OiiOii创始人揭秘视频大模型竞争：生态与工程重构打败纯技术

OiiOii创始人揭秘视频大模型竞争：生态与工程重构打败纯技术 视频大模型已陷入生成质量、延迟与成本的“不可能三角”，中国凭借短视频生态与精细数据工程确立壁垒，而能将感性视听语言理性结构化的长序列Agent仅剩两三家真实玩家。 节目中，曾历经腾讯微信、字节剪映及阶跃星辰的 OiiOii 创始人闹闹，深度拆解了视频大模型与 Agent 的竞争本质。她指出中国团队凭借深厚的短视频生态与精细化标注工程在视频模型赛道建立起壁垒，并详细分析了当前视频模型在交付能力、推理成本与局部编辑上的局限。针对应用层落地，闹闹分享了 OiiOii 模拟剧组工作流、采用动态模型路由与并发生成的实战经验，强调真正的视频 Agent 护城河在于把感性审美转化为理性的工程规则以承接长序列任务，并直言当前市场充斥套壳泡沫，行业真正严肃深耕的玩家仅有两三家。 中国视频大模型（如字节 Seedance、快手可灵）之所以能领跑全球，核心并非单纯的算法突破，而是依托短视频巨头十余年的图形图像算法底蕴、能将外包标注质量从 30 分推升至 80-90 分的组织工程体系，以及全球最庞大的视频应用生态土壤。 (25:00) 视频生成交互正全面淘汰“首尾帧”方案并转向“多参考图（多参）推演”范式，但行业仍受制于生成效果、生成时间与推理成本的“不可能三角”；短期内降低推理成本与发展画面局部精细编辑能力，是视频模型走向规模化商业闭环的核心战役。 (30:00) OiiOii 通过模拟真实剧组的 7 个协同 Agent 与底层数十个模型的动态路由组合，将行业平均 6-7 次的“抽卡”试错压缩至 2 次左右，并提供最高 40 个镜头的并发生成，助力两三人的小团队替代传统十几个人的影视制作组织。 (70:00) 面对基模演进，视频 Agent 在处理长序列（Long-Time-Sequence）复杂叙事任务上仍具备 30%-40% 的独立价值空间，其核心壁垒在于将感性的影视视听语法结构化为可复用的确定性规则（Skills），而全行业严肃研发此类高厚度 Agent 的团队目前仅两三家。 (85:00)

OiiOii 创始人闹闹指出，当前视频生成模型仅是升级版技术底座而非终端交付品；视频 Agent 的核心壁垒在于将感性的视听语言解构为理性的长序列工程工作流，并为专业创作者解决高成本与低确定性问题。 底层模型交付落差与短视频大厂护城河 (0:00) 尽管外界宣发常将模型能力描述为满分，但实际落地交付中部分模型仅达 30 分，头部模型也仅在 70 至 80 分区间。闹闹认为，底层视频大模型属于算力、吞吐与数据标注标准要求极高的重工业领域，初创公司若依赖第三方外包标注，质量往往停留在低位，因此该赛道并非初创团队的合适战场。以字节跳动和快手为代表的平台之所以在全球领跑，在于其过去通过短视频特效和剪辑工具长期积累了计算机视觉底蕴，并拥有自研的闭环数据标注体系。 相比之下，流媒体播放与视频创作存在本质鸿沟，缺乏原生短视频生态承载的模型难以形成飞轮效应。此外，当前视频生成仍受制于生成效果、生成时间与推理成本的“不可能三角”。由于 Diffusion 架构天生具备发散性，目前用户若对局部不满意往往需要全盘重新生成，未来的商业破局点将高度依赖局部可控编辑能力的成熟。 从首尾帧演进到长序列 Agent 壁垒 (18:31) 在视频交互范式上，早期行业多依赖严格限定起始与结束画面的“首尾帧”机制，该方式虽便于控制运动范围但严重限制动态推演；随着模型能力演进，基于核心元素（角色、道具、场景、风格）的多参考图搭配文本描述，促使 OiiOii 全面转向多参和文本推演架构。闹闹预测，文本 Prompt 调视频仍属过渡形态，未来更自然的路径是类似画布圈选修改的直接视觉交互。 面对底层模型迭代可能吞噬应用层的担忧，闹闹界定真正的 Agent 绝非简单的 API 套壳，其核心价值在于处理发散性被成倍放大的长序列（Long Sequence）工作流。普通用户无法稳定撰写长达数千字的机位、景别和光影等专业 Prompt，Agent 团队通过模拟真实剧组角色、解构分镜与自动化工程编排，能够将粗颗粒度的长流程转化为高确定性的指令，从而降低整体抽卡失败率。 聚焦 Pro C 降本与感性审美的理性工程化 (70:00) 随着调用费用上升，免费策略退潮导致价格敏感的泛大众用户流失，具备商业造血能力的 Pro C（专业创作者）和小 B（小型企业）成为核心客群。闹闹指出，AI 视频工具若无法改变生产组织关系便缺乏实质价值，因此产品必须在人力（总控导演模式）、时间（支持最高 40 个镜头并发渲染）以及算力抽卡（通过结构化 Prompt 将成片抽卡次数由 6-7 次降至 2 次以内）三个维度实现绝对降本。 这类工具的深层门槛在于“将感性审美翻译为理性代码”。代码与自然语言属于显性、结构化符号，易于建立客观 Benchmark，而运镜技巧、氛围烘托与情绪表达则千差万别且主观私人化。针对此特性，系统通过拆解影视创作规律与镜头语言（如避免单调的长镜头炫技，转而强化正反打与空间视角调度），将视听规范封装为可调用的内容技能，以确保非科班创作者稳定输出高确定性画面。 大厂与创业公司的生态博弈及终局设想 (95:00) 在生态位上，闹闹将基模厂商比作食材批发商，Agent 团队则是主厨，两者并非直接竞争关系。针对大厂的潜在挤压，大厂资源丰富但倾向于广谱并发尝试，且内部考核对 DAU 的容忍阈值极高；初创团队则采用“游牧民族策略”，通过深耕数十万垂直专业用户实现独立造血。在定价层面，除非出现断代式技术垄断，基模厂商若单边涨价将压垮本就微利的下游生态，降低门槛、盘活全平台内容供给才是平台型大厂追求利益最大化的商业逻辑。 对于 AI 时代的终极内容形态，闹闹提出了超越屏幕与智能眼镜的设想：由于人类感官本质上是大脑接收到的电刺激信号，究极的内容产品应能直接在神经层面传导视听语言与刺激信号，在脑中直接模拟具交互感的世界。在此演进过程中，AI 时代的复合型产品团队必须兼具对前沿技术的吸收力、跨越感性与理性的翻译能力，以及坦诚认知自身短板的谦逊心智。 视频模型赛道仍受制于成本与感性量化的双重约束。随着底层技术持续演进，Agent 赛道正从概念炒作分化为两极：缺乏工作流深度的套壳产品将被出清，而能够深入垂直题材、持续压缩生产成本并掌控长序列叙事确定性的微型团队方能构筑长期立身之本。

