泓君
欢迎收听硅谷101。我是泓君。
今天跟我在一起的是 Azuki 的内容负责人二月茶。
天宇
你好，泓君。
泓君
你好，二月。
天宇
我其实叫这个名字还挺不习惯的。
泓君
可以理解。跟听众简单解释一下，天宇的动漫相关工作，应该是在网上通用的笔名是“二月茶”。
天宇
是的。一般在 Azuki 做内容的时候就用这个名字。主要是我们在生产的时候，英文、中文和日语都会使用，所以就挑了一个相对来说三个语言都比较好发音的名字。
泓君
天宇在去 Azuki 之前也是 Google Brain 的工程师。因为其实我们很早就一直想聊一聊视频模型生成这个话题了。之前我们有一次在聊天的时候，你说因为每天都在使用这些模型去生成，然后你观察到这些模型可以说是“七大视频模型”，它们每周都有新的变化。
这个话题也拖了很久，是因为正好在今年5月份，你去了日本一趟，考察了一下日本整个动漫产业。所以我觉得今天我们大概可以先聊一下你自己的日本之行，然后之后我们再聊一下通过文字生成视频，来看一下整个视频大模型的进展。
在此之前，可能很多听众还不太知道 Azuki 是做什么的。你要不要简单跟大家介绍一下 Azuki 是什么，以及为什么你的日常工作会跟大模型生成和日本的动漫产业结合在一起？
天宇
没问题。Azuki 实际上是我们在2022年和2023年 Web3 这一波叙事特别火的时候，创建的一个 NFT 和动漫相结合的品牌。整体的美术风格走的是二次元动漫风格，所以 Azuki 从那个时候开始，就跟动漫结下了不解之缘。
一直以来我自己对动漫就有很强的兴趣，当时也是通过各种机缘巧合参与到 Azuki 当中。一直到现在，我在 Azuki 负责整个内容上的开发，尤其是动漫方向的制作。
泓君
所以你们到底是要做成类似动漫连续剧一样的，还是一部动漫电影？我理解这两种叙事逻辑还是挺不一样的。
天宇
我们目前认为最好的方法，还是从动漫剧集出发。作为一个动漫迷，漫画和动漫剧集是任何一个动漫迷接触新 IP 最直接的方式。
我们对动漫电影感兴趣的原因，也是因为它的生产周期相对短一些。动漫剧集现在基本上处于一个全球大火的状态，尤其是日本、美国，甚至包括中国，产能都处于严重供不应求的状态。
所以现在制作动漫剧集，仅仅是等到一个好工作室的排期，可能就要两到3年。在此基础上，它的制作本身又是一个相当手工的过程，所以如果真的要从零开始做一个动漫剧集，很容易就是4到5年的时间线。
另外一方面，如果从动漫短片和电影来看，制作周期相对来说会短很多，所以电影比做剧集还要稍微简单一些。
泓君
其实在动漫当中反而是这样，是不是动漫剧集是一个比较长的、有连续故事线的片子，可能还有好几季？假设做一季，它大概有多长？
天宇
一季大概是12到24集。目前来看，纯制作大概要3年左右。但是问题在于，现在特别好的工作室都没有空闲时间来接单，所以特别好的全球生产线基本上都要排队到两年之后。
这样就造成了一个新的动漫项目，很可能要到5年之后才能见到成果。
泓君
这个还蛮有意思的。我能问一下为什么全球都在排期吗？是因为动漫又火起来了，年轻人喜欢动漫吗？
天宇
这个问题特别好。我觉得一方面是供给，一方面是需求。
需求方面其实很简单，因为动漫是一个相对来说比较年轻的媒介，而80后、90后这一代人就是看着动漫长大的，这些人已经逐渐成为消费的主流。与此同时，新一代的消费者，比如 Gen Z，或者 Gen Alpha，也都是看动漫长大的。
所以动漫一直以来可能在内容和娱乐界相对处于边缘化的地位，但是因为它里面有一种独特的审美体系，跟着它一起长大的这些人，很多还会一直看动漫下去。美国、中国、日本都有这个现象。
全球的动漫市场，无论是周边、播放还是流媒体，所有这些加起来，动漫市场基本上保持着每年10%以上的增长率。无论从什么角度来看，这都属于一种相当快速的增长。
泓君
尤其是一些手游，或者偏潮玩的产品。
天宇
对，还有游戏、潮玩。这些全部加进来之后，可能这个市场成长的速度比我们想象的还要大。
供给方面实际上也是一个大难题，因为动漫是一个特别手工的过程，所以它比很多人想象的要更加劳动密集。下次大家去看动漫的时候，可以注意一下动漫后期的职员表，每一集的职员表都很长，而且里面还有很多专门负责某一个具体环节的外包公司。
这些外包公司下面，真的把它展开之后，每一个公司又是几百人的规模，这也是很常见的事情。即使在这种情况下，现在可能还有30%到40%的动漫制作是在纸张上进行的。
泓君
30%到40%？所以手绘并不是全部都在纸上完成，电脑绘制可能也占了60%到70%？
天宇
不，手绘指的是人用手在画。其中的30%到40%可能还是在纸张上画，电脑上画的也属于手绘。
泓君
我了解了。
天宇
但是动漫这个行业的工业化程度、集约化程度和数字化程度，比我们想象的要低很多很多。它更像小作坊，也更像日本一种非常具有匠人精神、职人精神的状态：几个人在一起，做一个好的拉面店。
因为这个原因，日本很多动画公司的营收也好、团队大小也好，都有这样那样的问题。所以在动漫行业的绝对供给上，实际上是被人才和管理体制约束住的，甚至从一定程度上来说，也被技术约束住了。
正因为供需之间存在很大的错位，所以导致了现在很多资本方，包括我们这样的 IP 方，会看到全球动漫兴起的趋势。但问题是，它的产能又集中在少数几个国家，而且扩张速度并不快，所以这就导致了很强的排期现象。
泓君
一般做一集动漫，或者一部动漫电影，大概多少钱？
天宇
动漫的经费实际上比很多人想象的要稳定很多。我们现在看一集动画的话，大概每集40万美元左右。
泓君
40万美元？
天宇
如果是纯日本生产的 IP，而且已经有漫画改编，在制作方面再稍微精简一些，也可以更低。即使是最贵的动漫，一集100多万美元的情况也会出现。
但是一集比如说1000万美元，像欧洲制作的《双城之战》那样，属于预算非常非常高的级别。在日本动漫当中，这种预算其实相当罕见。
好莱坞也好，欧洲也好，在生产内容的预算上，比日本生产动漫要高不止一个数量级。
泓君
你说好莱坞更贵？
天宇
更贵。因为他们其实是缺人才，或者说劳动力成本高。动漫是劳动密集型的，好莱坞其实现在甚至没有特别好的动漫产能。
3D 动画片，比如皮克斯或者梦工厂，它们单集或者单部作品的成本，真的比动漫高非常多。实际上，动漫的生产纯粹从金钱角度来考虑，还是比较便宜的。
所以这又反过来导致好莱坞现在对于投资动漫有很大的兴趣。
泓君
那中国动漫好吗？
天宇
中国动漫现在正以非常快的速度发展。B站和腾讯应该是两个最大的投资方。
我们目前看到有很多中国特别好的动画工作室，基本处于遍地开花的状态。当然，中国动画也有它的难处，存在一定的人才密度问题。
泓君
那为什么日本现在还是动漫首屈一指的国家？
天宇
