿，你要先把这个风造起来，那要造给谁？一定要先造给大概率会用到的人。
理解这个原理以后会发现，原来的产品 Sense 和数据完全可以结合。它是一个逻辑推演的过程，不完全是冰冷的数据，里面其实有很多用户行为的反馈，甚至可能比用户反馈的声音更真实，因为那是实际动作。
你要会解读和利用这些数据，才能把事情做好。这还挺有意思的。
所以有点像一个非常右脑、一个非常左脑的两个组织，但这对做 AI 产品也很有帮助。
AI 产品没有那么大的数据量供你判断，所以既要有微信体系培养出来的产品感觉和 Sense，又要理解模型之间的搭配和策略。它不是用户数据策略，而是不同模型之间的策略。
这种理性的思维也会在里面。动画本身就是艺术和技术融合得非常好的形态。
闹闹
确实。
做产品好像在字节和微信是一个右脑、一个左脑，但最后都做出了中国最厉害的产品。他们还有哪些相同之处？
闹闹
我觉得相同之处是把自己的优势发挥到极致。
字节非常注重数据科学，它的推荐引擎和增长体系，就是它最极致的优势。
微信虽然时间比较久远了，但我还是觉得它对用户的理解和认知非常深刻。它甚至不是停留在表面的需求，而是深入到人性的很多东西，去思考用户应该获得什么样的体验。它也是把自己的优势发挥到了极致。
当时谁也没有想到，微信的 Slogan 会是“微信，是一种生活方式”。
很多人说，如果在微信工作过，会体会到所有决策都由张小龙做。当然那时候可能是这样。但我觉得他不是一个闭塞、固执的人。
所有决策由他做，其实是因为很多人提的建议，他都已经在自己的思考中想过了。他是开放地听取意见，最后在听取所有意见的基础上收敛并做出决策，只是往往他想得比别人更深。
字节这边则更相信科学决策，相信这套引擎的决策，确实很不一样。
闹闹
我觉得有点像创业公司。没有一种模式可以保证哪种创业一定成功。每个创始人都有自己的性格和个性，可能知道自己的优势和长处，然后把自己的方向发挥到极致，也许就能做一件有节奏感、可长期发展的事情。
那你认为 OiiOii 这家创业公司的优势，相较于其他人来说是什么？
闹闹
首先，我觉得我是从一个第三者的角度看自己，这很重要。初始团队的基因也很重要。
我们首先要非常了解、也非常相信动画和技术这件事情。如果没有这一点，后面的都不存在。
为什么一定要这样？因为商业领域里有很多事情，不一定因为纯粹就能取得商业成功。
但在动画领域，我们看到迪士尼、皮克斯，包括中国的土豆、王微和追光，还有饺子，他们都经历过很多挫败，但坚持到了最后，也取得了很好的商业成功。
你会发现，动画是商业世界里少数会奖励纯粹、奖励热爱的行业，所以它比较适合我。
总结一下，你认为自己作为创业者的优势，第一是这件事对你来说已经想了很久，不是一拍脑袋，看到有 AI 就决定做什么，而是一直想做动画，刚好 AI 给了你一个把它做得更好的机会。
第二是你现在的能力。经历过很多公司，也自己创业过，某种程度上具备了做这件事的能力，已经准备好了。
闹闹
对。团队的能力也非常匹配，既有信念又有能力，那就去干。
你经历过很多公司，也会发现真正长期专注在一个赛道、同时又有能力的人，其实并不多。
你觉得做一个好的产品经理，最重要的事情有哪些？
闹闹
第一个是具备一定的移情能力。移情和共情是一样的，我先讲移情。
移情就是你能迅速切换到“不是你自己”的状态。比如我在这个行业里有很多经验，觉得自己很有经验，但要瞬间切换成一个完全的小白，我觉得这就是移情能力。
怎么培养这种能力？要经常把自己从“自己”里面抽身出来，做一个观察者。观察自己，也观察身边的用户。
第二个，我觉得是 50% 的自信和 50% 的自省。
如果只有自信而没有自省，自信很容易变成自负。就像阴和阳一样，自信的时候也要冷静地看到自己的不足。
但这种不足又不至于导致自卑，而是让你觉得“我要加强自信”。也就是说，用自省来加强自信。
这样会让你的自我感没有那么强。自我感很强，就会导致很多盲区。盲区对产品经理来说非常致命，因为你就不具备移情能力了。
第三，对技术敏感。你可能不会写代码，我也不会写代码，但必须很好地理解技术，才能知道什么技术能实现什么东西。我觉得这是一个基本功。
还有吗？
闹闹
没了。
你刚才说到移情，我想到马化腾之前说过，把自己一秒变成小白用户是一种超能力。
在 AI 时代创业，对技术的敏感程度可能更加重要了。