[3:00] 腾讯员工: 公司居然有一万多人了，未来恐怕没有上升空间了 [5:28] 闹闹: 50% 是反省，50% 是自信。 [28:13] 闹闹: 底层视频大模型根本不是初创公司该涉足的战场。 [35:00] 闹闹: 它在用理性的方法去做感性的事情，所以难度极大。 [35:00] 闹闹: 感性就像色带，远看泾渭分明，走近看每个像素点既有边界又没有边界，全混在一起。 [45:00] 闹闹: 让每个人都能生产一段属于自己的动画 [55:00] 闹闹: 播放视频与创作视频存在着本质鸿沟 [85:00] 闹闹: 我们就承认它没有价值，那就不做了 [85:00] 闹闹: 把细节做细 [85:00] 闹闹: 绝不是竞对关系

[0:00] 这个世间万物很多两个极端的东西你会发现它是一体只是我们在没发现它一体之前以为它是对立的你在腾讯吸收到的和在自己吸收到的两种主义对于本身它就是统一的但海量的视频agent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的力度是它非常强大的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100%有的人30分有的人7,80分但肯定没有100分为什么最后做出优秀的视频生成的模型其实是一些短视频平台比如说字节快手它是一个生态字节把这个生态先做到日夜里前了做视频的这类公司它是知道怎么去运用这些数据的看年初搜紧关注搜紧真的是一个好模型很可惜的是OponAI它没有运营好的生态C-Dance它基本上就是一个Solot2的升级版你想做AI时代的剪映吗Agent在视频这个领域的可发挥性是非常非常大哪怕强如Coding它也不是一个真正可以交付的东西我最爱的领寄产品经理了AI时代真的太兴趣了就是前军了请不吝点赞 订阅 转发 打赏支持明镜与点点栏目啊 要拍到脚吗?没事 我把裤子卷起来不用 不用 不用 你可以卷起来啊 你平时是什么样不是什么样这就是你平时的装扮啊 你看都没都没印 它是皱啊挺好的 欢迎娜娜 谢谢 跟我们的观众打个招呼吧哈喽哈喽我是OyeOye的创始人闹闹你是我的节目的第一个女嘉宾我特别特别欢迎很容易感谢你对因为是我期待已久的第一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我自己特别好奇因为我是一个一直以来都不认为自己可以创业的人我从小就不是很有自信后来我越长大越发现很多女性都不认为自己可以问他们一句你从什么时候开始觉得自己也可以的我感觉我不是特别典型的女生,我性格还比较中性一点。从小到大的一个过程,就有点像你好像不是在任何一个群体里头。然后在很小的时候,你会有一点不知道自己的定位,但实际上你会发现好处是他相对来说比较像观察者的视角。从小会有一种习惯是反思。然后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说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的概率更大吧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我还有过一次创业吧那个是很早了对10年前我是14年就创业了那个时候的创业是有一些冲动在里头的有那个热情有那个兴奋点然后也有你自己想做的事情三者加在一起那我就从你第一次的那个冲动开始了起你当时应该是在腾讯工作也没几年对对对三年吧在腾讯做产品是的我还是一直很想做跟内容相关的事情我当时看了一个班副山地电影节然后他是讲海外的一些做极限运动的团队的那个片子我觉得非常的触动然后我是一个从小爱挑战一些别人没做过这种事情的我说中国有这么多的爱好者然后又有很多的极限运动的这种顶尖的人为什么没有人给他们拍片子我就说我们就坐呗为什么去腾讯呢天时地利吧东大在广东还是比较top的所以就天然的去了逛一家然然生气的互联网大厂公司其实在我们那个时代互联网公司不是第一选择那伙的所有的第一选择应该是快销行业像联合立法呀还有png 宝洁才是第一选择那你为什么去互联网我就觉得这有前途啊哦还比较喜欢这些有逻辑啊数据啊然后这些东西啊还有用户体验啊因为你刚刚说你是 intj对对对就去了后来才发现这个行业其实比快销行业的成长速度要快太多了但你为什么在那边工作了大概三年多就有了听众说我想跟朋友们自己做一个那种社区这个是我后面的一个感受就是在那个时间点你家的一年做产品你就已经算是老病了不像是现在可能一个产品经理可能过三年他还是看起来好像还是一个junior对对对但在我们那个时代就已经非常的资深了为什么我觉得是因为那个时候的速度还是非常快的然后一年就会发生很大的变化在当时我还依稀记得我的功耗是在一万多我当时就哇我说腾心都一万多人了这么大家公司应该没有什么 [5:00] 空间了吧现在看一万多还是老员工对非常早期到了可以说是然后我们当时还特别羡慕比我们大两三届的这个产品然后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三年每一年是那种递进的学习状态吗我觉得不是 我觉得是碎片化的那三年时间一直在做沉淀和训练他有很深的提升吗?我觉得是种下了一个种子,但这些东西没有发芽所以时机的体制我觉得是没有的你后来创业的那种冲动会不会有一方面是你觉得在那个巨大的组织当中你只是伊克罗斯汀有在那个时代我就会看到我们的组长啊总监啊那种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的创业对对对但是把创业也想简单了我觉得第一次的那个冲动的兴奋感会更大一点我可能没有想过这件事情它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大大的那个过程你没有办法做合理的推演然后它那个大是有点虚幻的大就是幻想的大现在看起来就是一个瞎想我可以做的状态吗对就OEOE这次对对对这次很大的一个不一样是心里有底最坏是什么样 我大概能接受最坏是什么呀就是如果最坏最坏我们就可以自负盈亏啊把这个产品慢慢滚起来而且我也从小到大做过一些和别人竞争的东西知道这里头能做成和不做成的各个要素是什么在一个小的范围内的自负盈亏和慢慢把它做大那个路径是清晰的是可以接受的你说你从小就做过一些跟别人竞争的东西指的是什么小时候也也面对竞争了上学的时候也需要吗需要呀就是比如说你要有好的成绩对吧你就是需要和别人去竞争的当然我自己在上学过程中的竞争的反馈是非常正向的就是我得到过比较良性竞争的正反馈就是我的好朋友们都是我的竞争对手但是我们艺人是好朋友我觉得产品人是一个很有趣的画像我一直都会觉得产品人跟像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,没错。