不仅仅是因为日本做动漫的人多，另一方面也是因为日本政府长期扶持整个动漫工业。长期以来，这个产业彼此影响、相互作用，最终产生了一大批非常有才华的人，形成了一种产业性的现象。
中国愿意做动漫、愿意投资动漫的人很多，但是从产业成熟程度来看，跟日本相比还是差一些。
话虽然这么说，中国尤其是在今年也出现了非常多很好的国漫。比如可能今年之后要出的《记忆管理局》，现在已经在播的《突变英雄》，还有《超能立方》，包括今年年初的《哪吒2》，我觉得对于中国来说，很可能是一个破圈的时刻。
我认为中国很有可能在制作质量和效率方面开始向日本追赶。
泓君
我觉得你们如果做动漫的话，可能也是奔着比较顶级的制作去的。放眼全世界，像你提到的这一类非常好的动漫制作供应商，比如飞碟社这种，你觉得有多少家可以潜在合作？
天宇
如果真的掰着手指数过来，可能不过10家。
泓君
为什么？
天宇
还是刚才讲的问题，确实存在一个根本性的人才需求，和现有生产模式之间存在差异。市场兴趣在这里，但我们需要很多人才，在人才之上还需要很多很好的运营管理模式。
全球的行业分布大概是日本最大，其次是中国、韩国，甚至包括东南亚。其实有很多国家做得都不差，欧洲也很好，但是欧洲很独特，他们做出来的动画风格，跟我们所理解的二次元、跟中国和日本观众喜欢的动画不太一样，更偏艺术一些。
泓君
对。其实你刚刚提到中国的这些动漫电影，包括《哪吒》的时候，我就在想，可能风格上还是不太一样。除了制作水平之外，它还有一个调性和风格的问题。
尤其是文化创意产品，比如你在找合作方的时候，可能看一眼他们的插画，大概就能感觉到是不是你们要的，内容调性是不是一致。
天宇
完全是这样。尤其是在内容生产行业，我们说可能有50%以上都取决于团队对于一个作品的品味。
所以国家和国家之间确实存在一种客观的品味差异，并没有好坏之分。美国之前以漫威、DC、皮克斯、迪士尼的审美价值观为核心，诞生了美漫风格、迪士尼的橡皮管风格，以及皮克斯的 3D 风格。
这些风格实际上跟观众之间形成了视觉语言上的共鸣，但它们跟日本和中国偏二次元的风格，还是存在比较根本性的差距。
这也客观导致了一个结果：我们虽然是一个在美国诞生的 IP，但因为视觉语言的 DNA 实际上还是日本动漫的 DNA，所以在美国国内反而很难找到产能。美国国内的审美偏好，跟我们所主打的偏好还是有相当大的区别。
泓君
Azuki最早是谁画的？
天宇
Azuki 的画家非常有来头。我们的艺术总监叫 Steam Boy，是之前暴雪的角色设计总监，一手设计了之前很火的《守望先锋》所有的第一批角色，确实是一个业内的大佬。他自己也是在美国生活，对美国的这套工业也很理解。但反而因为他自己实际上是个动漫迷，所以在一开始制作 Azuki 的时候，反而更多地靠近日本和中国的二次元方向。这实际上对我们来说造成了一个很奇特的现象：因为我们作为一个美国的公司，反而在美国国内很难找到产能。因为美国国内的这种审美偏好，跟我们所主打的偏好还是有相当大的区别。
泓君
那好莱坞的动画一般是怎么样的？像皮克斯、梦工厂、Illumination，或者甚至漫威这种偏 CG 动画的制作模式，是不是比较接近？
天宇
其实比较接近。它跟真人电影最不一样的地方，就是它不是通过摄像机拍出来的，而是通过人一张一张画出来的。
比如我们的动漫，一个几秒钟的动作可能会画15张到30张。这样一来，光是一整集就会有上千张手工画出来的关键帧。它的制作成本和制作时间，实际上很难瞬间工业化。
现在国内也好，美国也好，大家都很喜欢看短剧。其实短剧动漫能不能做，已经有很多人在考虑，我们之前也尝试过。
最终发现一个很有意思的现象：动漫短剧的单秒成本，可能会高于真人内容。相机只要架在这里拍，它其实可以在很短的单位时间内产生非常多时长的成果。而动漫不一样，即使把它压缩到30秒，这30秒当中的每一帧也都需要有人来画。
泓君
30秒大概要画多少张图？
天宇
如果按照每秒大概10张来计算，30秒就是300张。
泓君
300张图需要一个成熟、熟练的动画师画多久？
天宇
这个问题非常好。动漫跟真人相比，有一个更大的复杂度，因为每一张画的难度不一样。
电影当中有的时候会出现特效，有的时候会出现演员的表演。当我们需要捕捉这些细节的时候，摄影的难度就会增加。动漫也是这样：画一张静态场景，跟画两个人打斗的动作，会产生非常大的难度差异。
比如现在画一个人坐在公园里喝咖啡，他大概率不需要300张，可能需要10张、20张，就可以延伸到一分钟左右，因为它比较静态。
泓君
如果是这个人在公园里跑步、遛狗，或者有很多动作、在公园里跳舞呢？
天宇
那就难多了。舞蹈的制作和表现，每一帧、每一张画的难度都会大幅提升。
泓君
我想听到这里，做 AI 的人就会跳出来说：300张相似的图片可不可以用 AI 生成？这次你去日本考察，应该也是考察的一个方向，对不对？
天宇
是的。
泓君
结论是什么？
天宇
不好说。总体来说是难的。我们希望达到的理想状态，和现在技术上能够做到的状态，中间还是有着相当大的差距。
但是这个技术确实发展得非常快。比如一开始可能有7家公司，包括 Google 的 Veo、OpenAI 的 Sora、硅谷的 Pika、Runway，以及中国的混元、可灵，这些全部加起来，现在可能已经不止7家了。
像 B 站，我记得前几天好像也发布了一些自己的研究。总之，视频生成这个领域确实非常热。我们反而不是技术方，而是内容制作方，所以也很希望更快出现可以落地的场景。
这次日本之行当中，我们也跟日本已有的动画公司，以及更 AI 驱动的一些创业公司进行了很多交流。
泓君
你们这次考察了两类公司。一类就是你说的排期要到两三年以后、专业上还在用手绘制动画的工作室。我想这应该是整个日本动漫产业中占主流的一批公司，或者说最顶尖的工作室应该都是这样。
然后还有一批公司，你也跟一些做 AI 加动漫相关的公司聊了聊。能不能简单介绍一下你聊到的几类 AI 加动漫的公司，然后再从制片人的角度来看一下，它们到底行不行？
天宇
我们这次聊的公司，大概有3种不同类型。
第一种就是你刚才说的，首先做动漫，然后再考虑怎么把 AI 加进来的公司。这些就是我们所知道的动漫工作室，比如飞碟社、MAPPA、Madhouse。他们现在最希望的，就是通过使用 AI 给自己的生产线提高效率。
动漫的生产资源现在基本处于全球排期的状态，这就导致做动漫的工作室心有余而力不足。我们这一圈聊下来之后，基本上所有动漫工作室都在看 AI。
泓君
当然，大家不一定会公开说。你指的是那些主流的、顶级的、我们能叫得上名字的动画工作室？
天宇
对。AI 对于艺术家来说是一个特别敏感的话题，所以这些工作室往往很少在外部宣传，但是技术大家都看得到。他们能看到这些可能的应用场景，也是很激动的。
