78.Seedance之后，视频Agent何去何从？｜与 OiiOii 闹闹聊视频模型的秘密：数据、生态与感性的结构化

这个世间，万物很多两个极端的东西，你会发现它是一体的。只是我们在没发现它是一体之前，以为它是对立的。

那海量的视频 Agent 的出现，到底是需求爆发，还是资本催生的？

我觉得是一种妄想。

你说模型真的强大吗？

大家感受到的宣传力度，会让人觉得它非常强大，但你真的去用它的时候，很多东西是完成不了的。大家都会宣传是一百分，有的人做到三四十分，有的人做到七八十分，但肯定没有一百分，包括我们。

为什么最后做出优秀的视频生成模型的，其实是一些短视频平台，比如字节、快手？

它是一个生态。字节把这个生态先做到世界领先，做视频的这些公司，它是知道怎么去运用这些数据的。

你怎么看年初 Sora 关停这件事？

Sora 真的是一个好模型，很可惜的是 OpenAI 没有把它运营好的生态，所以 Seedance 基本上就是一个 Sora 2 的升级版。

你想做 AI 时代的剪映吗？

AIGC 在视频这个领域的可发挥性是非常非常大的。哪怕强如 Claude Code，它也不是一个真正可以交付的东西。

你不想定义 AI 时代的顶级产品经理吗？

AI 时代真的太稀缺了，就是谦逊。

欢迎闹闹。

谢谢。跟我们的观众打个招呼吧。

哈喽，hello、hello。我是 All in 的创始人闹闹。你是我节目的第 1 位女嘉宾，我特别特别欢迎你。

很荣幸，谢谢。

因为你是我期待已久的第 1 位女嘉宾，所以我想先用女性创始人的身份，聊一聊我们的开场。

1. 女性创业始于自我确认

我自己特别好奇，因为我一直以来都不认为自己可以创业。我从小就不是很有自信，后来越长大越发现，很多女性都不认为自己可以。所以我碰到女性创始人的时候，都会想问她们一句：你从什么时候开始觉得自己也可以的？

我感觉自己不是特别典型的女生，性格比较中性。从小到大的过程有点像是，你好像不在任何一个群体里。很小的时候，你会有一点不知道自己的定位。

但实际上，好处是你相对来说比较像一个观察者。从小我就有一种反思的习惯。

回到你刚才的问题，就是“行”和“不行”。我觉得没有一个特别的时间点，而是这件事情是不是需要你自己去创造一个环境，然后这件事情才能成，或者它成功的概率更大。

你从什么时候开始觉得需要自己创造一个环境？要成什么事？

从去年的这个时候。因为我还有过 1 次创业，那已经是很早了，10 年前，我是 2014 年创业的。

那个时候创业，里面有一些冲动，有热情，有兴奋点，也有自己想做的事情，3 者加在一起。

2. 第一次创业始于内容冲动

那我们就从你第 1 次创业的冲动开始聊起。你当时应该是在腾讯工作也没几年。

对，3 年吧，在腾讯做产品。

我一直很想做跟内容相关的事情。当时我看了一个班夫山地电影节，它讲的是海外一些极限运动团队的片子。我觉得非常触动。

我是一个从小就喜欢挑战别人没做过的事情的人。我想，中国有这么多爱好者，也有很多极限运动的顶尖选手，为什么没有人给他们拍片子？我就说，你们做呗。

为什么去腾讯呢？

天时地利吧。中大在广东还是比较 top 的，所以我就天然地去了广东一家冉冉升起的互联网大厂。

其实在我们那个时代，互联网公司不是第 1 选择。那会儿大家的第 1 选择应该是快消行业，像联合利华、P&G、宝洁，才是第 1 选择。

那你为什么去互联网？

我就觉得这个行业有前途，也比较喜欢逻辑、数据，还有用户体验。因为你刚刚说你是 INTJ。

对对对。

所以我就去了。后来才发现，这个行业其实比快消行业的成长速度快太多了。

但你为什么在那边工作了大概 3 年多，就有了冲动，想跟朋友们自己做一个社区？

这是我后面的一个感受。在那个时间点，你待了 1 年做产品，就已经算是老兵了，不像现在可能一个产品经理做了 3 年，看起来好像还是 junior。

对对对。

但在我们那个时代，比我们大两三届的人就已经非常资深了。

为什么？

我觉得是因为那个时候的速度非常快，1 年就会发生很大的变化。

我依稀记得，当时我的工号是 1 万多号。我当时就想，腾讯都 1 万多人了，这么大的公司应该没有什么空间了吧？

现在看，1 万多号还是老员工。

对，非常早期了，可以说是。

当时我们还特别羡慕比我们大两三届的产品经理，感觉他们赶上了好时候。但实际上现在反过来看，我们也赶上了好时候。

你在腾讯 3 年，每 1 年都是那种递进的学习状态吗？

我觉得不是，是碎片化的。

那 3 年时间一直在做沉淀和训练，有很深的提升吗？

我觉得是种下了一颗种子，但这些东西没有发芽。所以实际的提升，我觉得没有。

你后来创业的那种冲动，会不会有一方面是觉得，在那个巨大的组织当中，你只是一颗螺丝钉？

有。在那个时代，我会看到我们的组长、总监已经非常资深了。我觉得那种生活可能并不是我想要的状态，所以才想到了创业。

但把创业也想简单了。我觉得第 1 次创业的兴奋感会更大一点，可能没有想过这件事情大了以后是什么样子。因为没有经历过一个具体的业务从小长到大，就没有办法做合理的推演。

它那个“大”是有点虚幻的，是幻想中的大。现在看起来就是一个瞎想。

那第 2 次创业是一个能够被推演的状态吗？

对，就是 OiiO。这次很大的一个不一样，是心里有底：最坏是什么样，我大概能接受。

如果最坏最坏，我们就可以自负盈亏，把这个产品慢慢滚起来。而且我从小到大做过一些和别人竞争的东西，知道这里面能做成和不做成的各个要素是什么。

在一个小的范围内自负盈亏，并慢慢把它做大的路径是清晰的，也是可以接受的。

你说你从小就做过一些跟别人竞争的事情，指的是什么？小时候也面对竞争吗？上学的时候也需要吗？

需要啊。比如说你要有好的成绩，对吧？你就是需要和别人竞争。

当然，我自己在上学过程中的竞争反馈是非常正向的。我得到过比较良性竞争的正反馈，我的好朋友们都是我的竞争对手，但我们依然是好朋友。

3. 产品人的世界观成形

我一直觉得，产品人是一个很有趣的画像。产品人跟我们这种内容创作者很相通，本质上我们都是在建造一些产品。

对，没错。

作品当中其实有自己对于世界理解的投射。

是的。

你刚才其实讲了一点点你的世界观。你之前不是有一句名言吗？你说你 50% 是反省，50% 是自信。

自信和自省作为一种世界观，在你想建造的产品当中会有什么样的体现？

目前我稍稍有一点点吧。

我觉得在产品领域里，我最开始进入到了一个殿堂级的学校。微信这边，你看到了最厉害的产品是怎么把自己的产品价值观嫁接在产品里的，你是见证了的，但是你做不到。

我觉得很多年，这个距离都非常远，需要很长时间的沉淀和阅历，才能真正建立起比较稳定的价值观。到现在我可能摸出来了一点点，但还非常有限，还在勾勒。

你刚才也提到了内容和产品。我非常认同，它其实就是你的一个作品。但区别是，内容作品是一次性的，发出去就结束了；产品是一个需要迭代的过程，更像一个生命。

所以如果要把自己的很多感受，或者沉淀下来的东西放在产品里呈现出来，是非常难的。

对。

你的第 1 份工作在腾讯。腾讯不是产品人的殿堂吗？你觉得你当时在那边看到的最高级的东西是什么？

这个很难讲清楚。现在你会回看很多张小龙在网上流传的报道，但我们那个时间点，他在腾讯内部进行过 1 次 8 小时的产品演讲。我不知道现在还有没有那个录音，对我来说震撼还是非常大的。

我现在已经记不清很多具体的事情了，但是你会发现，他是一个非常好的观察者。他像是在用人类之外的视角观察人类，然后再做一个东西让人类使用。

他会把人性的很多善和很多弱点都放在一个放大器里，让它发酵，再像一个园丁一样把它修剪。有点这样的感觉。

所以张小龙是你心目当中的偶像吗？

至少在产品上可能是吧。

如果现在有机会问他一些问题，你最想问他什么？

我没有什么特别想问的问题。我觉得什么东西都要自己亲自去做。

那你第 1 次创业，现在回望那个产品，会觉得里面有什么东西是好的、直到这次创业依然想保留的吗？

第 1 个，是想赋予普通人用内容表达自己的机会。这个在当时其实就是有的。

还有一个很神奇的点是，虽然我们当时没有呈现出来，但后来在抖音里呈现出来了。好处是，虽然不是自己做到的，但是你会发现，有更大的平台已经实现了你当初想实现的那些东西。这说明当初的判断本身没有太大的偏差。

只是当时能力有限、时机不对、资源有限，可能做这件事的人不是我而已。

你刚才讲的第 1 点，是让普通人也能拥有表达自己的权利。为什么会对这件事情这么痴迷？

我想想。可能感觉自己像是一个土壤型的人。当你建一个东西的时候，别人可以在你这个东西上面生根、发芽、发展壮大，它会比我自己去做那件事情获得的成就感更大一点。

你之前聊到在腾讯做产品的这段感悟时，用了一个词：力量感。腾讯最早带给你的力量感，是什么东西？可能听起来很玄、很虚。

你看，不同的作品带来的感受其实是非常不一样的。很多时候，产品不是朝着 UI 做的，但你会感觉到它的细节里有一些东西，正好撬中了你。你能不能体会到它的用心？你要相信，用户是可以感受到的。

你能举一些例子吗？它到底是一个系统，还是一些细节？

这句话很好。我觉得它其实是一个系统，但表现出来的是一个细节。

比如我们看到的很多很简单的界面，如果要达到这种简洁程度，背后其实是非常庞杂的。这个过程会经过很多割舍，是一个化繁为简的过程。

所以它是一个系统，但是表现出来的简单，又是一个细节。

4. AI产品尚未产生力量感

AI 时代来了之后，用上新的 AI 产品，你能够体会到这种力量感吗？有哪些瞬间会让一个产品人觉得“wow”？

其实很少。现在还处于技术怎么转化成合理产品的过程中。

你说模型真的强大吗？

大家感受到的宣传力度，会让人觉得它非常强大，但你真的去用它的时候，很多东西是完成不了的。它的交付能力其实很弱。

这不就是为产品创造了很大的空间吗？

对。所以我觉得现在还处于比较前期的状态。

哪怕有一些产品做到了这个东西，也可能是比较隐性的，或者在模型大迭代的过程中，那些细微的差别会被相对抹掉一些，但这并不代表它没有价值。

你待过好几家大公司：先是腾讯，后来自己创业，创了 6 年失败之后又进入字节，然后离开去了 B 站负责动画，又去了一家大模型公司，星辰坠阅，也是做二次元相关的社区。