闹闹
过去当然也重要，但今天可能变得更加重要，因为 AI 本身就是一场技术革命。
你怎么保持自己对技术的敏感？
闹闹
我好像没有刻意保持，它就是敏感的，跟直觉一样，是一个慢慢叠加的过程。
你在哪个方面非常感兴趣，一直关注它，敏感度就会越来越高。
我小时候对视觉、听觉比较敏感，这是感性上的。其次，我很喜欢物理，对规则非常敏感。
这些东西刚好会让我对多模态技术敏感，因为它本质上是视听语言的技术，也是有规律的，刚好属于我最擅长的那一部分。
你现在感觉很幸运。小时候感兴趣的事情，年轻时一度想做的事情，现在终于都可以做了。
闹闹
这是我这次创业非常强烈的一个感觉：真的非常幸运。
过去可能走过一些看似是弯路的路，但实际上都不是弯路。每一步好像都在为这次创业做准备。
这就像乔布斯在演讲里说的，把过去所有的点连成一条线。
过去也没有刻意这样安排，但这一次，天时来了，你自己的能力、爱好和敏感度都匹配上了。要做这件事情，一切都刚刚好。
闹闹
对，真的很幸运。
怎么想到把这次创业叫作 OiiOii？这个名字也很特别。
闹闹
之前的几轮都没有这个名字。后来有一个技术同事说，“oi”有点像二次元里打招呼的方式，很亲切、很可爱。他说要加一个“oi”，我就觉得挺好的。
那为什么叫 OiiOii？第一，因为它是两声，感觉更可爱一点。第二，它很像两只小蜗牛。
我们希望自己是那种很踏实的、像蜗牛一样慢慢爬，但又很可爱的感觉。
我一开始只理解到 OiiOii 念起来朗朗上口，有点二次元打招呼的热情，但没想到它还有象形文字的含义。
闹闹
对。两个 O、两个 i，更像两只小蜗牛。
我看你朋友圈曾经分享过一句话：“将隐形的愿力显化到产品上是秘籍，掌握者寥寥无几。要更精纯，还远远不够。”
当时写这句话，是被什么故事、产品或者人触动到了？
闹闹
当时准备离开“离谱”，做新的东西，但还没有想好新的方向。
放弃“离谱”对我来说有点难，因为某种程度上，它就是我想做动画的起点。放弃它、抛弃它，对我来说没有那么容易。
但在那个场景下，我会觉得做“离谱”时有很多东西是我无法掌控的，也夹杂了很多其他力量，有点像杂志一样。
所以我想，这一次创业虽然还没有找到很好的切入口，但我一定要做动画这件事是确定的。那就可以在新的创业里，尝试用只有我来主导的力量，去做更精纯的事情。
希望这个愿力更多来自我自己，或者来自我选择的团队本身。
同一篇分享里，你还写了另外一句话：“要允许冲突，甚至要去制造冲突。因为冲突是做事的力量，是筛选做事的人的方式。”
能不能分享一个过去冲突成为力量的故事？
闹闹
其实很多。
首先我是一个非常喜欢竞技体育的人，很喜欢打篮球。在这个过程中，你会发现对手往往能激发出你的很多潜力，激发出你的小宇宙。
很多时候，良性竞争是互相欣赏、互相激发的过程。
工作中很少遇到这种状态，因为工作里的冲突往往会变成攻击。但在这种攻击里，我们也遇到过一些“不打不相识”的队友。
比如在字节的时候，我们做特效模块，有很多团队都想做这块业务。后来由我们来做，就会和其他团队产生冲突。
但大家一起打过一些仗之后，发现彼此还不错，于是从对手变成了队友。因为在那个环境下，大家都是以事为先，反而激发了互相欣赏、互相佩服的过程。
我第一次创业时也是一样。我第一个开掉的人是我的好朋友，因为他的状态已经跟不上团队了。
我当时和他说这件事时，他把我骂得狗血淋头。后来他离开之后，也挖了我们的一些小伙伴，去做同样的事情。
但一年之后，他加回我的微信，说：“我终于理解你了。”因为他自己去做这件事时，角色已经不一样了，体验到了我们当时的处境。
他当时不在我的角色上，所以没办法体验我的角度。等他自己体验过之后，才发现，原来确实是这样。
所以我在这件事里得到了一个正向反馈。冲突可能会造成误解，或者留下不好的印象，但它不一定是长期的。
只要你的心态不是真的想害人，时间最终会证明一切。有时候冲突反而能更好地激发彼此做事的态度，所以我写下了那句话。
大家都叫你“闹爷”，是因为什么？
闹闹
首先叫闹闹，又很像男孩子，所以就叫闹爷了。
但你今天给我的感觉非常 Peaceful，和“闹闹”这两个字好像没什么关系。你过去是很闹吗？是最近才 Peaceful 下来的吗？
闹闹
过去确实是一个非常闹的小孩。