泓君
他们真的有行动吗？
天宇
有的。动漫的生产环节相对来说比较流程化：先从故事脚本、角色设计开始，然后做成故事板，再做到原画。原画里面还有一原、二原，之后再做中间帧动画，背景同时制作，然后加入音乐，最后把这些东西全部合起来，再加上配音和后期调整。
他们最希望看到的，就是这些流程当中有没有这样那样的环节可以用 AI 提升效率。
泓君
他们找到了吗？
天宇
没有。我们待会儿可以说一下为什么没有。
举一个非常具体的例子，AI 在动漫当中有一个特别明显的潜在应用场景，就是中间帧。
比如刚才说一个人喝咖啡，他用手拿起咖啡杯，放到嘴边，然后喝一口。这里面可能会有3个关键帧：手拿到杯子，可能形成一个画面；杯子拿到嘴边，可能形成一个画面；喝完之后是什么状态、杯子是什么角度，再画一张。可能总共就是3张。
但动画只有这3张，肯定会产生一种撕裂的体验。
泓君
观众会觉得跳帧，感觉中间漏了一点什么。
天宇
对。为了让整个动作变得流畅，我们需要在这3个关键帧当中进行补帧。如果是一个特别细节、特别靠近人物的镜头，中间可能要补不少帧。
中间帧和关键帧的绘制，在动漫行业当中一般是两个步骤。关键帧的绘制，大家都会觉得是一种非常富有创造性的活动；中间帧的绘制相对来说就枯燥一些，通常是实习生做的工作，也是动漫行业新人第一个上手的工作。
所以中间帧的绘制往往是很多人想到“AI 能不能帮助我们提升产能”时，第一个想到的应用场景。
泓君
它相当于是我给你两张原画，然后你根据这两张原画生成中间的一系列动作。但这不仅仅是文生图，它其实是图生图。
天宇
还是图生视频，因为视频也是一系列图。
泓君
对。
天宇
所以基本上可以理解为一个图生图的过程。这个过程从技术角度上听起来好像不是特别困难。无论是美国的大学、创业公司，甚至硅谷的一些研究机构，国内的院校和公司也是一样，往往会在关键帧生成上时不时发布一些很厉害的论文。
每一两个月，可能就会看到一个“我们在关键帧生成上又有什么突破”的消息。
泓君
哪些公司在关键帧上比较有突破？
天宇
非常多。B 站前几周就发了一篇挺不错的论文，是 B 站研发团队自己在研发这方面的技术。
泓君
对。
天宇
甚至美国一些比较独立的科研团队，也做出了很不错的结果。我们看到这些当然很激动，但是理想总是非常丰满，现实其实相当骨感。
我们这次去参观的工作室，都尝试用 AI 辅助中间帧生成，但问题就在于效果不够稳定。
泓君
“不够稳定”这4个字当中，最关键的一个词是“够”。到底要多少才够用，这是一个特别玄妙的问题。
能不能还是用刚才喝咖啡的例子，解释一下什么叫“够”？
天宇
没问题。比如这个人穿的是夹克衫，夹克衫在运动过程中可能会产生褶皱；这个人的手可能会产生一些我们想要表现的光影变化；他可能戴着一个有纹理的手套；咖啡杯上可能画着某个图案。
这个时候，关键帧就开始出现一些很玄妙的问题。比如拿起咖啡杯之后生成了一个关键帧，这个关键帧由 AI 做出来，可能90%大家已经看不出问题了，但是很有可能其中还会出现5%到10%的差错。
而这个差错会对动画制作流程产生特别大的影响。它不是一个连续性的过程，你用物理和常识去看，就会觉得别扭。
泓君
而且有些时候还不是物理问题，有些时候是创意问题。
天宇
对。动漫制作并不追求每一帧都完全符合物理世界的规律，更多时候是希望在创意允许的范围之内，它可信且好看。
这两个问题都会产生比较严重的影响。在“可信”这方面，如果我的褶皱突然出现、突然消失，又突然出现、又突然消失，那么播放的时候是不是会产生一种很奇怪的观感？这个袖子上到底有没有东西，大家可能还会联想到是不是跟剧情有关。
泓君
对对对。
天宇
尤其是动漫这种媒介，实际上每一笔都是由人画出来的，所以每一笔背后的思考，尤其是那些很厉害的动漫大师，他们往往都有非常深奥的思考，里面可能会有铺垫。
你本来是一个 AI 做出来的不完美作品，它只是因为不完美而已，但是观众可能会把它作为一种剧情铺垫去解读，这绝对是其中一个很大的问题。
尤其是当我们把一段很激烈的动漫打斗放慢之后，就会发现每一帧的动作相当夸张。夸张到如果真的把这一帧单独拿出来，纯粹从物理世界的角度考量，它就不是一个正常物理世界中应该存在的动作。
它是导演、动画制作师在夸张动作之下诞生的一种美学思考。而这在 AI 当中之所以特别容易产生问题，就是如果有5%到10%的细节不好，这个东西不一定好改。
泓君
不一定好改？
天宇
对。在衣服上加几笔，把这个褶皱改掉，其实是很难的，比我们想象中困难得多。
这也是为什么很多时候我们觉得 AI 好像能够做关键帧生成，但其实“够用”这个标准非常高。
假设我们用 AI 生成一个人拿起咖啡杯喝一口的动作，生成了10张关键帧。这10张关键帧每一张都不错，但是每一张都在不同的地方出现了5%的误差。把这10张拿出来之后，我们还是要交给作画监督、原画师去审查。
泓君
那真的节省他们的时间了吗？
天宇
不一定，有些时候还不如自己画来得快。
泓君
95%的10次方，最后这个正确率可以算出来吗？
天宇
对。算出来之后会发现，好像也没有那么大的帮助。
这还牵扯到生成模型目前的一个问题。如果中间是10个实习生在帮我画，我至少可以非常详细地告诉他们错在哪里，也可以把他们叫到一起开会。但是 AI 很难做到可控生成。
泓君
你想让它把这个褶皱去掉，它可能改的不是这个地方，或者还是会出现同样的错误。
天宇
对，这就是细节当中的魔鬼真正显现出来了。
如果是10个实习生，我至少能够稳定地知道，每次他们交过来的稿件都会变得更好。AI 就不一定。包括现在也有各种 masking 技术，但最终还是存在一个问题：让 AI 从90%提升到95%，再从95%提升到100%，这个过程真的不一定比人快。
这在影视行业也是这样。比如好莱坞特效，无论是真人拍摄还是 CGI，我们现在就说一辆车“嘭”一下爆炸了。这个事情如果在好莱坞来做，是要真的炸一辆车，还是用 CGI 做？
如果用 CGI 做，这个爆炸有多大？是否产生烟雾？烟雾是什么颜色？产生出来的碎片应该往哪些方向飞？这些在很多导演看来都是相当重要的细节。
AI 至少在目前阶段，还很难对特效，以及刚才讲到的动漫细节，做到如此精细程度的控制。我觉得这也是 AI 如果真的要在影视行业全面落地，可能需要长期投资和发展的关键技术：对于非常详细的创意细节的把控能力。
泓君
而且这个难度挺大的，因为你要细节到每一帧。
天宇
对。我记得之前我们聊天的时候，你说正好听到一个詹姆斯·卡梅隆的演讲，说他每一次爆炸都会模拟几百次。如果我没记错的话，是这样吧？
泓君
对。
天宇
卡梅隆一直以来也是一个非常技术友好的导演。他自己本身也有工程师背景，是一个很朋克、很厉害的人。