不停地在大公司和创业公司做产品之后，你有一个产品观迭代的过程吗？

我觉得在字节的产品观，和在微信的产品观，这两个有点像左右脑。它们是非常不一样的两个产品价值观。

但这个世间，万物很多两个极端的东西，你会发现它是一体的。只是我们在没发现它是一体之前，以为它是对立的，但其实不是。对立本身就是统一的。

怎么理解？

比如数据本身是可以被解读的，而这个解读需要通过你的观察和能力去迭代。数据是在验证你的判断和决策是否正确。

但是在字节，也可能会出现滥用数据去验证决策的现象。

什么叫滥用数据？

就是明知道一个实验数据怎么才能是正的，然后你就为了“正”而去做它。但这并不代表这个东西长期是正的，或者长期是有益的。

在那个环境里，它可能会被认为是正确的事情。但如果放在另外一个环境里，可能就不会被认为是正确的事情。

我相信你肯定把在腾讯吸收到的和在字节吸收到的两种主义，融进了自己的创业。有什么体现吗？

有。

我对产品这个角色的要求比较高。产品有时候就是在观察用户，所以它必须有一种观察用户的视角和能力。

第 2 点，它对于很多数据要比较敏感。当然，如果你的体量太小，数据的作用其实非常微乎其微。数据达到一定量级之后才可信，过于小的时候可能会有偏差。所以你要知道数据在什么时间点、什么情况下是有效的，对这些要比较敏感。

因为你做的是内容型产品，所以必须对审美、对感性的东西有所了解，知道什么是好，什么是不好。但是“好”和“不好”虽然是感性的，你也要能够通过一定的方法把它归类、量化，这很难。

按照你现在的产品规模，需要多少个产品经理？

差不多 5 个就够了。

怎么算出来的？

产品是这样的一个角色：你必须有一个比较擅长用户体验的产品，有一个非常擅长模型的产品。擅长模型的人里面，可能还要分擅长语言模型的和擅长多模态的。

再有一个比较擅长商业化的，后面还需要有跟数据策略相关的。综合下来就是 5 个人。

在 AI 产品架构里，产品必须具备多面性。如果是在稍微大厂一点的环境下，每个产品经理只需要负责自己擅长的那一部分就可以了。

但实际上在 AI 领域，如果你不懂其他人的部分，沟通成本会非常高。所以所有人都要兼顾其他人的知识点和逻辑。

你会看到过去互联网产品的影子，也会看到 AI-native 新环境下所需要的能力。这两者是一个循序渐进、不断迭代的过程。

这 5 个人、5 个角色，是你从创业 day one 就配齐的吗？

不是。每个阶段需要的人不一样。

首先模型的人是需要的。在产品架构这一层面，产品架构是一个听起来很虚、但很重要的角色。

什么叫产品架构？

有点像技术架构师。你可能在 day one 的时候，就得想清楚这个产品在 2 个月、3 个月之后，可能会往哪个方向发展，然后在这两三个月之前，就把这个 feature、这个模块预留好。

更重要的是，你要知道它的节奏是什么样的。在这个大的架构里，什么样的交互形态是完整、统一的，所有东西可能会以变种的方式堆在你的框架里。

对于 AI-native 产品来说，这非常重要，但也很稀缺。因为很多对模型非常了解的产品经理都很年轻，可能还没有经历过很多产品的变化和迭代。

所以你会看到，现在很多产品其实还是长得差不多，抄来抄去的，这也是一个很大的原因。

我不是一个专业的产品人，但我自己也用 AI 产品。从一个商业观察者的角度来说，我觉得今天所有产品都没有定型，原因是底层技术还在不停演进，而且迭代速度非常快。

今天所有开发者或者创业团队最怕的，就是过去两三个月好不容易把一些 feature 做出来了，模型下一次迭代之后，瞬间把所有努力都吃掉。

这就是你说的，要判断路径和方向，以及在什么节点留下什么。

首先，在 AI 时代，如果一个人对模型非常了解，而且天天上手，他大概率知道模型在往哪方面加强，它有一个相对明晰的方向。

在这个方向上，哪些会被模型吃掉，哪些不会，你是可以做一些预判的。

能不能具象地说一下？

5. 视频模型转向多参考

比如最开始，早期所有模型在 Sora 2 出来之前，其实都以首尾帧为主。你感觉它好像也是正确的，但实际上，那时候 Vidu 第 1 次有了多参考的概念。

就是多张参考图。你会发现，这种模式在生产内容时非常自然。

有点像产品：我们在做一个内容时，它由什么元素组成？人物、道具、场景、环境，大概就是这几个东西，取决于你这个画面要表达什么。

之前模型可能更多使用首尾帧，因为模型能力还没有那么强，只需要知道每个镜头发生了什么变化。

但 Sora 2 出来之后，你会发现，多参考这个判断是比较正确的。因为 Sora 2 其实不是多参考，它是单参考：1 张图，加上很重的文字描述。

对。

它并不代表那张图就是第 1 帧。它可以是第 1 帧，也可以不是。很大程度上，它是在用描述和图片本身的加和能力去推演画面，这也代表着模型的想象力足够丰富。

因为我们会放播客，我稍微给听众解释一下：首尾帧就是确定一段画面的第 1 帧和最后 1 帧，让模型推演从第 1 帧到最后 1 帧是怎样的动态。

对。某种程度上，你界定了一个范围，而且是非常严密的范围，让图片动起来。

但你刚才讲的多参考，是我给到一个视觉参考，同时加入很多语言描述，让它有更多生动想象的可能性。我理解为，灵活的范围扩大了，想象力变大了。

对，而且它也更符合创作者的认知。创作者脑子里可能没有具体画面，他需要模型帮他补足、填满想象。

但是它是由元素组成的。我现在还不太肯定，也不确定以后是不是用文字来描述这个过程，因为我觉得它还不够自然。

为什么不够自然？

因为在看视频的时候，很多时候你可能只想稍微调整一些东西，而不是用文字或者语言去调整它。

那用什么？

比如修图的时候，我可能直接画出来就行了。它应该是一种更视觉化的表达方式，或者说视觉直接交互。

对。

语言只是我们现在的水平可能先由语言过渡。这也是为什么我们后面把所有首尾帧的视频模型都淘汰掉了，只放 Sora 2 和部分 Vidu。这个决策是比较正确的。

后来你看 Seedance，它基本上也是 Sora 2 的升级版。我们之前对模型做的优化，包括 PE，也就是 Prompt Engineering 的优化，在 Seedance 上都适用。

因为它底层逻辑是一样的？

对，而且它比 Sora 2 更好的是，它是多参考，真正由多张参考图再加上语言描述来生成视频。

能给听友和观众解释一下，什么是真正的多参考吗？因为 Sora 2 不是真正的多参考。

Sora 2 是 1 张参考图加文字，还没有达到多张参考图加文字。

只有 1 张参考图，可控性就相对比较弱。比如这张图只放了人物，那它在多个镜头里的场景，其实没有办法保证一致性非常强。

但多参考的话，可控性会强一点。

对于小白用户来说，我传什么样的图片，能够确保多参考的一致性和可控性最强？

目前测下来，比如人物，很多人会传三视图、多视图，但实际上最好的，是一张稍微斜正面的照片，加上一张大头照，要保证人脸比较明确。

为什么反而多视角的参考图不一定能出来特别好的东西？

因为模型有时候可能会误判你的多视角是多个人，所以在一个镜头里可能出现两个一模一样的人，这反而是失败的展示。

所以如果我要上传人物图片，一张斜正面的就可以了？

斜正面加一张大头照，可能会保得相对好一些。但你的描述词里可能也要加正向词和负向词。

比如你要生成真人，就加一些正向词，再加一些负向词，告诉模型它不是动画模型。它必须有一些 do and don’t，用正向和负向来约束，再用图片来约束。

在这 3 个约束条件下，大概率是能成功的，但也不能保证。

多参考是不是意味着，除了上传人物，还可以上传环境？

对，还可以上传道具，包括风格。

Seedance 现在保风格的能力不太好，比起 Sora 2 稍微弱一些。比如第 1 个镜头是手绘风格，在 Seedance 里很难保持。

对。

我瞎猜啊，可能是因为它的真人数据太多了，权重太大。画面风格性很强的数据，可能没有原来视频里的数据和参考那么多，在这个大量稀疏的数据集里就被稀释掉了。

这可能跟每个模型背后的数据配方有关。

非常有关系。这就是为什么算法的方式方法可能都差不多，但数据非常关键。对于每个模型而言，数据都是不一样的。

这个问题我待会儿准备跟你详细讨论。先回到最初的问题：因为你做的是视频 Agent，一定要判断视频模型的走向。

第 1 个论证是，Sora 2 出现时，你们就把原来首尾帧的路线去掉了。那 Sora 2 之后，在世界范围内你还关注哪些模型？这些模型有没有一些共同的走向，或者分歧的走向？

有。比如有的模型比较偏特效，会走向做特效的路线，但缺点是无法进行非常连续的创作。

还有一些模型，比如可灵，它其实走的是专业影视路线。它对于科幻片、广告片表现得非常细腻，但对于故事片反而没有那么细腻，原因是它的切镜做得比较弱。这也跟它的数据和战略有关。