我觉得大概十多年前，经历了上一次创业的起伏，家里可能也经历了一些事情，让我变得更 Peaceful。
这种 Peaceful 是一种更大的力量，不是说“闹”，而是一种力量，因为我也接触到了一些、尝到了 Peace 的甜头。
比如什么样的甜头？
闹闹
我以前做过极限运动，初中的时候还组过乐队，是搞摇滚的。内心其实是一个非常叛逆、很有力量、很反骨的人。
但这种力量是外放的，是呐喊、叛逆和反抗，在外界寻求一种高度自由。摇滚精神追求高度自由，但你会发现，无论在外界如何寻找，始终是一种不满足的状态。
它没有找到真正的自由感，反而在消耗自己，给自己造了一个巨大的牢笼。
后来有机会审视自己的内心，会发现，原来所谓的自由就在这里。你以为它很小，但其实它非常广阔。
你会发现有一种能量并不需要那么用力，而是像细水长流一样，反而非常大。这个“大”不是用力的程度大，而是很广阔。
于是你找到了另一种自由感。大家会觉得这两者反差很大，但在我看来一点都不大，它们是寻找自由的一体两面。
一开始是用呐喊的方式寻找自由，最后发现真正的自由在自己的内心。
有机会的话，我很希望我们能有更多时间聊聊“闹”和“静”之间的变化，以及如何得到更多 Peaceful，从而产生力量。我对这个话题很感兴趣。
闹闹
可以，今天时间比较有限。
我再问一个关于 OiiOii 的问题。
我记得你朋友圈发过，你最喜欢、没有之一的企业家是皮克斯的创始人。他过去做工具，后来转型做动画，皮克斯最大的成就也是动画片。
那你为什么没有像自己的偶像一样，直接去做动画片？
闹闹
我喜欢他，不是因为他做了动画片，而是因为我觉得他找到了自己的擅长点，并且把这个擅长点在动画里发挥到了极致。
我们下意识会觉得，学动画的人可能要会画画、会讲故事，才能学好动画。但他在一些纪录片里讲过，他小时候非常喜欢动画，可是画画画不好，讲故事也不会讲。
但他非常喜欢电脑和物理，我也很喜欢物理。他在这条路上慢慢找到了自己的方向。
比如，他用分形图形学做出了世界上第一只电脑生成的手，真的是一个 1 分钟的短片。
由此，他打开了用电脑制作虚拟图像的世界。后来他去了工业光魔，做了一些特效，逐渐发现自己擅长的电脑和物理知识可以参与动画制作，于是参与做出了世界上第一部 3D 动画电影。
这给我的启发是：我会画画，但画得不好；我想写故事，但也写不好特别好的故事；我又不是技术出身。
我的擅长点是对技术敏感，知道怎么把技术变成产品。我的满足感在于，大家使用这个产品之后，能够被激发出创意。
所以做 OiiOii，是用我最擅长的方式进入动画行业。这就是他对我的启发。
你希望 OiiOii 最后长成什么样？希望它一直是工具，还是未来也成为某种内容平台，甚至成为皮克斯？
闹闹
我当然希望它在工具的基础上有更多可能性。但我不希望把未来说得过于确定。
至少在工具这一层，我希望做到：每一个想做动画的人，都能真正做出一部动画。先把这一点实现，再探索其他可能性。
其他可能性在我脑海里也有模糊的概念和想法，但我不太愿意把它说死。一旦说死，它就会变成一个已经确定的实体，失去探索空间。
在 2026 年，你认为 AI 视频领域有哪些大概率会发生的新变化？
闹闹
过去一两年判断视频模型趋势时，大致都能看到一些迹象。
比如质量肯定会越来越好，可编辑性会越来越好。这些在一年前就可以判断。
接下来，实时性可能会越来越好，进而出现一些互动性。但我不觉得这一定是多么大的革新，因为最终还是要看受众是否买单。
比如编辑自由度越来越高，受众可能会越来越专业，而不是越来越小白，受众反而可能缩小。
实时性越来越高，意味着有一定互动性，但互动是一种主动行为。我们现在已经被自媒体规训得非常被动，唯一的互动可能就是上滑和下滑。
只要多一点互动，受众就会变得非常窄。这是我自己的判断。
但第二点是，我不设限。过去做判断时，Sora 2 又出现了。
它只是做到了切镜自然，听起来没有特别大的改动，但带来的效果非常好。它不是互动性，也不是什么可编辑性，只是让消费体验稍微自然了一点，就已经很好了。
所以很多所谓巨大的革新，未必会给真正的消费者带来很大的改变。反而是在现有媒介基础上的一些小改动，可能带来很大的受众。
你刚才提到，最早会把用户的不同镜头分配给不同模型，因为不同模型擅长不同的事情。能不能展开讲讲，比如 Vidu 擅长什么，可灵擅长什么？