他们拍电影的过程中，对于技术性的要求和美学的追求都很高，对于手上工具的可控性也有着相当高的要求。
泓君
还是回到那个“不够好”。“够”这个字到底需要多详细？我们也可以借这个话题聊第二类公司。第二类是什么？
天宇
第二类是完全放弃已有动漫行业的工业流程，想要以 AI 为核心，做一种以 AI 为主的新动画制作流程的公司。
这类公司往往更偏向创业公司，很多公司可能也不一定有非常丰富的动画制作经验。他们不是把 AI 拿过来优化已有流程，而是认为流程应该从零开始围绕 AI 来做：先看 AI 有什么能力，再决定我们做什么样的动画。
泓君
就是 AI 有什么能力，我们就做什么事情，能做出什么样的作品。
天宇
对。比如中间帧很难做，无所谓，我们就不做中间帧了，或者说中间帧的制作方法跟之前不一样。
我们之前聊过一家叫 Kaka Creations 的公司。他们今年做了一个大概30分钟、声称95%使用 AI 生成的小动画。
泓君
Kaka Creations。
天宇
对。这家公司当时在网上也引起了轩然大波，刚好又是在 OpenAI 把大家的照片转成吉卜力风格的风口上。
这家公司人特别少，可能也就10人左右，还非常早期。他们看到了视频生成模型很有趣，想做，那就说“我从零开始做一个”。
他们的关键帧和中间帧，很多是通过动捕完成的：有一个人实际在表演，然后再用 AI 把这个人的表演转换成动漫风格，有点像风格转换。
泓君
它是把人的视频捕捉下来，还是把图像捕捉下来，再导入大模型，把它做成动漫风格？有点像吉卜力风格？
天宇
我们还是用刚才的例子。他们的想法是，既然现在 AI 画画存在很大的缺陷，我们就不考虑这个方法了。我们实际录一个人拿起咖啡喝一口，然后把录出来的素材丢到 AI 里面，把它转换成动漫风格。
泓君
你觉得做得好吗？
天宇
我觉得做得还行。
泓君
多少分？十分是满分。
天宇
七分。
泓君
六分及格，七分？
天宇
我觉得属于确实还行的状态。成本肯定会比传统动漫视觉制作节省一些。
现在的问题是科研成本很高，这个技术做出来的东西到底有多好，其实也不知道。七分从纯动漫制作角度来说不算特别高，但如果说能不能及格，我觉得能及格。
不过非常明显可以看出这是 AI 制作的。跟传统动画相比，它在表现力和美学设计上，坦率地说还是差不少。
泓君
举一个例子，美学设计上有什么不一样？
天宇
比如本来做3D模型、2D模型，我得把它一帧一帧画出来，还得把一个3D人物的动作一个个摆出来。如果用动捕，直接让人表演一遍就结束了，从一定程度上来说效率确实很高。
但问题是，如果真的把它用在动画里，大家往往会追求更加夸张的表现，这是一种美学追求。动捕如果真的做成动漫，经常会产生一个问题，就是显得特别僵硬。
泓君
我懂了，就是它不够夸张。
天宇
对，不够夸张，不够有艺术性，也不够有趣。
我们一天到晚看到的周围世界，本来就是一个很真实的世界。如果我真的喜欢这种风格，那我为什么不去看真人电影？
泓君
对。
天宇
举个例子，人笑的时候，嘴巴的弧度是有限的，但通常在动漫里，眼睛非常大，笑的时候嘴巴可以一直延伸得很大。它就是一种夸张的效果，但我们会觉得很可爱、很有意思。
比如《哆啦A梦》，嘴巴可以笑得那么大，眼睛都眯成一条线了，这就很好玩。
这个东西如果用动捕来做，也会有另外一些技术上的难度。所以动捕有好也有坏，最终呈现出来的效果实际上是一种美学取舍。
Kaka Creations 是其中一个案例，但我觉得这也是一种思路，一种挺好的思路。
泓君
比如背景一般不也是画的吗？那我们就不画了，拍一张照片，然后跟 AI 说“你把这张照片转个风格，行不行？”
天宇
背景反而是最容易成立的，尤其是静态背景，不太容易穿帮。
泓君
这不是已经构成了传统动画产业链中的一个环节吗？至少背景空镜头可以用 AI 来做。
天宇
说得很对。奈飞之前改编手冢治虫作品的《PLUTO》，有一部剧集很好看。奈飞也公开声称，在《PLUTO》的背景制作中已经引入了 AI 生成背景，这确实是一个很实际的落地场景。
至于对实际效用的提升有多大，不好说，因为背景在动画制作当中本来就是一条相对平行的流程。一般来说，画人物、画动作要比画背景复杂不少。
泓君
而且背景估计也不占多少成本。
天宇
有些时候还真会占不少。
泓君
是的。
天宇
但是在很多时候，新海诚就是一个典型例子。新海诚是环境狂人，他的背景制作不会便宜。这种背景也不可能用 AI 生成，因为他对背景的要求很高。
泓君
人家对背景的要求，确实超过了目前 AI 的能力。
天宇
对。不过绝大部分情况下，背景不占动画制作过程的主要部分。所以有没有帮助？有。背景确实是一个很具体的案例，我觉得也是将来可能会看到更多动画工作室去做的方向，但它并不是动画制作瓶颈的主要部分。
泓君
所以我们刚刚其实聊了两类公司：一类是传统公司对 AI 的探索，简单来说，他们现在还是一头雾水；另一类是完全按照一种新方式去做动漫。你觉得有没有中间派？
天宇
有一些非常奇特的用法，这也超出了我的想象。
我们聊过的一家动画工作室，实际上是传统动画工作室。他们先看关键帧行不行，不太行；看背景行不行，有可能行，但背景又不能真正大幅度缩减时间和成本。
那怎么办？他们想，能不能给导演做一个 ChatGPT 助手？
这家公司跟他们的一位导演合作。他们对导演说：“你把之前画过的故事板、提出过的建议，以及写过的脚本都交给我们，我们把它们丢给 ChatGPT，然后告诉 ChatGPT，你现在假装自己是这个动画导演，对一个新的项目进行评估。”
泓君
所以最终有用吗？效果怎么样？
天宇
我非常需要。这个还真有用，而且觉得有用的不完全是他们自己，而是导演本人。
尤其是大项目的动画导演，他面临的工作量非常大，根本不是个人能够完成的量级。所有项目都会汇总到他这里，他要做决定，要看整个项目的审美，以及每一个环节是否可行。
所以很多时候，看到有些地方画得不好，我们叫作“作画崩坏”，很多人会觉得是导演不行，这其实不正确。
因为导演，尤其是动漫产品的导演，永远不可能亲自把每一帧画拿出来修正，那不是一个正常人能够完成的工作量。
为了保持优秀的质量，导演会组建自己信任的原画师团队，以及负责修正的专职人员。他需要这样一个团队。如果团队中有人掉链子，反而比导演本人更容易产生作画质量问题。
导演本身需要反馈的东西太多了：故事板怎么样，脚本怎么样，画出来的风格怎么样，颜色对不对，动作时间安排是否合理，情节好不好。他作为总策划人，精力也是非常有限的。
泓君
所以这个公司的产品卖得好吗？
天宇
其实还蛮好。它相当于一个导演助理。
泓君
这是一个动画工作室在做，而且是给自己用？
天宇
完全是自用。
泓君
挺好的，这个想法非常棒。
天宇