一个广告片需要每个镜头都比较精美，并不需要叙事层面的技术。

什么叫叙事层面的技术？

比如我们俩在对话，它得有正反打，体现出两个人的对话和人物关系，这是一个叙事结构。

但在广告片里，可能只需要一些特写镜头和运镜，需要的是精美度和视觉表现力。所以它的数据集是不一样的。

可灵对于广告片、科幻片的视觉表达可能会很好，但 Seedance 的数据量可能非常巨大，它的切镜就和 Sora 2 一样。

Sora 2 当时为什么那么火？一是音效同步，二是它的切镜非常自然，分镜切分也非常自然。也就是说，它符合这么多年来人观看电视、电影的习惯和预设。

对。

这很重要。在 Sora 2 之前，很多模型不是沿着叙事的路径去迭代的。但 Sora 2 还是挺厉害的，完整性上会好很多。

Sora 刚出来的时候，不知道大家有没有印象，会有很多第 1 视角跟随一个人跑，像跟拍一样。

对对对。

其实讲故事的片子不需要那么多长镜头。在很多片子里，长镜头是炫技的一种方式，但真正的叙事镜头其实很复杂，有很多技巧。

所以一味追求一个视频非常长，这件事情是不 make sense 的。Seedance 在这块会做得更好一点。

为什么一味追求镜头长是不 make sense 的？因为人的观影习惯不是这样。

我是说，在表达一个故事时，一直用第 3 人称视角追着一个人拍，就像纪录片一样，会很 boring。

故事叙事有很多镜头，让你跌宕起伏。它有点像之前学的心理学：比如要表达一个黑帮老大，可能需要阴暗的、俯视的镜头，才能让人感受到他的威慑性和权威性。这是一种暗示。

跟你刚刚说的心理学相关。

对。如果一味追求视频在某一个人身上的连贯性，它没有什么叙事可言，视频本身也没有信息量。

这是你当时看到 Sora 2 就有的思考，还是现在回头复盘出来的？

当时就看到了，因为它的切镜非常自然。

我觉得人就像一个模型一样。你不停在内容层面看很多东西，看很多趋势和爆款，就能感觉到它能不能火。其实是因为你给自己投喂了很多这方面的数据。

Sora 2 出现之后，当时国内很多人在寻找中国的 Sora，一级市场也会看很多多模态和视频项目，但真正出手的很少。你当时怎么判断这件事情？

我觉得这是正确的。视频模型就不是创业公司该做的事情，因为它的吞吐量巨大。

我自己也工作过，我们在视频创作上投入的人力、物力，真是无法估计。没有找到真正的局部最优解，就很难做。而且大公司既重视又擅长，为什么做不成？它一定可以做成，因为它不缺资源。

创业公司首先要买数据，光标注数据的人就要成千上万。上市公司有那么多人吗？

没有。

成千上万的人要保持数据标准，那是谁在制定？所有人对标准的理解都要一致，这是解决不了的。

因为你没有那么多人，也不知道这个标准到底是什么。再加上这些人如果不是你公司里的人，而是外包的，你没有办法保证所有外包人员的水平都很强。

但大公司首先有自己的标准，也有过去做过很多图形图像算法的经验。哪怕最开始这个经验不准，在实践过程中也可以慢慢变准，因为它有大量数据告诉它什么是好、什么是不好，它自己也擅长拆解好和不好的标准。

所以它至少能把数据标注的标准和标注本身做到八九十分，但创业公司可能只能做到二三十分。

为什么现在国内最好的模型是 Seedance，接下来就是可灵？

因为快手在这方面也很强。甚至快手很多视频理解的能力，它们的算法团队至少在 2021 年的时候也不弱，非常强。我觉得在视频理解方面，甚至强于当时的字节。

而且它的人效比也做得很好，所以能做出这么好的可灵。

这些东西不是无中生有的，一定是在过去的积累和根基上形成的。它确实有一定的护城河，不能说是永久的，但有相当的壁垒。

为什么是可灵先冒头？

我觉得很大一个原因是，视频模型有两种可以做好的方式。

一种是在一个专业的数据领域里。当时海螺也做了一些影视内容，可灵也做了一些影视内容。在影视这个专业领域里，它就容易冒头，因为它的专业数据非常好。

我觉得字节最开始可能没有具体领域，它一定要先把基模做好。它不偏爱某一种数据，要靠海量用户的基础数据做一个通用的大底座。

对，它一定要做一个通用的。

但通用模型在那个时间点可能还没有 ready，仅此而已。

回到你一开始的预判。Sora 2 出现之后，你当时对生数科技、MiniMax、字节、快手这些公司的判断是什么？你觉得它们接下来模型的走向会是什么样？包括硅谷那几个 SOTA 视频团队，会往哪里走？

我觉得肯定会先模仿 Sora 2，做一个跟它接近或者比它好的模型。在没有好的标的时，学习竞争对手是最好的方式。

对。

所以我觉得这是比较 make sense 的。

海外其实还有谷歌的模型，但你会发现，视频这个领域有点中国领先。不是说技术领先就代表视频领先，视频是一个生态。

我觉得字节在这块把生态做到了世界领先的位置。这个生态指的是，内容是有趋势的。你会发现，海外现在火的热点，很多都是多年前中国火过的。这些东西都是在一个生态里不断迭代出来的。

中国在这个生态上是全世界领先的。所以你要做一个视频模型，它一定需要有生态的土壤，才能把模型发扬光大。

这也是为什么我觉得 OpenAI 有 Sora 2，却没有运营好生态，很可惜。但凡它先做 API，不做那个 App，可能都会好一些。

对。

但它确实还是一个比较伟大的模型。

我觉得这里面可能还有一层，叫数据领先。刚才说视频生态非常关键，是因为它有大量可用的数据。

中国的大公司，无论是快手，还是其他做过视频的公司，都知道怎么运用这些数据。因为它们原来在推荐系统里就有数据的运用方式，这些东西可以运用到模型训练里。

什么叫可用的数据？

同样一个视频，假设在不同模型里，对它的解读到底是什么，其实是不一样的。解读不一样，会造成吐出来的效果不一样，这就是为什么大家做出来的模型不同。

举个简单的例子，同样一个视频，如果找一些会做 3D 建模的人来标注，那他的标注语言里可能会混入专业领域的语言。用户在输入时，可能就会对这些专业语言产生响应。

专业领域越来越多、越来越细，代表着响应越来越准、越来越细。也代表着用户输入一句话之后，模型拆解出来的东西会更准确。

这就是刚才说的数据标注标准和标注本身都非常关键。

中国的生态首先不缺数据量。如果一家公司有很好的制度和组织能力，能够高效执行标注标准和标注，并且不断迭代和投入，那它做出来的结果一定不会差。

海量数据标注这件事，第 1 个是技术活，第 2 个是组织能力的活，对吗？

对。过去做得最好的，毫无疑问就是这些视频大厂。

我觉得 Seedance 2.0 在这方面投入非常大，甚至是惊人的。它在技术上有没有新的东西？我觉得有，但数据起到了非常关键的作用。

这跟我之前刚刚采访的一位做视频模型的嘉宾，判断是一致的。

我觉得数据量是其一，怎么运用数据可能更关键。

比如要筛选出各个级别的数据，不是所有数据都叫好数据。你要做出一个好片子，数据怎么分级，每个级别应该怎么拆，这很重要。

某种程度上，它还是非常需要靠人的。

我很好奇，你自己本身没有训练过模型，对吧？那你是怎么判断出，在视频模型这个领域，各家大厂到底是怎么做的？

这只是我的猜测，有可能不准。因为我们自己也待过很长时间，那段时间我们跟算法的沟通很多。当时我们做了很多 AI 算法的大爆款，所以知道大家是怎么做的，也知道原理是什么。

回到 Sora 2 之后的判断。你认为大家大概率会沿着 Sora 2 的路径去做视频模型，所以你就可以设定接下来 1 年基于 Agent 的战略。

6. 视频模型仍未达到交付

视频模型无非是一个三角：第 1 个是效果，第 2 个是生成时间，第 3 个是生成成本。这 3 个现在是一个 trade-off 的过程。

我要效果好，现在推理成本就很高，时间也很长。

接下来首先在效果上还有空间。我们明显感觉到，现在模型在专业人群或者半专业人群里是有效的，但普通用户真的做一个镜头时，用一句话做不出那么有信息量的内容。

所以在效果上还会有很大的迭代。生成成本上，可能会往编辑方向迭代。

什么叫编辑方向的迭代？

我们现在要改一个东西，比如只换掉一个镜头里的局部，但实际上做不到，只能重新生成。这样重新生成的成本非常高，也代表它的编辑准确度和生成成本都还没达到目标。

这肯定是需要改进的方向。它很难，但我相信他们肯定会做。

这是我一直很好奇的问题：为什么现在哪怕出一张图，我让它改局部细节，都改不掉？

因为它的原理里有很多幻觉。模型一定要先发散，先去做想象力的部分，再做收敛。

语言模型现在不是在做 harness 的东西吗？它其实是在约束，约束边界到底在哪里。但内容的边界很难界定，因为它没有标准答案。它需要先做很多类别的拆分，再做收敛。

前段时间我才知道，无论多模态还是视频，底层用的都是 diffusion，也就是扩散架构。某种程度上，它像一个轮廓，不停用像素点发散开来，再去收敛。

这个原理也让我觉得，它其实不太可能做局部修改。

所以需要用到一些传统算法？

对，需要用到一些传统算法的东西。

你觉得未来可以实现吗？

我觉得未来可以。绝大部分人都有这个需求，那它就是一个必须实现的功能。它是一个明显的痛点，模型必须把它解决掉。

它只能帮你理解意图，在很大程度上增强约束力，但现在还约束不到具体某一帧。

你觉得 harness 也会出现在多模态和视频领域吗？

一定会。其实我们做 Agent 的目标就跟 coding 一样，是要交付一个成品。

现在我们吹模型有多好，但真正专业的人用起来，很多时候还是很头疼。只是大家在行业里自嗨。

那要达到一个交付物可能 100% 的水平做不到，怎么达到六七十分？

逼近。

对，逼近七八十分，或者把不确定性的底线稍微提高到及格，控制在一个可控范围内。

对。应用和产品目前是可以达到的。

可能模型占到三四十分，然后我们把它做到及格。我稍微严格一点，是这样。

这应该是今天很多开发者也很好奇的问题。你刚才讲的所有判断，在没有被验证之前都只是猜想。我觉得它是一个 bet，有可能赌对，也有可能赌错。

其实这不是赌。赌是有一个概率，但这是一种观察和推演。

推演和赌是两回事。

对，我很大程度上不会轻易去赌。我会选择大于 50% 概率的事情。

现在很多人觉得过去的经验主义没有作用，我觉得它很有作用。如果一个人完全不知道这个行业的发展路径，不知道这个行业之前是怎么迭代过来的，也不知道它沉淀了哪些方法，那 AI 就没有办法服务好这个行业。

这也是为什么现在 coding 做得比较好。

为什么？

因为程序员是最懂的。他们就是最实际的需求方，也是最懂这个领域的人。

而且 coding 本身是一种语言，语言和语言是互通的。它又是标准化的，而且是程序员自己在做，所以就可以做得非常好。

这个聊得非常好。刚才那位嘉宾说过一句话，他认为多模态和视频模型跟语言模型可能是完全不同的路径，因为语言本质上是被结构化的，但图像和视觉层面千差万别，所以很难收敛、对齐和建立标准。