作品当中其实是由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。对,对,对。你之前不是有一句名言吗?你说你50%是反省,50%是自信。哦,自信和自信。这种世界观在你的就是想建造的产品当中会有什么样的体现吗?目前我稍稍会有一点点吧 我觉得在产品的领域里头我可能最开始进入到了一个很殿堂级的这种学校啊微信这边 你看到了最厉害的产品它是怎么把自己的产品价值观加接在自己的产品里头 你是见证了的但是你做不到我觉得很多年这个距离是非常远的要很长时间沉淀和阅历我觉得才能真正的建立它是比较稳定的刚才也提到了内容和产品我是非常认同它其实就是你的一个作品但区别就是内容的作品它是一次性的就是他发出去了就就结束了但产品它是个要迭代的过程它更像一个生命所以如果你要把自己的很多嗯感受或者是沉浸下来的这些东西要放在产品里头呈现出来非常难我到现在我觉得可能摸出来了一点点但还非常有限还在勾勒对嗯你的第一份工作在腾讯吗腾讯不是产品人的电堂那你觉得你当时在那边看到了最高级的东西是什么我觉得这个就是很难讲清楚啊因为现在你会回看很多这个张塔龙在网上流传的一些报道啊都没有我们在那个时间点他进行了一个八小时的产品的演讲在腾讯内部现在我不知道有没有录音啊对我来说震撼还是非常大的啊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就是在用人类外的视角在观察人类然后再做一个东西让人类使用然后他会把人性的很多善和很多弱点都会放在一个里头放大气会让它发酵再让它像一个园丁一样再把它修解有点这个感觉所以张晓龙是你心里当中的偶像吗我觉得至少产品上可能是吧如果现在有机会问他一些问题的话你最想问他什么问题我没有想问什么问题对我觉得什么东西都是要自己去亲自去做的那你第一次创业现在回望那个产品的话你会觉得那个产品里面有什么东西 [10:00] 好的是直到你这次创业依然想保留的有吗我觉得第一个是想赋予普通的人给予他们用内容来表达自己的机会这个在当时其实就是有的然后有个很神奇的点是虽然我们当时没有呈现但是后来在等于里头是呈现出来了好处是虽然不是自己但是会发现有更大的平台已经实现了你当初想要去实现的那些东西说明这个判断本身是没有太大的偏差的只是当时能力有限然后实际不对资源有限可能做的人不是我而已你刚刚讲的第一点让普通人也能拥有表达自己的权利为什么会对这件事情很痴迷我想想嗯可能感觉自己像是一个土壤性的人吧当你建一个什么东西的时候是别人建在你这个上面生根发芽发展光大他会比我自己去做那件事情得到的成就感会更大一点你之前聊到在腾讯做产品的这一段感悟吧就你当时用了一个词力量感是腾讯最早带给你的东西那力量感是什么东西可能听起来很悬或者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UI朝来的都会感觉到它细节里头会有些东西它就很翘中了你能不能体会到它用心你要相信你的用户是可以感受到这一点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其实它是一个系统但是实际上表现出来它是一个细节看到的很多很简单的界面如果要达到这种简洁的程度它的背后其实是非常的庞大的庞杂的以及在这个过程里头会经过很多的割舍的这个过程是一个化繁为简的过程啊所以它是一个系统但是表现出来的简单的它又是一个细节AI时代来了之后用上新的AI产品之后你能够体会到这种力量感吗让你一个产品人能够Wow的瞬间有哪些其实很少哦嗯反而很少感觉现在还属于一个呃就是在技术怎么转化成合理产品的这个过程你说模型真的强大吗我觉得就是大家感受到的宣传的力度是感觉他非常强大的但你真的去用他的时候很多东西是完成不了的其实他的嗯他的交付能力其实是很弱的这不就是为产品创造了很大的空间吗对 是的所以我觉得现在还处于比较前期的状态哪怕是有一些做到了这个东西它可能也是比较隐性的或者是在模型大迭代的这个过程里头它的那个细微的差别可能就会被相对来抹掉一些但并不代表说它没有价值你其实待了好几家大公司先是腾讯后来自己去创业创了6年失败了之后又进入了自己然后又去了一家大模型公司,借月星辰,也是去做一个二权相关的社区。不停的在几家大公司和创业公司做了产品之后,你有一个产品观迭代的过程吗?我觉得在自己的产品观迭代和在微信其实这两个有点像左右脑,它是非常不一样的。两个产品的价值观吧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一体之前以为它是对立的但其实它不是对立的对立本身它就是统一的怎么个意思呢比如说数据本身它是可以被解读的啊然后这个解读需要去通过你的观察和能力在可以迭代就是数据在验证你的判决决策的正确性啊但是在自己的时候可能也会有滥用数据去验证你的你的决策性的这这种现象出现什么叫滥用数据就明知道一个实验书就怎么才能是正的然后你就为了正而去做它那并不代表这个东西是真的长期是正的或者是长期是有益的那在那个环境里头它可能就被认为是正确的事情但如果这件事情放在另外一个环境可能它就不会被认为是一个正确的事情我相信你肯定把你在腾讯吸收到的和在自己吸收到的就是两种主义对融进自己的创业就有什么体现吗我对尤其是产品这个角色的要求还是比较高的因为产品它某种时候就是在观察用户所以它必须要有一种能够观察用户的视角或者是能力第二点是他对于很多数据还是比较敏感当然你太小了这个数据来说对你的这个作用其实是非常微乎其微的因为数据当它达到一个量级的时候他才知信啊当他过于小的时候可能会是有偏差的所以你知道数据在什么时间点或者什么时候 [15:00] 