他们的意思就是：“导演，我现在给你做了一个 ChatGPT 虚拟助理。如果接下来有任何环节需要你提供反馈，要不你先让 ChatGPT 过一遍？然后 ChatGPT 说不行，你再看看它说得有没有道理。”
他们试验了一下，最后这个导演觉得还不错。
其实在动漫行业的导演和制片人当中，很多人对 AI 持有更加开放的研究和探讨态度。我个人认为，一方面是因为从他们的角度来说，确实经常出现心有余而力不足的情况，所以 AI 可能会真正帮他们处理到每一帧。
泓君
那你觉得 AI 给的意见靠谱吗？
天宇
我觉得实际上 AI 甚至不一定能帮他处理到每一帧，但是在一些关键节点上，即使 AI 能帮到他40%到50%，也是很有用的，至少可以作为一个观点参考。
比如一个导演一天工作8到12个小时，真正生产起来可能还不止。但我们假设是10个小时，他在这10个小时当中，可能真正能够非常聚精会神修改的关键部分，每天不一定超过10个关键点。
如果有 AI，即使每天能把他处理的关键点从10个变成15个，那也是一个巨大的成功。
泓君
那看起来质量提升了30%，感觉还是有希望的。
天宇
对。
泓君
你从日本回来之后，对于你们如何做动漫、要不要使用 AI 工具，整体观点有改变吗？
天宇
改变还是相当大的。说实话，大家对于 AI 一方面更加欢迎，另一方面也更相信它未来的可能性。
但是如果 AI 真的要作为一个工具嵌入日常生产过程，确实还要面对细节中的各种问题。
泓君
所以你在日本之行之后，反而对 AI 更谨慎了？
天宇
这是一个方面。另一方面，我们也看到很多现在以 AI 为核心的小团队和实验出现，所以觉得很激动人心。
我一直觉得，人类对于艺术、对于创作的追求是一件永恒的事情。人类从上千年、上万年前就开始在洞窟里画画。
这次从日本回来之后，我也更多地思考了一件事：如果我们真的把 AI 作为创作工具本身，围绕 AI 会不会产生新的可能性？有没有可能让我们做出以前完全做不出来的东西？
比如特别复杂的服装。在动漫设计中，不太适合出现特别复杂、华丽的服饰，因为这些服饰的制作，以及把它们动起来，都需要大量的人力和物力。
泓君
我理解。如果一个服饰特别复杂，上面还有很多花纹，动画师画它的时候就要吐血了。每天工作24个小时也不够。
天宇
但是如果有 AI，这可能就会成为一种可行的视觉语言。
泓君
但服饰也不重要吧？
天宇
不好说。我一直以来都抱有一个很开放的态度。我们目前看到的，尤其是2D手绘动画，它的服饰都相对简单，并不一定代表复杂服饰就不好看，而是因为制作上的原因，我们只能这么选择。
泓君
我能想象一些场景。比如一些打斗，可能还是需要复杂的服饰；或者你要体现“王”这种概念的时候。
天宇
对。甚至在打斗场景里，一个中世纪骑士的盔甲结构就相当复杂。如果把这些复杂、精密的盔甲结构完全用手绘的方式画出来，真不知道要做到什么时候，也确实可能得不偿失。
比如身上挂着很多挂饰或者铃铛的角色，相对来说，这种角色的服饰在现代动画中可能比较罕见。但如果有 AI，这些东西变得更好做了，会不会产生新的创意可能性？
对于这件事情，我抱有相当开放的态度，我觉得这是一个很值得期待的领域。
泓君
与此相对应，比如动漫的上色方式，现在是怎么上色的？AI 是怎么上色的？
天宇
基本上就是填充。
泓君
没有了？
天宇
这个有点半开玩笑的意思。听众朋友们可能小时候也玩过 Windows 上的涂鸦工具，里面有一个大家可能都玩过的工具，叫油漆桶。
泓君
就是画一个圈，油漆桶一点，里面突然全变成一个颜色了。
天宇
对。其实现在大部分上色就是这么上，就是油漆桶。
泓君
但你不觉得这就是人类重复、密集劳动的部分吗？
天宇
这就是技术与创意产品之间一种非常微妙的关系。
泓君
这正是我们最想交给 AI 去做的。
天宇
对。但是技术的限制会产生一种特定形式的创意结果。
比如希腊雕塑使用的大理石，大理石本身就是一种限制。大理石上的上色，当时颜料技术非常不成熟，很多颜料很难在历史的化学反应中保存下来。
这就导致我们现在看到的很多希腊时期大理石雕塑都是白色的。但正因为有这样的技术限制，后来到了新古典主义时期，大家反而觉得白色是一种特色。
当印染技术，或者对材料的控制技术又上一层楼之后，我们以前买的变形金刚玩具、哆啦A梦玩具，以及动漫手办，都因为人类对塑料化学工业的掌握达到非常先进的程度，诞生了完全不一样的美学可能性和生产体系。
我希望 AI 最应该做的事情，不是把已有的创意用 AI 自动化，而是因为有了这个工具，让我们思考以前因为各种各样的原因做不到的事情，现在是不是可以做到了。
如果我们有这样的愿景，我觉得人类与 AI 在文化艺术创意方面的未来，应该会是一个非常令人期待、百家争鸣、百花齐放的理想状态。
如果在这个过程中，艺术和文化作品的创作忽视了具体的艺术家，我觉得这也是很不应该的事情。
泓君
你能不能简单介绍一下你现在每天的工作？你的工作中是怎么样跟大模型发生关系的？你每天会使用它吗？
天宇
我们现在每天的工作主要围绕动漫制作展开。比如未来的项目，要写故事、设计角色；对于已有的项目，我们要跟进产能状况，看看有没有什么问题。
还有一些更偏商业的工作，那就是比较典型的制片职责，比如项目融资、发行宣传，以及制作资源整合。
对我们来说，可能比较特别的是，我们这个 IP 的起源也比较奇特。它既不是漫画，也不是小说，而是一套 NFT 头像。所以我们也会尽可能思考，有没有什么 AI 能够跟头像直接产生有趣化学反应的方法。
泓君
AI 是不是也可以直接帮你们生成 Azuki 头像？
天宇
肯定可以。
泓君
我觉得你们其实是一个非常典型的 AI 应用场景。因为 NFT 就是需要有各种不一样、符合你们风格和调性的头像，但是每一张还都要不一样。
天宇
对，也不完全对。一方面，我们肯定跟 AI 生成结合得非常紧；但另一方面，NFT 本身有很强的收藏属性。
人工制作和稀缺性，可能比它是不是由 AI 做出来更重要。所以在 Azuki 头像生成过程中，我们肯定没有使用 AI。为了保持它本身的收藏价值，我们会控制供给量，也会尽可能用艺术家和设计师把它打磨到最好。
AI 如果足够发达，确实可以解决生产上的问题，但它不解决宣发的问题。比如我现在用 AI 做出一个5分钟的短片，这个短片怎么样宣传？它是否拥有商业价值？是否能让看到它的人产生感动？这些都不是 AI 目前正在解决的事情。
除了技术考量之外，还需要很多对动漫和文化作品有深层理解的导演、创作者，把这些事情真正挖清楚。
泓君
那你现在每天用 AI 做生成，大概是在什么环节？
天宇
大部分时候是在实验。比如现在有一个 Azuki 头像，我们能不能用 AI 把这个头像动起来，作为一种技术尝试。
泓君
有意思。
天宇
这种情况下，我们并没有打破它的原则性和收藏属性，反而提升了一些趣味性。
泓君