闹闹
可以。
我们做 Agent 时，会学习动画里的不同镜头。如果有打斗镜头，调用的可能是海螺，因为海螺在打斗上表现得比较好。
有些镜头表现人物表情或细腻情感，可能某些模型会表现得更好。还有一些镜头表现的是 CG 感，也就是特效大片的感觉，也会调用更适合的模型。
我们会根据镜头描述的内容，自动进行分配。
据你所知，这些模型厂商也是刻意在做差异化吗？
闹闹
我觉得这和初始数据以及后面想做的方向都有关系，可以分成先天和后天。
先天是数据标准不一样，最后生成的东西也完全不一样。中间的工序可能差别很多，而且人对视觉的敏感度最高，所以模型一生成不同的东西，马上就能感觉出来。
后天可能和模型公司的战略有关。比如想做影视级大片，就会训练很多影视级素材。可灵，包括之前的海螺，可能都会往这个方向走。
模型在不断强化某个环节时，会训练那部分数据，于是它在这个方面就会更强。
但视频模型很难真正大一统。哪怕模型完全一样，调用方法和输入的东西不一样，生成结果也会不一样。
还是拿刚才的例子来说。我们之前都调用 Sora，模型完全一样，但当时的场景一致性不强。给 Sora 输入的元素里没有场景图，只有一个小元素。
后来我们加入场景图，模型本身没有变化，但输入的东西只改变了一点点，生成结果就完全不一样。
也就是说，模型后面这一层的小改动，都会带来很大的影响范围。更不用说模型训练阶段的数据维度不同，会造成模型之间非常大的差异。
OiiOii 里用户可以选择模型吗？
闹闹
暂时还不可以，后面可能会做这一步。现在只是我们自己的选择。
你会怎么判断 2026 年以及更往后，不同视频模型厂商之间的竞争？
闹闹
我觉得大家都会加强自己最擅长的部分，同时补足自己不擅长的部分。
模型厂商肯定还是会往更通用的方向发展。刚才提到的两个大方向，一个是实时性，一个是可编辑性，可能都会增强，大概是这样。
最后一个问题。如果给你 300 万美元，让你做天使投资，可以分成 3 份投给 3 个人。他们可能还没有开始创业，可能还在工作，也可能已经创业了，你想继续投资。你会想到哪 3 个人？
闹闹
我第一反应想了很多人，第二反应还是想投给自己。
不是因为我觉得自己有多好，而是站在第三者的角度，我最熟悉的是这个人。
天使投资首先要投给一个你非常了解、非常信任的人，而我对自己是最熟悉的。
最后来一个彩蛋环节。请你用 10 个“我是什么什么”来造句，向大家介绍自己。
不能说“我是闹闹”，因为这个太水了。但你可以说“我是 3 只狗狗的主人”。
闹闹
我想一下。
可以少一点吗？
闹闹
没有 10 个。我的经验是，大家往往说到第 4 个时，会想到第 5 个，然后又想到第 6 个，慢慢就完成了。
你提到这个问题时，为什么觉得很难？
闹闹
因为我正在减少“我是某某”的积累。
之前也和你说过，我可能学习了一些佛法。把“我是”这件事情不断叠加和强化，会带来很多问题。
比如“我是一个教授”“我是一个什么什么”，它可能会让你用很大的力气维护表面的形象。
所以对现在的我来说，这是一个很难的问题。
非常深刻。所以你的第一个“我是”就是：我是一个正在尽量减少“我是什么什么”的人。
闹闹
对。
那今天可以豁免你，不用说很多，最重要的说完就好。
闹闹
我的第一反应就是这个。
第二个，我觉得我是一个容器。
这还是和 OiiOii 有关。我感觉有一个动画之神，它只是通过我这个容器来表达某种东西。这个东西在这个时代可能有更好的表现方式，但它不是由我来代表的，而是有某个东西想要表达。
OiiOii 本身其实不做表达，它是在帮助那些想表达的人更好地表达。它是一个容器，包括我自己也是一个容器。
这个灵感让我第一时间想到李安的一次采访。他说过一句让我感触很深的话：
“比我有才华的人多得多，但他们没有很多机会做成像我这样的成就。很大程度上不是因为他们没有才华，而是电影之神刚好选中了我。我是一个容器，电影通过我表达了出来。”
某种情况下，我也有这种感受。不是我在表达什么，而是我希望自己变成一个通道，让大家去表达。
没了。
谢谢你来做客《十字路口》。
闹闹
也希望过一段时间我们可以再聊一次。那时候 OiiOii 可能会有更多进展，也能看到更多人通过 OiiOii 这个容器做出更多作品。
希望如此。谢谢，拜拜。
闹闹
拜拜。