才是有效的对这些都是要比较敏感的因为你是在做一个内容型的产品所以你必须要对审美对感性的东西可以知道什么是好的或者是知道什么是不好的但是把这个好和不好它虽然是感性的但你也能通过一定的方式方法把它归类量化这个是难的按照你现在的产品的规模你需要多少个产品人我觉得差不多在五个左右就差不多怎么算出来呢因为产品它是这样的一个角色你必须要有一个比较擅长用户体验的产品有非常擅长模型的产品擅长模型的里头可能又要分成擅长语言模型的和擅长多模的再有比较擅长商业化的可能后面还是很需要有跟数据策略相关的综合下来就是五个人这五个里头因为在AI的产品的架构里头它必须要要求一个产品它可以有自己的多面性如果是在稍微大长一点环境下每一个产品它可能只需要负责它非常擅长的那一部分就可以了但实际上在AI的这个领域里头如果你不懂其他的它的对话成本会非常高所以必须要所有的人他要兼顾其他人的知识点和逻辑所以你会看到过去互联网产品的影子他也有现在AI Native这个新的环境下所需要的这个能力这两者是一个循序渐进迭代的过程这五个人五个角色是你从创业day one就拉齐的吗不是因为每个阶段你需要的人也是不一样的首先模型的人你是需要的在产品架构这一层面其实产品架构是一个听起来非常需但很重要的一个角色什么叫产品架构有点像是技术架构师这种角色你可能在Day1的时候你就得想清楚这个产品它在两个月三个月之后它可能会往哪个方向去发展然后你在两三个月之前你就要把这个feature这个模块就得预留好当然更大的就是你可能要长期知道它的节奏是什么样子的那在这个大的架构里头什么样的交互形态是完整统一的所有的东西可能他会用变种的方式堆在你的这个框架里头这个对于AI NITV的产品来说是非常重要但是稀缺的因为很多对模型非常了解的产品是非常年轻的他可能还未经历过很多产品的变化变化和迭代所以你会看到现在的很多产品其实他还是长得要差不多然后朝来朝去的嘛这也是一个很大的原因我不是一个专业的产品但我自己也用AI产品从一个商业观察者的角色来说我觉得今天的所有产品它都不定型原因是底层的技术还在不停的演进而且迭代速度非常快今天所有人都在说所有开发者或者是创业的或者是创业团队最怕的就是我过去两三个月的努力好不容易把一些feature做出来了然后模型下一次迭代之后就瞬间把我所有的努力全部都吃掉这是你说的就是判断它的路径方向以及什么节点要留什么对首先你看在AI的这个时代里它对模型非常了解的话天天上手的话它大概率是知道模型再往哪方面加强它是有一个相对来说比较明晰的方向的那在这个方向上哪些被它吃掉哪些不能吃掉你是可以做一些预判的能具象的说一下吧比如说最开始的时候早期的模型在Sora2出来之前其实会以首给争为主你感觉它好像也是正确的但实际上那会儿Vido它是第一次有了多参的概念就是多参考图你会发现这种模式在生产内容的时候非常的自然有点像产品的那个感觉就是我们在做一个内容的时候它的组成是什么样的元素比如说人物导致场景环境大概就是这几个东西它取决于你这个画面应该是什么了但在之前模型可能手为振多一点因为它的模型能力可能还未有那么强它只需要知道每个镜头的变化是什么但是呢在Sora2出来了之后你会发现多参这个判断是比较正确的因为它是一个它不是多参它是单参就是一个图加上很重文的描述对然后它并不代表那个图就是它的第一针它也可以是它的第一针它也可以不是但很大程度上它是在用描述和这个图本身的加合的一个能力去推演这个画面这也代表着你的模型它的想象力是足够丰富的因为我们会放播客我稍微给听众解释一下首尾帧其实就是你确定一段画面的第一帧和最后一帧让它推演出从第一帧到最后一帧是怎样的一个动态对某种程度是你界定了一个范围而且是非常严密的范围让这个图片动起来但是你刚才讲的多参就是我给到了一个视觉的参考同时有很多的语言描述加进去让它有了更多生动的想象的可能性我理解灵活 [20:00] 范围是在扩大的想象力是在变大的对是而且他也更符合一个创作者他去做的一个认知就是他可能脑子里是没有具体的画面的它需要你的模型去帮它脑补填满那个想象对对对然后但是它是由元素组成的我现在还不太肯定啊我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是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稍微去调整一些东西而不是用文字或者是语言在调整它 那用什么你比如说你在修图的时候我可能就画出来就行了应该是一个更视觉表达的交互方式或者说视觉直接交互对对是呃语言只是我们现在的水平可能先由语言来过渡这也是为什么我们后面把所有的手伪针的视频模型先淘汰掉了就只放了SOR2和部分为主这个决策是比较正确的然后后面看C-Dance它也是这样子的C-Dance它基本上就是一个SOR2的升级版我们所有之前的对模型的优化的这些PE的工作在C-Dance它是都是使用的PE的工作是值就是Data Prompt Engineer的优化对 C dance 都是适用的适用的因为它是底层是逻辑是一样的而且他比C-Dance更好的事他是多参吗就是是真正的有多种参考图啊然后再加上你的语言描述来做那个视频的能给听友跟观众解释一下什么是真正的多餐吗因为塑拉图他不是真正的多餐塑拉图他是一张参考图加上文字他还没有达到多张参考图加上文字那一张参考图它的可控性就会相对来说比较弱比如说这张图你只放了人那它的场景在多个镜头里头其实他是没有办法保证那个场景是一致性非常强的但是多餐的话他的可空性会强一点对于一个小白用户来说我传什么样的图片能够确保这个多餐的一致性和可空性是最强的目前侧下来的比如说人对吧很多人他传的是那个三式图啊然后多式图啊然后这种但实际上最好的就是一个稍微斜正面一点的照加上一个大头照就是你要保证他的人脸是比较明确的反而多位的这种参考图不一定能出来非常好的东西的原因是模型可能时候会误判你的多位是多个人所以它在一个镜头的时候可能会出现两个一模一样的人这种反而是一个失败的展示如果我要上传人的图片就是一个一些正面的就可以了对 斜正面加上一个大头可能就会保的相对来说比较好但是在你的描述词里头可能也要加一些正向和负向词比如说你是真人的再加一些负向词就是它不是动画的必须要有一些do and don'ts对对对然后就是正和负来约束然后再用图片来约束他三个约束条件下他大概率是成的但是这个也不保证啊多餐是不是意味着比如说我除了上传人物的对你可以上传环境你的道具包括风格现在的宝风格是不太好的比起sora2是稍微弱一些比如说你第一个镜头的风格是一个然后在C-Downs里它很难保对 因为他的我瞎猜啊就是他的真实数据太多了啊就是他的比比重太大了然后可能会有很多这种嗯画面风格性很强的这种它并没有视频原来的数据和参考然后数据也比较稀疏它在大量的稀疏的数据局里头就会被稀释掉这个可能跟每个模型背后的数据配方有关系非常有关系这就是为什么其实算法可能的方式方法都差不多但是数据是非常非常关键的对于每个模型而言数据都是不一样的这个问题我待会儿是准备跟你详细的讨论一下就是我最初的那个问题因为你做的是视频 agent你一定会要去判断视频模型的走向第一个论证是说 Sora 2 出现的时候你们就把原来手稳真的那个路线给去掉了那 Sora 2 之后世界范围内就是你有关注其他的哪一些模型这些模型有一些共同的走向或者是分歧的走向吗?