你之前提到，七个大模型每周都在进步、你追我赶。现在可能已经不止7个了。
天宇
对，现在已经不止7个了。
泓君
你觉得它们是在哪些方向进步的？又是从什么时候开始进入这种你追我赶的时间点的？
天宇
我感觉这种万马奔腾的状态，真的很接近从7、8个月前开始。
泓君
是有什么关键模型发布吗？
天宇
我觉得还不是 Sora。实际上，可灵、Pika 和 Runway 在几个重大节点上的发布，可能比 Sora 更具有代表性。
Sora 一开始发布的时候，如果我没记错，好像还有一定争议。大家对它的期待普遍偏高，但最后生成出来的效果不一定有想象中那么好。
不过我记得，确实就是从那个时间点开始，基本上这几家大模型进入了一个你追我赶的状态。
泓君
你追我赶表现在什么方面？
天宇
版本更新频率、模型稳定性、生成速度，以及对关键词的理解，都在以一种非常惊人的速度进步。
泓君
能不能举几个例子？
天宇
变化实在太快了，我们就用 ChatGPT 来举例。
泓君
好。
天宇
它之前发布了吉卜力风格的图片编辑功能，大家开始把照片改成吉卜力风格，这是今年的事情，离现在还挺近，大概两个月前，也就是四五月份。
我记得在 ChatGPT 发布这个功能之前，谷歌的 Gemini 已经发布了一个实验性功能，可以用文字编辑单张图片，而且这个能力已经达到了非常惊人的程度。
在 Gemini 和 ChatGPT 这一波之前，如果单从图片考虑，大家可能更多使用 Midjourney 和 Stable Diffusion。但 Midjourney 和 Stable Diffusion 对文字逻辑的理解，坦率地说不是特别强。
比如给它一张照片，然后说“把这张照片变成吉卜力风格”，就这么简单的一句话，在谷歌 Gemini 和 ChatGPT 上就能解决，而且效果还真不错。
泓君
很厉害，迎头赶上了。
天宇
几周之后，ChatGPT 就出来了类似的功能。大家互相追赶。
我觉得还有一个因素：当某个功能确定了某个方向可以这样做之后，复制起来是很快的。
泓君
现在明显有这种感觉。
天宇
Luma 我觉得也是一个很好的例子。我之前对它印象非常深刻的是，给一个起点、给一个终点，然后让它把中间补全。
泓君
你说的是关键帧？
天宇
对。比如拿起茶杯和喝到水的两个关键帧。我们给一个起点和终点，然后让它把中间补全。
我记得去年年底的时候，Luma 有一版整体效果做得非常不错。很快，我觉得中国的可灵可能也是同时出现的。可灵在动漫风格上的关键帧补全，质量甚至更高。
泓君
为什么现在很多大模型在动漫方向的进展，好像比在真实物理世界的进展更快？
天宇
我感觉这还存在模型与模型之间的区别，可能跟训练素材有关，也可能跟这些团队不同的侧重点有关。
尤其对于中国团队来说，大家比较习惯、也比较喜欢动漫和二次元画风，所以往这个方向做，是一个相对自然而然的反应。
而美国这边，像 Pika、Runway、Luma，我觉得它们在特效上可能做得非常不错。也很难说从技术上到底哪家和哪家之间存在真正意义上的代差。
泓君
所以你觉得在视频模型上没有代差，包括中国的这些大模型？中国还有哪些做得比较好？你刚刚提到了混元、可灵。
天宇
混元、可灵在动漫方面确实不错。Vidu 我记得也是，Vidu 的动漫生成相当不错，而且是开源模型。还有 Wan，我记得也是。
中国这些模型，我觉得从生成质量上完全不输于美国模型。而且从迭代速度，甚至产品的终端用户体验上来说，可能比美国公司还要更好一些。
泓君
因为它们会做产品。
天宇
我觉得真的是。而且生成更快，也更便宜一些。美国这些按月付费的服务其实挺贵，很快就能用完。
泓君
我觉得最新一次视频模型的发布，其实是在 Google I/O 期间。Google 发布了 Veo 3，它在常规视频生成的基础上加入了声音，能够做到音画同步，包括口型同步。
这个难吗？
天宇
这有点像刚才讲的 ChatGPT 和 Gemini 用单个语言指令来编辑图片。这个事情本身从技术上来说当然是很不错的成就，但如果从模型本质来说，我反而觉得应该没有那么复杂，可能很快就会看到其他家也推出类似产品。
泓君
音效生成？
天宇
对。
泓君
现在视频模型能生成的最长视频是几秒？
天宇
目前很多都在10秒、15秒、20秒这个区间。
如果再往长生成，一方面会出现刚才说的稳定性问题；另一方面，它可能就不再匹配有意义的产品和市场需求。
泓君
为什么？
天宇
因为如果生成更长的话，没有人会愿意看一个人拿起咖啡喝一分钟。
泓君
生成更长可能就需要故事线了。
天宇
对。所以现在它们还只是生成一些场景中的特定镜头，而这些特定镜头其实没有太多动感。
如果真的要达到一分钟，我们平时看任何影视作品，都很难看一个人做单件事情做一分钟，尤其是在没有上下文的情况下，这还是挺难的。
泓君
我上次在 Google 的发布会上用了一下 Veo 3，测试了一下。我当时的 prompt 是生成一个还蛮复杂的场景：一只小松鼠和一只猫在山坡上奔跑，穿过树林，接下来穿过一座桥，最后到了山顶，桥的两边有彩虹，还有风。
天宇
很具体，也很有画面感。
泓君
对。我其实是想看，在这一连串奔跑中，整个场景的变化和连续性效果如何。
天宇
你说到的这些点都很好。
泓君
但是跳帧很严重。
天宇
逻辑很奇怪，感觉像在做梦一样。
泓君
对。比如从桥到山顶，你感觉中间没有任何奔跑过程，它不是跑过去的，而是画面切换过去的。里面各种元素也开始进行不可思议的形变。
天宇
这跟我们刚才说的稳定性有很大关系。如果真的要用在创意产品上，至少得相对合理，除非你真的想做出梦境一般的效果。
目前我看，20秒、30秒算是比较长、还相对稳定的长度。如果真要生成一分钟以上的东西，一方面我们可能需要给它更详细的情节，另一方面，它是否能从逻辑上很好地再现我们脑中想象的情节，确实还是一个很大的问题。
泓君
所以你觉得，如果现在来看整个 AI 视频生成的问题，最大的问题其实一个是可控性，一个是“不够好”。
天宇
不够好。最大的问题还是“不够好”。所有玄妙之处都在“够”这个字里面。
泓君
我之前也在网上看到一些很感人的个人应用场景。比如有人会把去世家人的照片交给 AI，让它做一个10秒左右的、已经去世亲人的动态影像。
天宇
声音模型生成的这种应用尤其多。
泓君
因为我做播客，现在各家公司声音模型的竞争也非常激烈。我经常看到有人评论说：“我把妈妈生前发给我的语音喂给模型，然后就能听到我妈妈的声音了。”
天宇
对，很感人，也很具有人性色彩。
在这种场景里，所谓“够不够好”，这个“够”字就不重要了，因为它有一种很真实的“有大于无”。
泓君
对，有大于无。
天宇
而且以前这是不可能的。它的重点不在于生成出多好的视觉产品，而是通过这种方式，仿佛又跟以前的亲人、朋友重现了一段记忆，这件事就很有意义。