是的。这也是为什么很多人用多模态去对比语言模型时，我觉得不能直接这样对比。

我们说话时，每个字都是显性的；多模态是一种表达，是一个很玄的东西，不那么具体。刚才提到的很多运镜技巧，可能都在靠这些东西暗示。暗示只是表达的一种手段。

所以它既是很虚的，也有一些方法可以沉淀，但这个方法跟语言本身不一样。语言太显性、太直接了。

我觉得多模态还没有办法完全掌握这些方法，它还处在慢慢学习的过程中。而且这些方法能不能把意会的点传达出来，每个人的感知也不一样。

所以它是很多元、很多方的，做的是人类另一个大脑的事情，也就是感性的事情。

它在用理性的方法做感性的事情，所以难度很大。

对。而且再往后看，会带来另外一个问题：所有可以被总结、结构化的东西，都可以用一套 benchmark 去验证对和错、好和坏。

但如果要模拟一个感性的大脑，因为每个人的感性都不同，每个人的感受甚至都没有办法量化，那一个无法量化的东西如何评估？

感性没有办法被量化，但它又是有迹可循的。

对，就像色带一样，赤橙黄绿青蓝紫。远处看的时候，它是分开的；但你进去看每一个像素点，好像又有边界，又没有边界，是混在一起的。

感性的东西可以被结构化，但它的结构颗粒度粗一些，没有那么一刀切。所以每家应用公司、每家视频模型公司的 benchmark 可能都不一样，这非常取决于人。

好电影的好坏，绝大部分人是可以评价出来的。好的商业片，会有一些共性，比较容易总结出来。

对。艺术片的好坏就非常私人。

对，所以它也比较小众。

你会发现，虽然它是感性的，但它有迹可循。只是这个技能很艺术，它切的分类和模块，都可能有自己的标准。

明白。

7. OiiO从想法走向落地

那回到你创业 day one 的思考。你最早有创业念头是什么时候？

我们是 8 月成立，11 月产品才出来。最早的创业念头可能是在四五月。

我刚才讲你的整个轨迹，觉得你其实有很多次摇摆，能够感受到这个人一直都有创业的影子，但不停又在各个公司之间穿梭。

我在第 1 段创业之后，清醒地意识到创业并不是一件容易的事情。

我是一个很想做事的人，但很想做事的人不一定适合创业。假设在一家大厂，或者有充分的资源和信任，做事的人也会非常爽。

所以这个摇摆来自于，你非常享受在市场里冲锋陷阵的过程，但还没有确定自己能不能被这些事情覆盖住而不受干扰。

这是我非常好奇的问题：你怎么确定自己应该是一个创业者，而不是最佳高级打工人？

我在第 1 段创业结束之后，给自己的定义是，我希望做一个高级打工人。

你后面也做到了。

对。作为一个高级打工人，他既了解上面的视角，也有下面的视角。我想学习这一部分，因为我欠缺。

在这个过程中，我也会学习不要成为什么样的 Leader。

第 1 种，是太觉得自己行的 Leader。因为你会盲目，听不到一些对事情有好处的声音。

第 2 种可能是老好人。因为你要做一个 Leader，就一定要做事；做事情就会有各种利益取舍。

当你尝试过很多次，就会发现，没有一个环境能让你完全毫无顾忌地冲锋陷阵。

你试遍了大厂和创业公司，就不再抱有希望了？

它非常取决于人与人之间志向的一致性，而且在很长一段时间里，这个志向的一致性不会改变。

我只有自己去创造这样一个环境。

在字节的时候，你已经做到剪映负责人了。今天剪映也被寄予厚望，理论上你应该离想做的事情非常近了，已经在一个宇宙大厂里负责最重要的业务。为什么还是不完全是？

即便是剪映自己做 AI，也会有很多这样那样的问题。可能很多团队都在做新的产品、做 AI。

剪映有自己的包袱，因为它已经足够大，大到要服务于上亿用户。你得照顾到使用它的整个大盘，但 AI 对它来说可能只是一个辅助作用。

如果我们想做一些 AI-native 的事情，它可能就是一个新的东西。

我自己的做事方式，也不是一开始就特别大的东西。我比较想做一件可以从小长大、能够经历完整生命周期的事情。

所以你想做 AI 时代的剪映吗？

我希望有更多人来做工具。

理想上，我觉得剪映实现了让普通人能够创造，把创作门槛降低。从这个角度来说，这件事情是可以想做的。

但这件事情是不是只有工具才能实现？

如果不是在工具这一层实现，可能就不是剪映了。它不一定是剪映，但你想做一个在 AI 时代等同于剪映的标志性产品。

它的理念某种程度上是共通的，就是希望普通人能够借助技术，把自己想表达的东西表达出来。

你从剪映离开之后去了 B 站负责动画，因为你自己喜欢动画。

对。我从剪映离开之后，先在抖音做过一些事情，不过比较隐性，比如抖音的各种身份体系。

那些事情是内部转岗吗？

对。当时我是想做跟创作者生态相关的事情，比如对创作者的激励，我有一些自己的思考。

我觉得激励有流量，也有名和利上的激励。抖音更多时候是在利和部分的名上，情感上的激励相对比较弱。

什么样的激励叫情感上的激励？你在什么产品里看到过吗？

就是没有。我觉得现在有一些创作者的变现激励方式，会导致你做内容的初心慢慢改变，内容会慢慢偏向那一块。

偏向也没有关系，但你的内容本身就会往那个方向做，之前想表达的一些东西就很难表达出来了。

所以我们当时想做打赏：如果我们认为它是一个好内容，而且用户愿意为它买单，我觉得这个模式反而会更激励创作者做更好的付费内容。

为什么这会比打赏、赞赏更好？

打赏、赞赏只是一个计算单位，不是所有打赏、赞赏都需要真正付费。

刚才也提到了投币，这些其实是好的，是一种精神上的激励，也是激励的一部分。

我是希望把两者结合起来。精神激励和物质激励可以是一体的。在庞大的数据集里，如果策略做得好，它们是可以对应上的。

对创作者、平台和消费者而言，都是三赢。当时我很想做这些事情。

为什么你觉得这些大平台没有做好？

我觉得也有在做，只是不知道现在是不是做好了。当时可能做的还是比较粗放。

如果一开始就在一个大平台做运营，虽然有资源，但很难真正站在创作者的视角，了解他到底需要什么。很多细微的东西，因为没有这样的经历，很难想得到。

我的意思是，什么阻碍了大厂把这件事做好？

收益。或者说，如果是在字节里，它带来的收益是什么？

其实这件事也可以讲清楚，它可以触发更多更好的内容投稿，让生态变得更好，也有数据推演的逻辑。

什么阻碍了做好这件事情？也许现在已经做好了。

那你怎么确定 day one 要做什么事情？

这次创业，我只知道自己想做跟 AI 视频创作相关的事情，这是很确定的。因为这么长久以来，我对创作的热情一直没有减弱，反而愈演愈烈。

但视听语言是一个非常广泛的范围，你们现在应该收敛到了具体几个方向。具体是怎么收敛出来的？

我们先从工具的角度切，再从动画、动漫这个角度切。因为在没有 AI 之前，动画创作成本很高，有了 AI 之后，成本一下就被打平了。

所以 OiiO 最早的定位，就是让每个人都能够生产一段自己的动画。

对。

以后会不会有其他变化？我觉得可能会有，但大的方向不会变。

我对产品本身也有一些自己的想法，而且比较显性。比如我们模拟一个真实剧组在工作。在 Manus 之前，大家没有这样的体验。

我可以从一个小白用户上手的感受，先给大家介绍一下：我觉得它很有趣的是，Agent 层让我感受到自己在和一群 Agent 一起打工。

你会给它设定很多不同的角色，比如艺术总监在喝茶，编剧擦了擦眼镜片，会有很多人格化的设计。

你们应该拆分了 7 个工作角色。在一个工作流当中，最终的结果就是，一个完全不懂动画的人，凭着自己的 idea，一步一步根据不同角色的指导，最终生产出一段动画短片。

大概就是这么一个过程，我希望它一直保持。

刚开始的时候，我们不是有一点小火吗？那时候生成还没有太大成本。现在反而会有稍微专业一点的用户在用，专业用户对它的要求更高，要有很好的控制能力，所以他要修改、要编辑，我们就要加强自由编辑和修改的能力。