有,你比如说有的模型比较2C的这种啊,它会走向那种像做特效的,但它的缺点就是它无法进行一个非常连续性的这个创作。还有的模型比如说像可灵,它其实是走这种专业仪式的,那它对于那种像科幻片呀,然后广告片呀。他表现的就会非常的细腻但是他对故事片反而没有那么的细腻的原因就是他的切镜反而做的比较弱一点这也跟他的数据和战略有关你比如说一个广告片他其实是需要每一个镜头要比较精美他并不需要一个叙事层面的那种技术什么叫叙事层面的技术就是我俩在这对话对吧他得有个正反打体现出来 [25:00] 两个人在对话和人物关系它是一个叙事结构在广告片里头可能它需要的只是一些特写镜头然后是一些预警它需要的是精美度它需要的是视觉的表现力所以它要的数据集就是不一样的那它出来的可能对于广告片对于科幻视觉视觉表达的东西会很好但是它C-Lens它的数据量可能首先是巨大的它的切近就和SR2一样SR2为什么当时那么火一个是音效同步一个是它的切近非常自然它的分镜的切分非常的自然的意思是指说它如何这么多年来人看电视关于习惯的预设对对对这个是很重要的但在SR2之前的很多模型它不是一个叙事的路径这个模型但是实际上Sora2这个还是挺厉害的就是它的完整性上会好很多Sora刚出来的时候那会儿我不知道大家有没有印象就是会有很多那种第一视角去跟随一个人跑啊什么像跟拍一样对对对其实讲故事的一个片子它不需要有那么多的长镜头在很多片子里头长镜头是炫技的一种方式但真正的趋势镜头它其实是复杂的它有很多的技巧在里头所以一味的追求一个视频非常的长这件事情是不make sense的C Dance他就这块会做的会更好一点为什么一味的追求这个镜头长是不make sense因为人的观影情况不是这样子我说说在表达一个故事D直是一个第三人的视角追着一个人的视角在拍摄他的东西它像一个纪录片嗯但他会很boring啊对但故事叙事他是有很多镜头来让你跌宕起伏的他有点像之前学的心理学一样就是可能在暗示你你比如说要表达一个黑帮老大他得要阴暗的什么俯视的才能感受了他的威慑性他的权威性他是一种暗示跟你刚刚说性理学相关对对对但是如果说你一味的去追求视频在某一个人上的联关性他没有什么叙事可言这个视频本身他没有信息量这个是你当时看到sora2就有的思考还是你现在回过去复盘当时就看到了因为它的切近非常的自然我觉得人它就像一个模型一样就是你不停的在内容这个层面上看的太多对很多趋势的爆款的东西你就能感觉到它能不能火其实就是你自己给自己投为了很多这方面的数据sora2出现之后就是当时在国内就很多人在寻找中国的sora一级市场就是会看很多多摩和视频的项目但是真正出手很少我觉得这是正确的你当时对这件事情怎么判断了我觉得视频模型就不是创业公司该做的事情因为它的吞吐量是巨大因为我在自己的工作过我们在视频创作这块的人力物力资源的投入量真是无法估计你没有找到真正的局部最有解的话你是很难去而且他又注视他又擅长那为什么他做不成他一定可以做成他又不缺资源创业公司第一你的数据是必须要买你光标注数据的人成千少万这套公司有那么多人吧?没有。然后成千上万的人要保持这些数据的标准是谁在制定。所有的人对标准的理解都要一致性。这是解决不了的。为什么?因为没有那么多人,以及你的标准是怎么制定出来的?因为不知道这个标准到底是什么再加上这些人如果不是你自己公司里头的人是外包的你没有办法保证所有的外包的水平都是很强的但在大公司首先它的标准是可以有自己之前的做过很多图形图像的这种算法我们是可以有原来的经验的哪怕经验最开始不准它在时间的过程里头是可以慢慢的准确起来的因为它有大量的数据量可以来告诉他什么样的是好和不好他就能把数据的标注的标准和标注本身能做到至少8-90分,但穿越公司只能做到30分。为什么现在国内最好的模型是C-Lens,接下来就是可林。因为快手在这方面也是很强的,甚至快手的很多视频理解的能力,他们的算法团队,至少在211年的时候也是不弱的,非常强。然后在视频理解这方面是很强的,甚至要强于,我觉得是强于当时的字节的。终生有的它是一定是在过去的一些积累或者是根基之上而形成的它确实有一定的护城河不能说是永久的但它有相当的壁垒对对对为什么是可林先冒头了我觉得很大的一个原因是视频模型它有两种可以做好的方式一种是在一个专业的数据领域里头比如说当时的海螺和也做了一些影视的东西可林他也做了一些影视的东西老头因为它的专业数据非常的好我觉得其实它可能最最开始一开始就是没有领域它就是一定要那个寂寞就是它没有对数据 [30:00] 的偏爱海量用户的基层是决定的它要做一个通用的大地索对它一定要做一个通用的但是通用在那个时间点可能还没有ready好进次而已回到你你开始的预判就从SORA2出现之后你当时对国内的分数科技MIMAX字节快手这些公司你对他们的判断是他们接下来的这个模型走向会是什么样的呢包括就是硅谷那几个SOTA的这个视频团队他们的走向会是什么样的呢模仿Sora2出一个跟它接近或者是比它好的在没有好的标的的时候学习最好的那样对对对所以我觉得这是比较 make sense 吧海外的其实还有谷歌的这些模型吧但你会发现视频的这个领域它有点中国领先不是说技术领先就代表视频领先视频这个领域它是一个生态我觉得之前在这块把这个生态先做到了最领先于世界的这个位置这个生态指的是内容是有趋势的那你会发现海外现在火的热点都是很多年前中国火过的然后这些东西都是在一个生态里头它不断的迭代出来的一些冒出来的东西这个生态中国是全世界领先的所以你要出一个视频的模型它一定要有一个生态的土壤才能把它发扬框大这就是为什么我觉得很可惜的是OpenAI他有了Sora 2但是他没有把它运好的生态但凡他可能先做API不做APP肯定也会好对但是确实它还是一个比较伟大的模型我觉得这里头可能中间还有一层叫数据领先为什么刚才说到视频的生态是非常关键的是因为它有大量的可用的数据然后这些数据在中国的很大的公司快手也好还是反正是做视频的这些公司吧他是知道怎么去运用这些数据的因为原来在他的推进系统里头他就有这些数据的运用的方式方法什么叫做可用的数据?