泓君
如果 AI 真要进入工业生产，它的成本就会成为一个特别大的问题。AI 现在的成本是多少？
天宇
挺高的。我会在很多视频平台上购买视频生成 credit。每个平台也有按月订阅的计划，基本上我会买中间那一档，主要是想尽可能多试试看。
基本上所有平台，我每个月第一周都会用完，严重缺 token。
泓君
你每天用多久？
天宇
非常缺 token。我在 Luma 或者可灵上有两三个创意想法，基本上每个平台都会希望它生成5到10次。这样就相当于20到30次。
我一天如果生成20到30次，真的一周就全部用完了，可能一周都不到。
泓君
现在它们生成人物的时候，眼睛还会有恐怖谷效应吗？
因为视频模型刚出来的时候，我们自己也做视频，也用过这些视频模型。但当时觉得它生成的人物状态还是很恐怖，就像迪士尼最开始那些动画一样，眼神是空洞的。
天宇
我觉得现在基本没有了，基本没有了。这也是一个非常大的进步。
比如手的稳定性，突然多出一根手指、少一根手指，这也是一个巨大的突破。
泓君
很厉害。所有模型的手部稳定性都解决了？
天宇
几乎已经到了不太会穿帮的程度。手和眼神这两个问题都解决了。
时不时还会出现这样那样的小 bug，但是大概率来说，我现在不会担心生成一个东西之前还得先检查它的手对不对，基本没有这种情况了。
泓君
你们会用 ComfyUI 这样的工具吗？
天宇
我们自己没有直接使用，因为这类工具迭代特别快。迭代速度快，对我们这种一直做实验的团队来说，会导致一个很麻烦的问题：必须一直使用，不一直用的话，很容易过一个月就发现工具已经变样了。
所以这方面我们也有一点烦恼。
泓君
工具不断迭代，对你们的影响是什么？
天宇
目前没有太大影响，因为我们还没有真正把这些工具用到商业行为中。
泓君
对，这又回到刚才说的，“够”这个字里的另外一个魔鬼，就是工具的稳定性。
天宇
如果真的要工业化生产，首先对 token 会有大量需求。我们就说关键帧生成中间帧这件事，那可就不是一天生成20次的量级了，可能一天生成500次都有可能。
一旦进入工业化，成本、效率，甚至产品本身的问题，都会一下子变得特别严重。
泓君
对模型端来说，一旦开始给工业化机构做制作，也会有大量 token 消耗，然后还会有算力够不够的问题。
天宇
我觉得这非常真实。
泓君
还有一个问题，你觉得用 AI 配音怎么样？我觉得现在语音模型的发展反而是我看到的最快、效果最好、可控程度也比较高的。
动漫刚才讲的全部是画面环节，但其实还有配音和配乐。
天宇
这牵涉到一个我个人也非常忐忑的话题。语音确实比视频好做很多，而且如果从语音生成质量的角度来说，现在大部分尖端模型已经跟真人无异。
但是语音生成还牵扯到一个很难聊的话题，也就是 AI 和人类创作者之间到底是什么样的经济关系。
泓君
让你忐忑的是什么？
天宇
非常忐忑的一点是，这次我们在日本也聊了一些导演、配音演员和声优。
日本声优实际上也有自己的协会，而且这几个月日本有很多非常知名的声优公开反对 AI。他们不会把自己的声音用于语音训练，也不允许 AI 模仿自己的声音。
他们提出的一个观点，我其实很同意：他们自己的声音、声音训练和表演，本身就是他们的生计。一旦这些被替代，他们自身的价值、创意，以及生计，都会受到直接冲击。
泓君
日本还有工会，但还有很多人不在工会里，很多国家也没有工会。
天宇
很复杂。如果真的谈到经济模型，这确实是一个相当深刻且困难的话题。
从画画的角度，我还可以说 AI 对我来说是一个工具，但是同样的工具论点放到声优身上就比较困难，因为它生成出来的东西跟声优表演出来的东西太像。
所以声音这个环节，技术已经做到可以替代人了。只是这个过程中，如何解决这一部分人的生计问题，反而是一个经济关系问题，而不再是技术问题。
我个人认为，这里面还存在一些深层次的工作伦理问题。
泓君
对。我觉得在播客行业已经出现这样的问题了，而且完全可信。
比如说，如果有一天我告诉你，有一个 AI 可以模仿你的声音，然后对你说：“泓君，以后你就不用出来录播客了，你只要写稿就行，我们把稿件转换成声音。”
这件事从主观上来说，还是挺有冲击力的。
天宇
我个人也认可一个观点：声优本身并不仅仅是在提供一个声音，他们是在对角色进行演绎，甚至他们自己也是一个流量点。
他们在商业、产品和创意上提供的价值，比一个物理上的声音多得多。所以我们还是应该正视和尊重他们对于作品和商业的贡献。
泓君
如果从技术角度来说，声音我觉得已经到了。那音乐呢？
天宇
音乐也可以。
泓君
音乐也可以了吗？你觉得 AI 生成的音乐，跟人类创作的音乐相比，表现力怎么样？
天宇
这个问题太有意思了，甚至可以上升到哲学高度。
我之前在学校学习美术史和音乐史的时候，发现一个很有意思的现象。我们就说西方音乐史，其中大家、时代和风格的变化其实没有那么多。
我觉得这客观上反映了一个有意思的现象：我们认为好听的音乐可能就那么几种，而我们认为难听的音乐比比皆是。我今天就可以写一首难听的给你听。
人类认为好听的音乐，现有的大调、小调和节奏，实际上已经被前人和乐理总结得相当完备。因为我们认为好听的东西没有那么多，所以从 AI 的角度理解什么东西是人认为好听的，并没有那么困难。
天宇
所以最终生成出来的东西表现力怎么样，我觉得这个问题一半要由观众来回答。比如 Suno 这样的音乐生成平台，我们之前测试过它的歌曲。不过我们测试的时候可能还是它刚刚出来的时候，值得再试一遍。
泓君
我们当时确实觉得，这也太口水歌了。
天宇
但我们其实跟做音乐生成模型的人聊过。他说，是因为这样的平台不敢去复制现在最顶级的流行歌曲。
泓君
这又回到刚才说的问题了。
天宇
对。如果拿这些作品的数据去训练，最后训练出一首风格一模一样，或者风格很接近的歌，版权问题就会产生纠纷，而且会是非常严重的纠纷。
泓君
但理论上，只要把高质量作品和数据喂进去，它是可以训练出来的。
天宇
对。我给你一个建议，下次你再跟 Suno 玩的时候，可以生成古典乐。我们上次试过古典乐，对吧？试了巴赫。
古典乐的效果，我觉得目前相当不错。因为古典乐很多已经过了版权期限，数据实际上更加开放。
但 Suno 的观点其实非常正确，因为如果现在真的去模仿一个歌手，我们必须解决一个商业伦理问题。
泓君
如果技术上真的可以复制周杰伦的声音，我们应该拿他的声音去写歌吗？
天宇
这个事情细想也很可怕。如果模型能做这件事情，就可能让这件事情变得无利可图，尤其是刚刚出道的新艺人。
所有艺人都是不停地创作、重复，再创作、再重复，才做出更好的作品。以后可能就没有好的新歌，或者没有人类创作出来的好新歌了。
这就是商业结构和商业伦理的问题。包括我们刚才讲的中间帧生成，这个简单的事情上也已经包含了深层次矛盾。