8. OiiO从爆发走向商业化

你刚才非常谦虚地说你们只是小火了一下，但在产品还没有发布的时候，就有 10 万人排队等内测码。为什么会出现这种现象级的现象？

我觉得这里面 50% 是偶然，可能是比较幸运；50% 可能是做对了几件事情。

第 1 个，在那个时间点，一句话生成视频的能力还不具备。当用户有这个体验时，就是一个 aha moment。

我自己也是。我很喜欢看动画，但没有什么特别好的创意。可能做个梦，把它填进去，就可以生成出来，你就会觉得很神奇。

所以它是一个简单且好玩的东西。

但它背后的推理逻辑并不简单。

对，因为每一步都需要很多专业知识。

第 2 个原因，是那段时间它免费。你会发现，当你的目的不是赚钱时，真的会有很多有趣的东西在里面，这个过程会带来传播，就会火。

比如有一个用户自己做 OC，他会画画。把画做成动画，在传统行业里是一个非常庞杂、需要很多人协作的过程。

但他把自己的 OC 放进去，就可以做一个很感人的故事，把静态漫画帧变成一段动漫故事。

还有一个非常普通的女生，她在北京打工，理想是拍摄自己在北京上班的一天 vlog。但她不愿意出镜，是一个非常 I 的人，所以这个 vlog 一直没有拍。

她用 OiiO 做了自己去上班、回家喂猫的温馨一天。我就觉得，这太好看了。

这就达到了我们刚才说的，让普通人拥有表达的机会。

但是，Seedance 出来之后，因为模型成本相对比较高，我们也不得不收费。费用一高，成本上去之后，UGC 就流失了。

原有用户的比例，从 UGC 为主变成了 PGC 为主。因为愿意为工具花钱的，还是得从这件事情里获得收入的准专业用户。

对，没错。

这件事对我来说有一点小失落，但又不是完全的失落。专业的人有专业的路径可以做好，但成本问题会导致很多有创意的东西没有被做出来，我觉得有点遗憾。

你原来所谓的免费，是基于什么样的免费？

因为原来调用视频模型时，视频模型还比较便宜。但随着整个视频模型发展到相对成熟、可用的状态，格局也会慢慢出现变化，模型也会收费。

所以现在成本压力，转向了做 Agent、做应用的公司。

你是去年 11 月产品正式上线的，到现在其实也才 7 个月。这 7 个月里，你面对了一个变化：模型使用成本上涨。怎么办？

模型成本上涨本身是正常的。一个好的模型，最开始推理成本和训练成本本来就高，这毋庸置疑。

还有一个原因是竞争比较激烈。如果没有底线地补贴，大概率我们也补贴不了那么长时间。

第 2 个，如果因为薅羊毛来的用户，早晚会因为薅羊毛离开。总会有比你羊毛更低的地方，因为模型厂商就在那里。

所以我觉得这不是一个好策略。既要应对强竞争，又要覆盖模型成本，还有一个重大的问题，就是模型之上产品的独立价值到底是什么。

我们一定要把它做出来，这才是真正的核心竞争力，而且必须是黑盒的，不能被别人轻易超过。

问几个投资人很关心的问题：做一个基于模型的上层应用，究竟有什么人无我有、模型没有而你能有的东西？

投资人为什么会有这个问题？

因为他们在语言模型上见证了应用被吃掉的状态。

9. Agent填补模型交付缺口

但我们刚才也谈到了，语言模型和多模态不一样。

我们现在做 Agent，会发现语言模型的权重越来越重。做 Agent 的第 1 步，很大程度上就是理解一句话。

我要有很多拆解方式，把这句话准确拆解出来。市面上并不是所有场景都用最好的模型，而是要判断哪个模型在我们的场景下最好，所以它本身也是一个 benchmark。

做完之后要执行。执行时，在视频的整个链条里，可能先处理信息，比如剧本。剧本一直是在语言模型里做的，哪个模型写剧本最好、用什么规则写，都需要我们自己做 benchmark、自己去测。

第 2 步要做设定。所有角色、场景、风格、道具，都要自动帮你做出来。这是图片模型，用哪个图片模型才能达到想要的效果，也不一样。

而且每个语言模型需要使用的 prompt 规则也不一样。比如 Midjourney，它的视觉表达能力比较强，很多手绘风格非常好。这也是为什么多模态模型没有把 Midjourney 吃掉。

再大的模型、体量再好的模型，也没有把 Midjourney 吃掉。但 Midjourney 有好的部分，也有不好的部分，我们要怎么用其他模型补充？

比如它的风格保持得比较好，但人物一致性很差。那怎么保证人物一致？要用什么模型？这些都要做路由。

你的语言模型要做判断，判断之后还要写 prompt。Midjourney 的 prompt 规则跟其他模型都不一样，每个图片模型适用的 prompt 都不同。哪个模型最好，还要去测。

可能针对每一个路由，语言模型输出的 prompt 都不一样。

做完设定之后，还有一个很重要的工作，就是分镜。视频和视频之间怎么切，才能既有连续性，又有断点？这个度在哪里？

它也是语言模型。长剧本和短剧本，不同剧本的切分逻辑也不一样，里面非常细节。每个环节再往下拆，要做到可交付物，每个环节底下的 benchmark 都要找到最优解。

所以它其实不是一个视频模型的问题，而是一个链路上所有模型的综合最优解问题。

现在模型有几十个，而且还要不停跟进最新模型。所以必须有 3 个角色来控制这件事：模型产品、算法，还有效果设计师。

模型产品要非常了解模型、逻辑和标准，要把整条链路搭好。

效果设计师要从视觉角度做大量批测，告诉你在什么条件下能保持风格、做好风格。

算法则要保证链路稳定，以及整个响应程度的稳定性。

这 3 个工种协同起来，才能做好这件事。

大厂在这 3 个岗位上一定会投入更多的人。

它可能不取决于人多，而取决于人的专业度。

专业度。

这也是为什么在大厂工作过，才会有这样的感知。

尤其是效果设计师，这是一个很神奇的岗位。在做效果设计师之前，我对产品经理的认知里，缺乏刚才说的那种把感性的视觉拆解成标准的能力。

但效果设计师就是做这件事的。

我们当时在整个团队建设上，做了很多次人才定位：一个人怎么才能在了解技术的同时，具备审美能力，而且还是一个产品经理？

你会发现，能做好这 3 者的人非常少，不取决于人多。

那你怎么保证找到的是这些好的人？

这就是为什么过去的经验有用。你大概知道一个人在面试时体现出过去什么样的能力，大概率能不能胜任这个角色。

我觉得我非常在意、也比较擅长的一部分，就是选人。

过去一年，视频领域经历了一个大混战吗？

10. 视频战场进入长期竞争

过去半年吧。

随着 Seedance 的出现，你觉得结束了吗？

视频模型层面没有结束，我觉得还会有几个玩家，至少 3 个。

可灵算一个？

对。国外的我就不说了，因为我还是判断，视频模型需要大厂实力。

它需要几个东西：大的资源、大的组织能力和投入度。比如 OpenAI，有大的组织能力和技术资源，但它不重要，或者说在面对更严峻的激烈竞争时，不得不先放弃 Sora。