对同样的一个视频,假设在不同的模型里头,你对它的解读到底是怎样子的?其实是不一样的。解读的不一样会造成你吐出来的效果是不一样的。这就是为什么大家做出来的模型是不一样的原因。举个简单的例子,同样的一个视频,他找了一些会3D建模的人。给它标注那它的标注里头的语言可能就又混了一些专业领域里头的语言那这些专业里头的语言代表着我在一个用户在输入的时候他可能会对这些专业的语言会有响应你这种专业的领域越来越多越来越细代表着我的响应就会越来越准和越来越细那也就代表着你的一个用户他输入一句话他拆解但凡这个理解的能力非常强以后他拆解下来的那个东西就会准确这就是刚才说到的数据标注的标准非常的关键那在中国这个生态首先数据量是不差的如果在一些公司里头它有很好的制度或者组织能力它能够把标注标准和标注这件事情能够高的执行效率非常高而且在不断的迭代和投入的话那它出来的结果一定会差海量数据标注这个事儿第一个是一个技术火第二个是一个组织能力的火对吗对 过去做的最好的毫无疑问就是这些视频大厂对 我觉得C-Dance C-Dance2.0在这方面的投入是非常非常大 惊人的其实它有没有新的我觉得有但它数据起到了非常关键性的作用这个和我之前刚刚采完的一期嘉宾Hydim的梅套它也是做视频模型的这跟它的判断是一致的对 我觉得数据量是其一怎么去运用数据这个可能更关键一点就比如说要筛显出来数据的所有级别对吧不是所有数据都带好数据的那你要出来一个好片子它怎么去分集然后每个集里头应该怎么拆这个是很重要的还是非常需要考人的我很好奇你自己就是没有去训过模型对吧那你是怎么figure out说在视频模型这个领域各家大厂到底是怎么做这只是我的猜测啊也可能不准啊但是因为我们在自己也待过了很长时间这段时间其实我们跟算法的沟通其实是很多的因为我们当时就做了很多AI算法的大爆款的东西就是知道大家是怎么做的然后对对原理是什么回到Sora 2之后的判断你认为会大概率是沿着Sora 2的路径这是基于agent的一些战略视频模型无非就是一个三角一个是效果一个是生成时间一个是生成成本这三个现在是一个trade off的一个过程我要效果好现在的推理的成本就很高时间就很长但是接下来首先在效果这个方面还有空间我们现在明显感觉到它还是在专业的人群里头或者是半专业的人群里头是有效的普通用户在真的做一个镜头的时候他用一句话其实是做不了那么好的有信息量的内容的在这里头它可能还会去在效果上做很大的迭代然后在生成成本上可能会要做一些编辑方向的迭代这也是我们的预测啊什么叫编辑方向的迭代就是我们现在要改一个东西可能就这个镜头的某一个地方换个东西但实际上它是做不到这一点的它可能要重新生成那这样子的话 [35:00] 新生成的成本是非常高的也就是代表着它的编辑的准确度和生成成本两个都意味着它没办法达到它的目标那肯定这块也是需要去做的方向这个是难的但是我相信他们肯定会在这方面做这个是我一直很好奇的一个问题为什么现在哪怕是出一张图我让它改局部细节都改掉因为它的原理就是它就是有很多幻觉在里头的模型它一定要先发散的先去做它小生力的那个部分跟语言模型一样语言模型现在不是在说Honey Stone吗它其实就是在约束边界到底在哪里但内容这个边界是很难界定的因为它没有标准答案多类别的拆分然后再做收敛也是前段时间我才知道无论多模态也好还是视频也好它底层用的都是那个diffusion的那个扩散的架构某种程度上有点像一个轮廓不停的用像素点去给它发散开来再去做收敛这个原理也让我觉得其实是不太可能做局部的修改对所以它要有用到一些传统的算法的东西然后它是可以的你觉得它是可以的我觉得未来是可以的没想到把它实现它就是一个明显的痛点那模型它必须要把它吃掉明白它只能去帮你去了解到你的意图是什么然后在很大程度上把那个约束力给它加上但它约束不到具体的某一个针你觉得Harness也会出现在多么合视频领域一定会的其实一层上我们的目标就跟口底一样你是要交付一个成品的我们现在初一的模型有多少真的专业的人很多时候用的时候就很头疼就是大家在行业自嗨。对。对。对。对。达到一个交付物可能达不到100%水平那怎么才能达到六七十分毕竟对对逼近或者是七八十分或者是把那个不确定性的东西的底线给它稍微提高到即格在一个可控范围对这个是应用和产品是可以达到的目前是这样子的对可能是模型占到三四十分然后我们到即格我稍微严格一点目前是这样对这应该是今天很多开发者也很好奇的一个问题你刚才讲的所有的判断都是一个判断判断没有被验证之前它只是一个猜想我觉得它是一个bet你有可能是赌对了有可能是赌错了其实这不是赌,它就是有个概率吗?其实这是一种观察和推演,推演和赌两回事,我觉得我很大程度上是不会轻易去赌的,大于50%概率吧,现在很多觉得过去的经验主义没有作用,我觉得是很有作用的,如果对这个行业本身发展路径,这个行业之前是怎么迭代过来,它的沉淀的那些方法也好完全无知的情况下这个模型是没有办法AI是没有办法服务好这个行业的很大一个程度上也是为什么现在Coding做的比较好的原因因为程序员是最懂的对因为他们就是最实际的这个需求方或者最懂的然后而且Coding它又是一个语言所以语言和语言本身它是胡同的然后它又是标准化的又是程序员自己在做所以他就可以做的非常你这个聊的非常好梅涛他说过一句话它可能是完全不同的路径就是因为语言本质它是一个被结构化的但无相视觉层面它其实是非常千差万别的所以它很难收敛很难对齐很难标准是的这也就是为什么很多人会在用多模去对比语言模型的时候我觉得不能直接这样对比就好像我们在说话的时候每一个字它是显性的而多模是一种表达它是一个很玄的的不是那么具体我们刚才提到了很多运进技巧这些东西去暗示它只是表达的一种手段而已所以它既是很虚的它又是有一些方法可以去成年的但它那个方法又和语言本身它不一样就是语言是太显性了它太直接了我觉得模型尤其是多姆他还没有办法去他还在一个过程中把那些方法可以去慢慢学到的过程中但是这些方法能不能把意义的点给传达出来他也是每个人感知是不一样的啊所以他其实是很多元的很多放的他在做一件人类的另一个大脑的事就是感性的这件事情啊他在用理性的方法去做感性的事情所以他其实难度是很大了对 