泓君
如果现在提出一个中间帧生成模型，制作一个产品，基本上不会有日本动画工作室对此提出伦理意见，因为这确实是大家的需求。
从表面看，它也保留了人类的创作性，因为关键帧还是由人来画的。这看上去确实是一件一本万利的好事。
天宇
但客观上，它会对产业产生一种非常长远、也非常令人忐忑的后果：新人没有办法往上爬。
泓君
而且新人没有办法做大量重复的练习。
天宇
对，而这个练习是通往大师的必经之路。
假设从小白到大师的过程是一架长长的梯子，小白一开始需要有可以落脚的地方。如果这架梯子只有上面一半有横杠可以抓，那这架梯子是没有办法爬的。
关键帧这件事情虽然看上去很好，但从长远角度来说，可能会带来一个现象：大量我们目前还不认识的、还在读书或者还没有进入学校的新一代动画制作师，在这个行业中没有可以向上爬的落脚点。
如果产生了这个现象，动漫行业说不定还会后退。
我们现在已经看到大规模的人才短缺现象，我觉得这可能是全人类社会都需要一起考虑的一件事情。
泓君
想一想也挺可怕的。
天宇
确实是一个相当复杂，而且短期之内可能还无解的问题。
反过来说一个理想状态，还是刚才说的：无论作画还是动画，我们真的能够把 AI 作为一个工具来看待，而这种工具又鼓励一些以前不会考虑做动画的人参与进来。
就像以前艺术史上，颜料都是很贵重、用天然原料制作的。化学工业发展之后，油画颜料变得便宜了很多，客观上鼓励了新一代年轻人和画师进入这个行业。
如果 AI 能够对动画达到这样的效果，我觉得它还是一个值得期待的未来。
当然，这个过程中存在非常深奥、非常复杂的商业伦理和商业结构问题，也是整个行业需要一起面对和探索的。
泓君
你为什么会从技术走向动漫？你是学什么的？
天宇
我在大学学的是计算机。
泓君
你一直以来都非常喜欢动漫？
天宇
对。我刚刚也学过西方美学史和音乐史。
我一直以来都非常喜欢创意产品，对创意行业本身也有很大的热情。一开始我只是作为观众，因为机缘巧合能够做到现在这个位置，也是非常幸运的事情。
泓君
现在你的工作中涉及技术的部分多吗？如果是一个传统的内容负责人，或者一个动漫制片人，他们的岗位需要懂技术吗？
天宇
传统岗位可能对技术的理解要求没有那么高。他们可能会更关注特效能达到什么技术水平，但很多时候，流程理解和创意直觉更加核心。
泓君
那你现在呢？
天宇
现在我觉得，对技术理解的要求会越来越高。
如果我们都认为技术和创意的相互奔赴还会加速，双方对彼此的直觉和品味的要求都会提高。
泓君
你现在的工作中，具体会遇到需要做技术判断的时候吗？
天宇
大概15%到20%。
泓君
15%到20%是哪些场景？
天宇
主要还是实验性场景。比如我们做出来一个东西，从技术角度来说花了多少时间，难不难做，能不能复刻，如果大规模复刻需要多少钱，这些都是很技术性的问题。
甚至还有更纯粹的代码和技术问题。比如我要做一套自己的生产管线，或者训练自己的模型。
泓君
你们会做自己的模型吗？
天宇
我们其实做过，但坦率地说，做出来的效果真的不好。而且现在处于万马奔腾的状态，那就让马在前面跑。
泓君
所以你们其实也想过做一个生成二次元内容的模型？
天宇
对，纯粹作为尝试。
对于视频生成、关键帧生成或者声音生成这些领域感兴趣的技术创业者来说，现在这个时代可能会对他们提出更高的美学要求。
比如我生成出来的音乐到底好不好听，有什么标准去判断它好不好听？这可能反而会成为技术指标之外，训练模型以及指导模型迭代的一个重要标准。
泓君
你的品味可能决定了模型的品味。
我最近看到一些文章挺有意思。比如 DeepSeek 出来以后，我很喜欢 DeepSeek 回答问题的方式。我偶然在一篇采访中发现，梁文锋对文字的美感是有追求的。
包括最近我问 DeepMind 的人，为什么 Anthropic 做出来的代码质量很好。可能也跟创始人的关注点有关。
我们看 ChatGPT 整个文本的风格，跟 Sam Altman 那一套非常看重表达、营销，以及把事情包装得特别美好的风格，也有很大关系。
天宇
特别相关。而且甚至可以说，在大模型和视频生成模型上，这种品味能够转换成非常直接的商业价值和产品优势。
比如我用文字生成一个20秒的小视频、一个特效，或者一个中间帧。这个中间帧能不能用？它中间出现的5%错误错在哪里？这个错误我能不能接受？
如果一个技术团队理解这些事情，并且针对这些事情进行优化，那么它们在产品上就可以跟其他产品形成非常有利的竞争优势。
泓君
可能是一个混合型人才的时代。
天宇
对。我觉得每个行业都在追求混合型人才。
我自己很喜欢艺术史，同时也是一个工程师。我现在很直观的感觉就是，从两三年前大模型这一波开始，我的左脑每天都在跟右脑打架。
工程师这一边说：“你看 AI 的东西多么酷炫。”艺术史这一边说：“但是你得注意这些东西产生的社会影响。”
我更愿意相信，人类对于创意的追求是无限的。对于表达创意，以及对于他人作品的原创性追求，是刻在人类 DNA 里的东西，它不会随着技术改变。
技术在不断迭代，技术不停变化，美术的商业环境也不停变化，但是艺术和美术本身是永恒的。
所以我希望我们正在走向的未来，不是因为有了 AI，就走向一个更贫瘠、更无趣的世界，而是因为有了 AI，走向一个更加百家争鸣、百花齐放的世界。
如果是这样，我觉得 AI、人类，以及人类对自己的理解、人类对艺术的理解，都可能以此为契机，走向一个全新的高度。
泓君
因为我在做一档技术播客，播客是一个创业行业，技术也是一个相对枯燥的事情。所以我每天其实也是处在左脑和右脑打架的状态。
但整体来说，我对 AI 和人类未来的悲观更多一些。
天宇
很难说。
泓君
但好处在于，无论怎么说，我们这一代人就是在创造这个未来。我们这一代人的选择，确实有可能影响接下来很长一段时间里，人类、技术和艺术之间的相互关系。
天宇
还有很多社会问题。
泓君
还有很多很多社会问题。这个没有任何好的答案，但至少可以知道一点：答案是要由我们来写的。
天宇
这个心态特别好。
泓君
创业者的心态。
天宇
知道这一点之后，我觉得每天左脑和右脑打完架，还是能睡觉的。明天起来又可以继续打架。
泓君
我们也希望通过今天的分享和思考，作为一个抛砖引玉，在漫长的技术和艺术之间的博弈当中，提供一些个人的小想法。
谢谢天宇。
天宇
非常感谢。再见。
泓君
好了，这就是我们今天的节目。欢迎在小宇宙、苹果播客、Spotify 还有喜马拉雅、蜻蜓 FM、荔枝 FM、网易云音乐、QQ 音乐上订阅收听我们。如果你习惯通过视频平台来收听播客，也可以在 YouTube 和 B 站上搜索“硅谷101播客”来关注我们。另外，我们音频的部分文字稿会发表在我们的公众号“硅谷101”上。如果大家感兴趣，欢迎大家持续地关注我们。我是泓君，感谢大家的收听。