对。

如果在大厂领域里，它不是最先被放弃的那个，就会有优势。只要它被重视，就能继续做下去。

年初 Sora 关停这件事，对你们有什么影响？你怎么看？

我觉得很可惜。它真的是一个好模型，虽然有很多缺点，但在视频领域里，它很长时间没有竞争对手，遥遥领先。

我觉得这可能是战略考虑：有更强大的语言模型在做 Claude Code 的能力。

Seedance 2.0 出现时，你觉得它跟 Sora 的状态相比如何？

它在综合能力上比 Sora 强，但在真人表现力上不如 Sora。Seedance 做真人时会有明显的 AI 感。

Sora 有很长一段时间不能做真人，但它能做的那段时间，你会发现非常棒，看不出任何 AI 痕迹，非常真实。

第 2 个是风格一致性。Vidu 是可以有表现力的，但在 Seedance 里风格会变掉。

第 3 个是人物一致性，Seedance 还是会有保不住的情况。

但 Seedance 的音画同步、口型、动作流畅度，这些肯定遥遥领先。

这些表现差异背后，是技术差异还是数据差异？

可能都有，但还是数据的影响更大。

国外也有视频大厂，比如 YouTube；国内也有腾讯、爱奇艺等视频大厂。但最后做出非常棒的视频生成模型的，其实是一些短视频平台公司，比如字节、快手。

最好的视频生成模型出现在短视频平台，是偶然吗？

做过创作和没做过创作的人，有很大的区别。做过创作，就知道创作里有很多跟 AI 结合的点。

比如我们做特效时，会用到很多 GAN 和各种分割技术。AI 技术本身是涵盖在创作层面的，不是在播放层面。

播放出来只是一个效果。我觉得这有很大关系，因为现在很多很好的视频模型，它们的核心人员之前都做过特效里的 AI Lab，做的是创作算法。

比如我们用 GAN 做变老人、变小孩、变漫画，那时候就在做，只不过现在变得更快了，技术方案不一样而已，但本质还是图形图像技术。

Seedance 的主力原来也是做创作的，是 AI Lab 的人。可灵的核心算法团队，原来也是 Y-tech 的人。他们原来都是做创作相关算法的。

但 YouTube 不是。创作本身需要 AI 技术和算法，这有很大关系。

这些大厂是在自己的舒适区里做技术升级。

对。你当时做特效、做剪映时，核心对标的一个是工程团队，一个是算法团队。这两个在快手里也都有对应团队。

对，而且大家不相上下。所以在视频模型领域，算法非常重要。

算法人才的画像，很有可能也是从上一个时代创作特效相关的算法人才演进而来。

产品也是一样。

我不否认有新的东西，但它的方式方法跟过去有继承关系，不是突然出现的。

最近一段时间，国内视频 Agent 有一个井喷，这是我的错觉吗？

会非常多，但好的非常少。

大家都觉得这个赛道有利可图，都挤进来了，所以有很多牛鬼蛇神。比如说自己一分钱不收，免费用 Seedance，实际上是用这种方式骗钱。

什么叫一分钱不收、免费用 Seedance？

就是他不收钱，但实际上挂的不是 Seedance。他图什么？圈一波钱就走。他不在自己所说的 Seedance 上挣钱，但可能会在其他地方收费。

就是把用户导到别的模式。

对。一个产业链真的有利可图时，就会有很多奇奇怪怪的东西。

之前有很多公司套一个海外壳，说在那里可以用可灵，然后骗一波钱。但可灵都没上线，当然就是假的。这是其中一种。

大家都在炒 Agent 概念，宣传也会夸张。比如宣传说用 AI 做出了超越人类的东西。

创作者如果不亲自尝试，很难知道大家彼此的差异点在哪里，所以会有很多信息误导。

大家都会宣传是一百分，有的人做到三四十分，有的人六七十分，有的人七八十分，但肯定没有一百分，包括我们。

因为一旦是概率游戏，就可能抽到不满意的镜头，这是很正常的。

所以 Seedance 2.0 出来时，你是什么反应？

经历了一段有点焦虑、但又比较平静的时间。

焦虑是因为最开始宣传说一句话可以生成视频，我看了很多宣传视频，觉得特别棒，心想完了。

但后来平静下来，就会发现那还是宣传，它也不是一句话就能做出来的。

从各个平台上的投稿量也能看出来。Seedance 刚出来时，小红书投稿量巨大，后来慢慢下来了，是因为普通人用不了它。

它是一个受 prompt 约束的模型，不是完全的自然语言交互。这代表哪怕强如 Seedance，它对使用者的要求还是比较高的，使用标准也比较高。

强 prompt 约束的交互和自然语言交互，区别是什么？

自然语言就是，比如一段打斗，我可能只会说“你和他打一场”，或者“你和他打一场咏春”，就这么简单一句话。

如果写一个比较详细的 prompt，就要按照打斗的视角来写，几秒到几秒是什么视角，用专业 prompt 约束画面在每几秒怎么表现。

我们自己生成的 prompt，每个镜头可能都有上千字，才能把镜头表现得很好。

但我们为什么能做到，是因为里面有 Agent，可以把内容解构。

专业创作者是直接到输出那一层，但普通或者没那么专业的创作者，可能从第 1 步就很难走到这一步。

这里的专业，是指他对 prompt 有一套自己的规则，会写 prompt，或者在自己的领域里已经深思熟虑，知道这些东西应该怎么写。

在没有门槛的 C 端用户里，目前 Agent 有很大优势。

如果是 Pro 用户，我们现在也会发现它是友好的。因为最本质的一点是，没有人希望创作是一个复杂的过程。

简单对于所有创作者来说都是易用、普适的需求。在简单面前，没有专业和不专业之分，大家都是创作者。

但在功能上，专业创作者可能需要更细的调节，有更多自己的主观意识，把这些能力做好就行。

所以我们一直希望，刚才提到的产品架构，在架构能力上是简单的，同时能满足很多专业用户的深入需求。越专业，需求就越细。

越细，就代表功能越来越多。

你刚才说 Seedance 刚出来时焦虑，后来发现它也是宣传语里的一百分，所以没那么焦虑了吗？

我觉得它本质上不是一个能吃掉所有环节的模型，就仍然有我们可以做的部分。

而且做视频生成相关的东西越久，我越觉得，这件事不会被完全吃掉，一定会是百花齐放的状态。不是说模型，而是产品层。

它的标准无法统一，不是零或一的绝对正确和绝对错误，而是相对正确和相对错误、相对美和相对不美。

相对性的东西，人的 benchmark 就不一样。

但软件层面不是很容易 winners take all 吗？Seedance 2.0 出现之后，你的战略有调整吗？

我们现在的定位是最好用的 AI 创作工具，简单易用。

最开始，我们用“一句话”表达简单易用；现在则是直接把简单易用这件事情摆出来。

怎么证明你是最简单易用的 AI 动画工具？

它能够从零到一产出一个有信息量、真正有信息量的交付物。

能产生交付物，谁都可以做到；但能够产出一个有人消费、有信息量的交付物，不是所有人都能做到。

什么叫“有人消费”？

就是有人愿意看，或者能看进去。它有信息量，是真的有人看你生产出来的视频。

现在有很多人为 Seedance 付费。你觉得为 Seedance 付费的人，和为你们付费的人，在画像上有什么区别？

谁在为 Seedance 付费？肯定都是内容创作者。

在画像上，我们肯定是一个子集，但这个子集重视的东西不一样。

比如同样是 Seedance 2.0，在我们这里，第 1 是抽卡概率更低，可以并发地产生想要的分镜。

因为你们做了模型优化。

对，效率更高。他不用懂那么专业的 prompt，就能快速做比较专业的分镜视频，所以会选择我们。

但如果他要一个一个地产生镜头，就会选择 Seedance。

比如你要做一个小兔子回家的故事，但不知道怎么表达，也想不好每个镜头，Seedance 就用不了。

对。

但用我们就可以，这就是区别。

还有一部分人有剧本。我们可以从任何一个环节进去：你有人设，我可以帮你编故事；你有剧本，我可以帮你做人设。

所以从任何制作环节进去，都可以继续往下走。

Seedance 只是最后一个环节：人设已经做好，故事也已经构思好，每个镜头都知道怎么做。

所以相对成型的制作团队，最后一步用 Seedance 生成视频，最后是一个大路口。

你们前面有 7 条通道，因为拆分了 7 个角色。

对。在 Agent 里，从任何一个通道进去，都可以把每条路走通，最后到达生成视频的环节。

Seedance 必须把每条路都走完，准备好一个系统性的 prompt。

回到我们刚才说的，现在视频 Agent 越来越多。先排除那些只想挣一波快钱就走的，它是红海竞争吗？

我觉得还没有充分到红海。

大家可能都在做，各个方向都在做，但要用户自己尝试，才能试出区别。对用户的要求会比较高，需要付出很多辨别成本。

你有什么 guidance 给普通用户？如何快速分辨哪个产品是好产品？

没有办法快，没有办法快速分辨，得试。

很多东西不能道听途说。

你怎么定义套壳产品？

在模型之上没有任何东西，这就是纯套壳。

从用户角度，用这个 Agent，和直接去模型端口没有任何区别。

显然你们不是，因为你们在模型之上还做了很多工作。

对，做了超级多工作。

比如 Manus 爆火时，很多人说它是套壳产品，其实不是。Manus 很典型，在一些长场景里，用起来会比模型本身强很多。

怎么观察这个产品是不是纯套壳，以及它的厚度？

得试一遍。

带有长时间序列的东西，对厚度要求很高。比如语言模型输出一份法律文件，文件很长，阅读它时就有时间序列。

时间序列越长，代表它需要的约束力越强，或者发散性越强。故事也是这样，越长的故事越难做。

但如果一个 Agent 能把故事做好，就非常有优势。

我的理解是，语言模型现在也能做一些 task，Agent 做的也是 task，但每个 task 能够被拆分的工作流长短有差异。

越长的工作流，就是你刚才说的时间序列越长。这个过程中，模型能够把工作流覆盖到多大的颗粒度？

理论上，它的颗粒度一定比做得好的 Agent 团队更粗，因为好的 Agent 可以不断压缩工作流环节和完成度的颗粒度，直到它变成一个可以交付的、完整的东西。

对。模型到可交付物这一层，在很多行业里都还没有达标。哪怕 coding 这么强，它也不是一个真正可以交付的东西。

离真正可交付的那一层还非常远。

而视频比这一层还多一个维度：只要标准答案不是唯一的，就非常难做。

想象一只小狗走在海滩边，每个人想象的画面都不一样，很难收敛和约束。

它越难，越需要有更好的产品来做好这一层。所以 Agent 在视频领域的可发挥性非常大。

它和现在粗放地认为语言能力能把 coding 吃掉、Agent 能把作品吃掉，是完全两种逻辑。

C 端的变化，对你的战略发生了什么改变？

目前的改变是，因为成本相对较高，我们要做 Pro C 和小 B 用户。

因为他们有持续、自然滚动起来的商业需求，能够注重成本，在商业社会里循环起来。这个确实是改变，因为模型成本上升了。

其次，除了工具，我们可能还会想，在内容领域有没有什么更好的自循环方式。

在专业用户的体验层面，你比 Seedance 2.0 强在哪里？

团队协作的组织模式没有变，但每个组织模式下使用的工具变了。

这对我来说是短期现象，因为 AI 能做到的事情远不止这些。如果生产组织模式不变，我觉得 AI 就太弱了。

它能不能改变生产组织？

对。比如两三个人就能很好地完成原来十几个人的工作，而且不损失专业度，我觉得是可以的。

对于商业组织来说，它会更有动力切换，因为可以帮助它降本。

无论是时间成本、人力成本，还是算力成本，都可以降低。

人力成本方面，第 1 是不需要太多培训成本；第 2 是我们是一个 team 在帮你做事情，你只需要有一个总控。

时间成本方面，我们可以并发生成。其他产品几乎都是一个镜头接一个镜头，单线推进。

对。

我们可以并发生成。会员并发席位最高是 40 个，也就是一下子可以生成 40 个镜头，修改成功的概率就会高很多。

提到这一点，会有很多很神奇的现象。学生赶作业时会用我们，马上到截止时间了，就赶紧先做一个片子出来。

那也代表你的产品好用、能用，可以快速生成。

对。

刚才提到人力成本降低、时间成本降低、算力成本降低。

算力成本是指，我们抽卡的概率比较低。

为什么能做到抽卡概率比较低？

因为我们对每个镜头 prompt 的标准比较严格。我们会判断剧情比较缓和时应该怎么出 prompt，剧情比较激烈时应该怎么出 prompt。

用户不用学习这些东西，就节省了很大的时间和成本。

现在最大的一个成本，就是算力抽卡。虽然每次价格比较低，但员工可能抽不出来，抽七八次之后，就可能被下岗。

但用你们的产品，可能就不会下岗。

对，因为这个行业有一个专业工作叫抽卡师。

抽卡师真的有什么能力吗？就是 prompt 水平的高低？

粗放地可以这样理解，但它也需要对模型的不确定性有所了解。

prompt 写得很好，但模型可能这时候降智，或者出现其他问题，这不是人能 100% 控制的。

抽卡不需要 100% 控制，只需要把概率控制到一个程度。所有东西都是概率学。

我们解决 60%，概率就会降低。

比如同样一个作品，用其他工具可能要抽六七次，用我们可能两次就能解决，对用户来说就是成本降低。

但从做模型的角度看，它一定希望各种产品消耗更多 token，所以可能会想办法消灭“抽两次就能完成”的情况。

同样一个用户交互行为，一个消耗更多 token，一个只消耗三分之一，从做模型的生意角度看，后者是不划算的。

如果只做生意，听起来可能是这样。但从事情的本质来说，它必须解决这个问题。

就像做商品一样，质量越差，替代概率越高。难道我就做最差的质量吗？肯定还是要往好的质量做。

好的质量代表用户可能几年才换一次，而且不一定选择我，但还是要做好的质量。

更往后是一个终局问题。做应用的创业者都会说，基于模型之上还有很多体验优化的工作，这就是应用市场。

模型不可能吃掉所有东西，否则大家也不用做应用创业。

如果这条思路是对的，是不是可以推导出，未来基模公司更理想的生态不应该瞄着 To C，至少应该从 Pro C、小 B、大 B 去做？

我觉得不是，这是短暂的、不得已的状态。

你看字节，难道不愿意做 C 吗？当然愿意。但它的成本也很高。

Seedance 现在这么贵，真的挣钱吗？也不一定。它付出的成本肯定很高。

成本一高，C 端就没办法最开始循环起来，它一定会滑向 To B，滑向稍微专业一点的人，因为它有较高成本，还需要挣钱，还是要在 B 端把正循环跑起来。

AI 产品在 C 端不太好跑，一个很大的原因就是推理成本太高。

哪怕是语言模型，豆包都开始收费了，为什么？作为一个做过这么多 To C 爆款产品的公司，在 To C 产品上收费是不可想象的。但这说明，即便大如字节，也不能完全无视成本，因为免费实在太贵。