而且我觉得再往后看他会带来另外一个问题所有可以被总结结构化的东西他都可以用一套benchmark去验证对或错好或坏但你说如果我们要模拟一个感性大脑因为每个人的感性是不同的不一样每个人的感受甚至都没有办法被量化的一个没有办法被量化的东西如何评估呢感性它是没有办法被量化的但是它又是有迹可循的就跟色带一样远处看的话它是哎分开的但你进去看每一个像素点它好像又有边节又没有边节了它是混在里头的所以感性的东西它是可以被解析 [40:00] 但是它的那个结构克力度粗一些对它的结构没有那么的一刀切所以可能每家应用公司每家这个视频模型公司的banchmark都是不一样是非常取决于人好像一个好电影绝大部分人比如说好电影绝大部分人是可以评价出来他是好的好的商业片会有一些共性比较容易总结出来吧对对对我觉得艺术片的好坏他就非常私人对对对那他也比较小众你会发现虽然他是感性但他有异性可循但他这个技能又很艺术就是他切的那个分类啊模块都可能有自己的那个标准在里头明白你最早有创业念头是从什么时候开始我们是八月成立的然后十月产品才出来然后最早创业念头可能是在四五月吧我刚才讲你整个一路的轨迹我觉得其实你有很多次在摇摆能够感受到这个人一直都有想要创业的影子但不停地又在各个公司之间穿梭我觉得我在第一段创业的时候积极地认识到创业并不是一件容易的事情然后我是很想做事的人然后并不代表很想做事的人做创业假设在一家大厂或者是有充分的资源和信任的话做事的人也是非常爽的嗯是的所以这个摇摆是来自于我自己非常享受的是一种在那个市里头充分宪政的那个过程我没有确定我是不是可以被这些事情cover住的时候而不受干扰这是我非常好奇的一个问题就是你怎么确定你自己应该是一个创业者而不是最佳高级打工人我在第一段创业完之后我给自己的第一意是我希望做一个高级打工人你后面也做到了呀对作为一个高级打工人他又了解上面的视角然后也有下面的视角我想学习这一部分因为我欠缺对所以我在这个过程里也会学习到一些你不要成为什么样的leader不要成为什么样的leader第一个是太我觉得自己太行的leader就是因为你会盲目然后听不到一些这个声音,这个声音可能是对事情是有好处的这种声音,然后第二种可能就是老好人。对,因为你要做一个leader,你一定要做事的。做事情它就会有各种利益与舍。当你尝试过了很多次,你会发现没有一个环境会让你有完全毫无顾忌的充分限制的时候。就你试变了大厂和创业公司。然后我对这个不抱有希望了,它非常取决于人和人之间的志向的一致性。而且在很长一段时间里这个志向的一致性是不会改变的我只有自己去创造一个这样的环节在自己的时候你已经做到剪音的负责人了我们看今天剪音其实也是被寄予厚望的理论上你应该是离你想做的事情非常近了已经在一个宇宙大厂里面负责一个最重要的业务其实也不完全是吧现在即便是剪音他自己做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在做AI那为什么会这样他还是会有自己的包袱因为他已经足够大服务以上数亿的人你得要照顾到他使用的那个大盘他的AI里头可能只是一个付出作用但如果我们想做一些和AI native的事情的话它可能就是一个新的东西我自己的做事方式和方法它也是一个不是一开始就特别大的东西我比较想做一件它可以从小去长大的它能够经历整个生命的周期的这种事情所以你想做AI时代的剪影吗我希望工具可以有更多的人来做在理想上我觉得剪影是达到了让普通人能够创造就是把门槛降低然后创作的这件事情从这个角度来讲是可以的想做的对 是的但是这件事情是不是只有工具才能实现如果不是工具的那一层去实现的话可能就不是剪影了就它不一定是剪影但是你想做一个就是在AI时代对它的理念某种程度上是共同的就是希望普通人他能够借助这个技术然后把自己的想要表达的东西表达出来这个是相同的你从解映离开其实是去了B站负责动画因为你自己喜欢动画对我从简介里开其实先在抖音这边做过一些事情但是它比较隐性就比如说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说对他们的激励我会有一些自己的思考在里头上我觉得激励有流量啊有名和例上的抖音它可能更多时候是在例和部分的名吧然后我觉得在情感上的这种激励也会相对来说比较弱一些什么样的激励叫做情感上的激励啊你有在什么产品当中看到过吗就是没有啊我觉得现在有一些风作的变现的激励方式就会导致你做内容初心会慢慢变调对会慢慢的偏向那一块偏向也没有关系但是你的内容本身就会往那个方向去做那你之前想要做的一些内容其实很难表达出来了所以我们当时就做了一个想打赏它如果我们能认为它是一个好内容且用户可以 [45:00] 给他买单那我觉得这个模式反而会更激励他去做更好的付费内容为什么就比那种打赏赞赏好呢打赏赞赏它只是一个计算单位嘛不是所有的打赏赞赏都需要真正付费的刚才也提到了就是投币啊这些东西的其实是好的这是一个精神上的激励这也是激励的一部分我是希望把两者结合因为我觉得精神激励和物质激励它可以是一体在庞大的数据集里头你做好那个策略的话然后对创作者而言对平台而言对消费者而言都是三赢的当时是很想做这些事情为什么你觉得这些大平台没有做好这件事我觉得也有在做吧但是我不知道现在是不是做好但是当时可能在做一些很粗放的东西吧如果你一开始就在一个大的平台做运营虽然还有一些资源但是它很难真的设身处地的作为一个创作者的视角去了解它到底需要的是什么很多细微的东西他可能因为没有这样的经历难去想得到我的意思是你觉得什么阻碍了大厂把这件事做好收益或者是如果是在字节里头它带来的收益是什么可能但其实这个东西也可以想得清楚其实它是可以触发更多的更好的内容的投稿率的让生态变得更好对对对然后它是有一个数据的推演逻辑的什么阻碍了做好这件事情也许现在已经做好了吧你怎么确定你day one要做什么样的事情这次创业我只知道我想做跟AI视频创作相关的事情这个是很确定的因为这么长久以来我对创作的热情是一直没有减的而且是愈发愈演愈烈但是视听语言是一个非常广泛的范围你们现在应该是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去切从动画动漫的角度去切因为它是在没有AI之前创作成本很高然后有了 AI 