它还没有到推理成本完全可以被无视的阶段。

在视频领域会更明显。

以前人们觉得拍视频成本很高，所以会用 AI。但现在 AI 成本甚至可能比拍视频还贵。

以前一个自媒体人买一台单反相机，或者买一个 Insta360，花几千块钱，这个设备可以重复使用，是有限成本。

对，是有限成本。

有限成本里，我知道自己有犯错的空间，可以慢慢把事情做得越来越好。生成不是这样，生成一次就是一次，是无限成本。

它像一个无底洞。

对。所以现在大家很流行晒账单，看看 AI 投入账单是多少。

而且在投入范围内，不能保证一定能做出爆款，真的像在赌。

所以目前你们存在的必要性，就是可以帮大家提升确定性。

对。

你们前几天，6 月 10 日发布了 2.0 版本，里面新增了两个功能：一个是拉片、复刻。

我理解，拉片复刻本质上是所有创作的原理。所有创作最开始学习时，都是从致敬和模仿优秀作品开始，所以拉片复刻其实是模仿能力的再现。

对。它加大了你生成出来的概率，也加大了你的热情。

因为你至少有反馈。

对。

第 2 个是 skills。

对。Skills 就是功能。

比如你做访谈类内容，可能想模仿一些访谈的语言方式和技巧。你只要投喂大概 5 个特别好的视频，它就会自动生成一个“访谈类 skill”。

用这个 skill 就可以做自己的东西。它有点类似模板，但又没有模板那么固定，有那个味道。

你可以生成一些 AI 类的、两个人对谈的内容，也可以采访一些你采访不到的人，比如虚拟人物，还可以做一些广告片。

你理解的 skills 是什么？

我把它在视频领域里稍微说得狭隘一点。

第 1 个，我希望这种模仿能变成一个模板化的东西，而这个模板化的东西能让我持续输出自己想表达的内容。

但这听起来各个平台都有动力去做，对吗？

对，但做法可能不一样。

Skill 就是刚才说的模型之上的那一层黑盒。

为什么它是黑盒，不会被抄走？

比如刚才提到拉片，某种程度上也有点黑盒。

为什么？拉片不就是逐帧看吗？

1 秒 24 帧，或者 1 秒 30 帧，不可能真的逐帧看。

第 2 个，你到底在看什么？是在看镜头语言、场景里有什么，还是在看它表达什么？

如果真的逐帧看，就不会有表达的东西，因为它是静态的。所以它一定不是逐帧看，而是一个镜头一个镜头地看。

但一个镜头到底应该怎么切，是人规定的；切完之后怎么理解内容，也是人规定的。

这又回到刚才讲的：在一个相对感性和主观的东西里，寻找可以被客观描述的规律。

对。

你刚才讲了一个特别好的例子。你做过剪映特效、抖音特效。抖音特效既是情绪的、感性的，同时又有一些规律。能具体讲讲其中是什么吗？

一个好的特效，首先要用人为方式定义美和不美。

同样是变漫画，快手可能有自己的做法，跟我们做出来的也不一样。这代表我们要对人的面部构造进行非常细微的调整，再让模型训练。

这个事情非常细节。我们当时光做一个特效，就花了 3 个月训练。

3 个月。

对，这些都是人定义出来的。

包括怎么把一个东西推爆。推爆这件事情，一定是在你的信息流里反复看到，然后你才会好奇，为什么大家都在看。

第 1 次刷到时，可能你也不是明星，也不是你认识的人，就划掉了。

对。多推荐几个，你就会好奇，为什么大家都在用，最后你可能也会用。

给你的可能性和给他的可能性也许不一样。给你推的时候，如果你的标签显示你对明星感兴趣，我们就会推你喜欢的明星在用的东西，你大概率就会用了。

但其他人不一定对明星感兴趣。比如爸爸妈妈，他们怎么用？可能是因为周边朋友在玩。

也就是说，是一些社交关系。我们会推一些没有那么珍贵的社交关系，但你大概率也会有。

所以中间除了算法，还有很多底层的东西。

我看你们现在选的是 ACG 行业，拆分下来是动画、短漫剧和游戏。听起来好像是 3 个最有动力拥抱 AI 生成工具的行业，同时这 3 个行业本来也很赚钱。

动画可能不怎么赚钱。

但听说动画原来做一套很贵。

对，成本是低了，但赚钱的人很少。

动画行业原来人力很密集，行业本身很辛苦，我也挺苦。现在虽然把生产力释放出来了，但生产成本对普通人来说还是高。

这是我自己的一个推想：对大厂来说，训练模型的过程会烧很多钱，它肯定迫切要商业化。所以行业里低垂的果子，肯定会优先被大厂摘掉，最有钱的行业也一定会优先被它们做掉。

但是不是也有机会创造新的产业和新的价值环节？

这恰恰是创业公司的机会。

中间这一层会有很多小的组合，现在还没有变得那么确定。

比如原来动画的大产业链里，有人做建模，他能不能独立做一些东西？现在有这个趋势，但这个趋势就像病毒一样，还没有扩散到很大的程度。

它一定会发生组织形态的变化，一定会从人力密集型行业，变成小组织单位的合作模式。

这也是为什么我们想切自媒体人群和短漫剧人群。

短漫剧过去半年或者 1 年，还是人力密集型行业，但我们判断它一定会变成非人力密集型行业。

人力密集型只是一个短暂的成本优势，并没有那么特别明显，而且还不能把内容做成精品。

所以我们当时判断，大量短漫剧公司可能会有很多人离职，流动性会比较高。他们具备一定能力之后，会组成小单位。

现在也是这个趋势。

对。所以我们会服务这群小 B。

还有一群人是 C Pro，也就是想用更小的单位做自媒体的人。做剧和做自媒体是两种逻辑，我们认为更大的空间在自媒体。

因为做剧的形态，比如红果，它就是一条剧的产业链。在这种模式下，很难容纳很多 PGC 和 UGC，它已经是一个剧，很难再往下走。

更大的场子可能是抖音、小红书、B 站，这些是更大的场子，也可以容纳更多内容。

剧这个形态本身头部效应非常明显，可能只有前 5% 的人在赚钱。其他 95% 的人如果不赚钱，就一定会转到更大的池子里，选择适合自己的内容形态生存下来，这就是自媒体方向。

我觉得你其实是从底层倒推的。先推断整个生产形式会如何演变，中间会有一些价值被浓缩、放大成超级个体或者小单位组织。

那些溢出的个体也要想办法在社会中产生自己的价值，所以会成为你所谓的、打引号的自媒体画像，也会很有动力使用你的工具。

对。

你觉得视频 Agent 接下来的进化路径会是什么？

我依然觉得，每个 Agent 可能都有一个主打方向：讲笑话、讲故事、做 MV，它们用到的东西不一样。

每个团队对某一种内容的理解，都会有一定偏向性，这就会成为主打方向，形成差异化，有明显风格和优势。

接下来 2 到 3 年，视频 Agent 有没有大的、可预见的发展方向？

先看语言模型。语言模型里 coding 是一个方向，也会有一些专业 Agent 出现。

视频领域里的 Agent，可能也会有解说类的垂类，比如少儿、医疗，这是一个切法。

另一种切法是视频表现力，比如短平快的段子类，或者稍微有深度的内容。信息量不同，切法也不同。

所以我觉得视频反而可能更多元。

你觉得做 Agent 层的公司和做基模的公司是什么关系？

伙伴关系，是组团打仗的关系，也是分成关系。

还是竞对关系？

至少不是竞对关系。

基模肯定不可或缺，所有人都需要积木。积木越好，对 Agent 一定越好。但和别人的差异化肯定也是有的，可能有 40% 左右的差异化。

你也在基模创业公司待过。

我觉得在基模创业公司里，至少在之前相当长的一段时间，大家不认为基模有边界。

我觉得边界很难画。如果推演逻辑对，基模能够吃掉所有 Agent，那我们就不做了，因为没有意义。

我们做，是因为判断自己有机会，至少短期内没有看到被完全吃掉的可能性。一定是互相借力、生长的过程，而且刚刚开始。

多模态比语言模型落后 1 到 2 代。如果大家预言成功，基模真的吃掉了应用，那我觉得我们没有做的必要。

我们不会为了证明自己有价值而强行制造价值。有价值才做，没有价值就承认没有价值，不做了。

你为什么不能特别自信？今天录的是一个未来会公开的内容，为什么不能非常笃定地说，基模吃不掉应用 Agent 的价值层？

其实我想表达的就是它吃不掉，否则我们现在没有意义做这件事。

那你为什么这么保守？

这不是保守，是客观。

为什么这么克制？

因为很多事情的判断不是 100% 的，它有一定概率发生变化，有突变，也有很多迭代的可能性。

如果是 100% 的东西，那是固执，不是在赌。但我也不固执、不赌，我只是在推演。

你认为它不会吃掉，大概有 70% 到 80% 的可能性。

对。

但今天创业市场上产品那么多、团队那么多、噪声那么多，往往是把话说到 120 分的人才能获得正向激励，而不是像你这样，克制、严谨地把所有可能性都说一遍。

我觉得不是。因为大家说话说得太满，人会疲惫。

“狼来了”说得太多，可能大家就真的不相信了。所以这时候反而最缺的是客观、真实的话，大家才愿意听。

Seedance 2.0 出现之后，它有什么是真正能让你们这些创业公司学习的，或者对你们有启发的部分？

就是把东西做细。

我们都知道数据重要，但具体到底重要在哪里，以及怎么执行这个重要性，Seedance 做到了。

这些执行其实非常细碎、非常无聊，需要人去堆很多脏活、累活。一点都不炫，也不科幻，就是老老实实、扎扎实实把该做的做了。

我觉得 AI 创业里非常缺乏细节：真正知道什么叫重要的细节，并且踏踏实实、老老实实做脏活累活的人。

但这里有一个残酷现实：如果做的是扎实的细节苦工，创业公司面对大厂，岂不是没有赢的空间？

不是。创业公司有自己的苦工和自己的细节，可能不是刚才说的数据标注，而是模型上层的细节。

我们要挑出哪些是模型上层的细节，然后扎扎实实做好算法细节和工程细节。

对吗？

对。

你之前做过一个比喻：做 Agent 的团队就像一家餐馆，组织厨师，把食材加工成客户能尝到的美味；做基模的，就是食材批发商或者大型商超。

对食材的把控、选择和调味，都是你刚才说的细节和工程。

对。

当然这里有一个问题：大厂有模型层，也可以有更好的 C 端产品层。C 端产品层可能跟模型结合得更好，打造出更好的产品。

是这样。在大厂里，如果它重视模型本身，模型一定是一个独立结构；产品层也是一个独立结构，而且产品层是多样的。

对我们而言，其实没有太大区别。

如果说有区别，可能是大厂的部门墙更厚。当然字节的部门墙，至少我们在的时候没有那么厚，也可能会有一些资源推动。

但这代表大家的起跑线其实近似，没有太大差别。

也就是说，对大厂的产品团队来说，跟你们的起跑线近似？

对。

如果我们的团队又小又精，没有那么多组织桎梏和纠葛，反而会更轻松、更快，这可能是优势。

我认同。

今天你们做一个完全独立的 Agent 公司，在选择模型这件事上，有利益上的绑定吗？大厂多少会有利益纠葛，肯定优先消耗自己的模型。

对，这也是他们的桎梏。

那你们呢？

没有。我们就客观挑选在这个场景下最适用的模型，除非它不让中国用。

但我觉得，这个打引号的“客观”也很难做到，因为有很多不同的定义。

对。有从用户体验出发的，有从销售团队的角度觉得算账最好。

这个客观取决于团队的判断。但我们有一些更客观的方法：比如语言模型在 plan 层和执行层，就按照我们的场景跑 100 个案例，每个场景跑 100 遍，看哪个执行得最准确，我们就用哪个。

这又回到刚才说的，在你的团队里，数据先行和人的重要性是并行存在的。

是的。

你经历过这两个团队。

对。

你刚才讲视频模型的战争没有结束，国内至少有两三家玩家。那视频 Agent 的战场，是因为 Seedance 而结束，还是因为 Seedance 才刚刚开始？

我觉得才刚刚开始。

因为 Agent 代表的是：如何理解视频，怎么用好最好的模型，在哪个环节用什么模型。Agent 就是理解如何最好地用好模型。

做不同交付物时，选用的是最优解。

我觉得才刚刚开始。视频模型也是在 Sora 2 和 Seedance 出现之后，才开始真正做出一些让人能看、或者有长时间消费力的内容。

如果今天画一个时间戳，视频模型处于“可用、接近好用，但还没有真正好用”的状态，你认同吗？

认同。

那在模型还没有 ready 的情况下先做 Agent，会不会过早？因为我们说下场时机很重要。

说实话，我觉得确实有点早。但我现在不觉得这个早是不好的，因为可以积累。

在这个过程中，模型迭代非常快。我们不知道什么时候它会变好，只要在一段时间里差不多就行。

但你是不是要追到一个恰好的点？

我觉得追不到。

但在这个时间段里，等它真的有用、真的能够爆发出实力时，我们已经有积累，知道什么是好、什么是不好，知道和别人的差距在哪里、别人和我们的差距在哪里，这很重要。

所以一定是在那个时间段里。但它是不是早？我觉得是早了一点。

早有早的好。如果选择一个 perfect timing，你觉得应该什么时候下场？

我觉得当时就应该下场。我现在依然没有觉得再往后是正确的时间。

因为 Agent 类产品一多，你就没有太多空间去发声，让别人低成本、快速地知道你。

永远第 1 个出现的人，会被更多人记住。

对。虽然可能早了，但至少被人记住了，而且在那个时间点，大家也体会到了 Agent 的效果。

你现在通过什么方式去侦查模型厂商的动向？

第 1 是看它们的动向是否满足当前不足的地方。这些不足，创作者肯定知道。如果某个不足的共性很强，也很重要，那它一定会成为模型厂商的方向，几乎可以确定这是它必做的事情。

其次，可能会有一些同学去了解他们最近在做什么。当然他们也可能不会告诉你，但可以聊一聊。

怎么避免自己躺在大厂的车辙上，被碾过去？

我一直不觉得我们在车辙下面，我一直觉得大家是坐在车上的，我们不是竞争关系。

没在字节待过的人，很容易有这个判断。

但我在字节待过，也了解字节的很多做法。它一定是大厂，一定有自己的惯性，当然也会改革，但能做什么、不能做什么，哪些能做好、哪些做不好，我是一个比较理性的人，知道自己能在其中发挥什么作用。

你觉得字节能做好什么，不能做好什么？

我觉得它能做好基模。

凭什么觉得字节做不好应用？

我没觉得它做不好应用，但我觉得应用一定有重点。

我一直强调，视频模型上的应用是百花齐放，不是一家独大。

你觉得自己能做好的重点是什么？

那一定是对它利益最大的方向。

什么是对它利益最大的方向？

我不知道。现在它所有项目都在尝试：看到 Sora 好，就尝试 Sora 2；看到短漫剧好，就做短漫剧；觉得特效好，就做特效；觉得广告好，就做广告。

它一定会多方面探索，但每个项目的资源就会分散。

对我们来说，我可能只做一个方向。也许我的判断是，这个方向能养活我们，或者让我们发展起来，那我就做这个。

大厂可能是多个团队并发做很多事情，但它是尝试心态。尝试心态代表着，它选中的人和做这件事的意志没有那么高，它只是试试。

所以在这个方向上，反而没有差别，甚至可能有劣势。

我觉得今天做 Agent 应用这一层，很像游牧民族作战。

大厂肯定每个方向都去打探，最终资源也是有限的，一定会做取舍，确定战略和聚焦方向。

在前期试探、不确定的过程中，Agent 就像游牧民族，可以靠山吃山、靠草吃草。

你会判断一个时机；等大厂确定下来，你还是可以灵活地在市场上寻找价值空间，甚至重新定义生产方式和价值。

对。

尤其是字节，它一定会留下利益最大化的东西。在没有太多确定性的时候，它的耐心非常有限。

它的判断标准对创业公司有价值，但对字节未必有价值。

比如在字节，几千万 DAU 的产品很多，但在字节内部，它真的有价值吗？可能没有。但对创业公司来说，几千万 DAU 一定有价值。

所以作为创业公司，先让自己具备独立性，有自己的立身之本就可以。

我没有那么大的妄想，非要超过大厂。我只需要有独立的用户群体能够自己跑起来。

我们也要做海外，海外更需要独立性。哪怕有几万个用户，我有自己的独立性，能正向跑起来，就代表这家创业公司不差。

一家创业公司失去独立性，就很容易被消灭。

如果模型持续涨价怎么办？

这里需要先问一个问题：模型有没有意图持续涨价？持续涨价对它有什么好处？

有一种情况，是某一款或几款模型出现断代式领先。比如 coding 领域，Anthropic 现在收费很贵，在一个窗口期内收费比较高。

后来又出现了其他竞争对手，比如 Codex 现在也很强，局面又不同了。

对。所以在领先优势窗口内，它有动力涨价。

我觉得还取决于这家公司本身的愿景。如果在视频领域，是中国大厂，就要看这个大厂的愿景是否纯粹。

如果只是为了利益最大化，涨价确实可能带来最大利益，那它就会涨。

但如果涨价导致更多人赚不到钱，它就是不可持续的，也就涨不了。

我的判断是涨不了，因为这会导致更多人赚不到钱。现在大家的利润，即便是短剧这么强，利润也没有很高。

站在字节角度，它一定会想一种更好的生态方式，把这个盘子的利益最大化。也许降价反而能让它获得最大利益，因为用的人更多。

如果它立身之本是 To B，不做 To C，涨价能扩大自身利益，同时让更多人赚到钱，那它就可以涨价。

对。但在视频里显然可能不是这样。也许它涨价之后，会有更多人失业，更多人赚不到钱，它已经把价值空间压缩了。

如果一家公司的核心是生态繁荣，比如抖音已经做出来了，它在抖音里推动 AI 的繁荣，就需要把 UGC 的创作力释放得更大，那它必然要降价。

你一定要相信自己是一个很精明的公司。如果涨价不伤害绝大部分人的利益，它一定会涨；但它不涨，就代表这可能已经是最优解。

你们 Agent 调度的国内模型有哪些？

可灵、Seedance、Vidu、海螺。海螺现在少一些，大概主要是这几家。

你觉得现在海量视频 Agent 的出现，到底是需求爆发，还是资本催生？

我觉得是一种妄想。

这个妄想是指，大家都以为这里面有利可图，但实际上未必真有利益可图？

对。以前很多中转站也会包装成 Agent，概念听起来好听，本质上还是中转站。现在 Agent 变成了一个热点标题。

对。你作为一个正儿八经做 Agent 的公司，把自己从那些模仿者和同类中拔出来，其实还挺难。

是的，很难，也有很多解释成本。

不是所有用户都理解，这也是一个过程。我不急于说自己有多好，只是希望大家真正使用之后，觉得好就留下来继续用。

我觉得投资人今天真的能够分辨吗？

那怎么办？就会出现很多奇怪的投资。

投资人可能也会看团队背景，很难判断。

你觉得目前市面上正儿八经做视频 Agent 的公司分为哪几类？

我觉得没有类，甚至可能就几家，也许两三家。

为什么？

因为它很难，真的很难。

你可以看到，它需要过去的经验，也需要对现在已有技术保持开放性的学习。

11. 谦逊成为稀缺能力

你觉得移动互联网时代，你是最顶级的产品经理吗？

我觉得不是。最顶级也不要这么说，我是一个学徒。

好谦虚。

这不是谦虚，是事实。

这是女性创业者的特征吗？

我觉得不是。

不是吗？

自信是有概率的。

你觉得一个移动互联网时代、在顶级大厂待过的学徒，有机会成为 AI 时代的顶级产品经理吗？

我从来没有把这个当成目标。

我不想成为一个什么顶级产品经理，我只想做出一个让大家觉得还比较 respect 的产品，就可以了。

为什么不把“顶级”当成目标？

我不想给自己加什么标签。我一定会做产品本身，让这个产品可以被人记住，或者让人觉得“还不错”就可以了。

但这不代表做完这个产品，我就是一个顶级产品经理。我从来没想过这件事。

如果要让你的作品成为 AI 时代顶级的作品，理想状态下，它应该长什么样？

我现在很难想象它长什么样。

我说一个，很抽象，但你可以阶段性地思考一下。

那就妄想一下。我觉得它可能会实现，也可能不会实现。

我觉得最好的状态是，它不是手机，也不是眼镜。我希望做到的是，内容在里面真正产生交互。

它有点像模拟一个世界，它的视听语言通过神经传导。只要在大脑里产生一些刺激信号，因为人的所有五官感知都是这些信号产生的，那你能干扰这些信号，才是比较本质的。

它一定是在最本质的感官上做一些改变，可能会产生一些有意思的内容交互。

这不就是真正意义上的元宇宙？

可能吧。视听语言可能是神经，再加上一些其他的东西。

我觉得你很极端：要不就非常务实、保守、克制，要不一下就非常科幻、非常终局。

我觉得这种终局虽然看起来无迹可寻，但一定有迹可循。它反而没有那么不现实，更本质，也可能达到。

你不想定义 AI 时代顶级产品经理长什么样吗？这个人的能力画像会是什么样？

如果是此时此刻，他一定要对新知识保持好奇。

其次，他要敢于挑战一些新的东西，但一定是基于现在的基础去挑战。

第 3 个，可能是这个行业本身的局限性。你要做多模态，肯定需要有感性的审美标准，还要能把审美展开成机器或者代码可以理解的理性语言，这很难。

还有一点，我觉得现在 AI 时代真的非常稀缺，就是谦逊。

谦逊代表着你愿意学习，知道自己还不够好，能够看到别人的好，也能看到自己的不足，然后去学习。

如果缺乏这个东西，你会觉得自己完全没有错，或者自己就是最好的。这不是自信，可能会导致盲目，而盲目会让学习能力变弱，学习能力弱的成本反而更大。

而且谦逊其实是一种勇气。愿意承认自己的不足，对一个人而言不是自卑，反而是一种非常自信的表现。

因为我不害怕袒露自己的错误和不足，这其实是一种勇气。