之后啪就打平了OEOE最早的定位就是让每个人都能够生产一段自己的动画对对是的但以后会不会有其他的变化我觉得可能会有但这个大的方向是不会变一块的话我觉得我对这个产品本身也有一些自己的想法也是比较显现出来比如说我们模拟一个真实的剧组在干活在龙虾之前大家没有这个体验的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其实很有趣的是这个agent让我感受到了我在和一群agent一起打工的感受很多不同的角色比如说了艺术总监在喝茶了编剧擦了擦擦的眼镜片了就有很多这种人格化的设计应该是拆分了七个工作的角色在一个工作流当中它最终带来的结果就是一个完全不懂动画的人凭着我的idea一步一步根据你不同的角色指导之后最终我可以生产出一段动画的短片大概是这么一个过程我希望这个也一直保持就是刚开始的时候我们不是有一点小火吗那是因为它生成还没有太大的成本会有很多反而是稍微专业一点的用户在用专业一点的用户对它的要求就会更高一点它要有很好的控制能力所以它要改 它要编辑我们就要加强它的自由编辑和修改的能力你刚刚有非常牵制的时候你们小伙了一下在产品还没有发布的时候就有10万人排队等你们的内策码为什么会出现这种现象级的现象我觉得这一头有50%是偶然然后可能就是比较幸运50%可能是做对的几件事情一个人从一句话做一个视频的能力还不具备当他有这个体验的时候就是一个aha moment包括我自己也是我是一个很喜欢看动画但我也没有什么特别好的创意的人然后我就做个梦可能就填进去他就可以出来你就觉得哇好神奇这是一个比较简单且很好玩对但他这个背后的推的逻辑是不简单的因为每一部他都需要很多的专业支持在里头然后第二点是因为那段时间他是免费的然后你会发现当你的目的不是赚钱的时候真的会有很多真正有趣的东西在里头对这个过程它就会造成有传播它就会有比如说有一个她是自己做OC的她只是绘画画绘画画其实到把它做成动画如果是在传统的这个行业里头是一个非常庞杂和需要很多人写作的一个过程但是她把她自己的OC放在里头就可以做一个很感人的故事把静态的漫画帧变成了一段动漫故事还有一个是非常普通的一个女生她在北京打工然后她的理想是拍摄一天Vlog她在北京打工那一天上班那一天但是她又不愿意出镜所以这个vlog他就一直没有拍,他就用"哦呦呦呦"做了他去上班,然后回家喂猫,就是很温馨的一天,我就觉得"哇,这个太好看了"。"。这就达到了我们刚才说到让普通人有想要表达的这种机会。但是,我要说但是,C-Dance出来之后,因为模型的费用相对来说成本比较高,那我们也不得不去收费,然后只要这个费用 [50:00] 高它的成本上去了之后那些UBC其实它就流失了原有用户的比例里面从UGC为主变成PGC为主因为会为工具花钱的还得是从这件事情能够获得收入的准专业用户对的没错那这件事情对我来讲就是有一点点的小失落对但它又不是完全的失落吧专业的人他也有专业的可以去让他去做好的那个路径但是由于这个成本的问题是很多有创意的东西没有被弄出来我是觉得有点遗憾你原来免费是基于怎么样的免费呢因为你原来要调用视频模型但视频模型当时非常便宜但是随着这个整个视频的模型也发展到一个相对成熟可用的状态其实慢慢格局也会出现他也会进行一些收费所以现在这个成本的压力测我觉得转向了做agent的做应用的这些公司对 是的你是去年11月产品正式上线的到现在其实也才7个月的时间这7个月当中你要面对一个变天就是模型使用的成本上涨对 怎么办呢我觉得模型成本上涨本身是正常的就是一个好的模型它在最开始的时候它的推理成本和它的训练成本本身就是高的这也毋庸置疑还有一个很大的原因是竞争比较激烈如果无底线的去自己去补贴可能大概率我们也补贴不起那么长时间然后第二是如果图好羊毛来的人他早晚是会因为好羊毛会走就是总会有比你羊毛低的地方因为模型厂就摆在那里所以我觉得这也不是一个非常好的策略又要去应对比较强的竞争又要把模型的成本给cover还有一个重大的事情就是在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个才是真正的核心竞争力然后这个东西而且是必须是黑核的它不能被别人就显现的超过去问几个投资人很关心的问题做一个上层基于模型上的应用你到底真的有什么人无我有的模型没有你能有的东西投资人为什么会有这个问题就是因为在语言模型上他是见证了这个被吃掉的状态但是呢我们刚才谈到了语言模型它和多模型其实是不一样的比如说我们现在做Agent会发现语言模型的偏重会越来越重你很大程度上的第一步就是要做 plan 要做理解一句话我要有很多拆解方式那我要把你这句话做整确的拆解那是语言模型不是说市面上所有的 plan 最好的模型在这个场景下是最好的而是说我们要在这个场景下要判断出来哪个对我们这个场景是最好的所以它又是一个版主吧做出来以后它要做执行那做执行的时候它在视频的整个链条里头可能会先做信息比如说剧本它可能一直在语言模型里头做然后哪个是写剧本比较好的模型这个都是要我们去做benchmark和自己去做的然后第二步要做设定你所有的角色也好场景也好风格也好还有道具也好我们要自动的帮你去做这些设定这是图片模型用哪个图片模型才能做出来你想要的效果可能也是不一样的然后每个语言模型它所需要写到的prompt的规则都不一样了比如说我们最好的视觉表达能力比较强的像MJ它有很多手绘的风格会非常好模型它没有办法吃掉一个很显著的MJ一直没有被吃掉你再怎么大的模型再体量多好的模型也没有把MJ吃掉但在这个里头MJ它有好的部分和不好的部分我们用其他的模型怎么才能给它做补充我举个例子它的风格保持会比较好但它的人物一致性保持会非常的差那我们怎么才能在里头保住那个人那我要用什么样的模型这些都是要走路由的代表着你的语言模型要做判断然后做判断以后你还要去写那个prompt对吧规则和其他模型都不一样每一个图片模型的试用它的 prompt 都是不一样的哪个模型是最好的你还得去测可能针对每一个路由底下做出来的语言模型的prompt output的那个都不一样做完这个设定之后才要去做一个很重要的工作就是分镜你在做这个视频和视频之间的那个切分的时候怎么才是看起来又有连续性然后但是它又有断点的那个度在哪里它也是语言模型你长的剧本和短的剧本不同的剧本的切分逻辑也不一样它是非常细节的这里头所有的每个环节再往下拆细节它要做到一个可交付物每个环节底下的那个benchmark都是最优解那它其实不是一个视频模型的问题它是一个链路上所有模型的综合模型的一个最优解的问题今天就是模型就有下几十个而且你还要不停的follow最新的模型所以它必须要有有三个角色在控制这个东西一个是叫模型产品一个是叫算法还有一个叫效果摄影师就是模型产品的话它对模型和逻辑和标准要非常的了解本身是他小大好然后第二个是像 [55:00] 摄影师就是他从视觉的角度要做大量的批测然后来告诉你什么这样的条件下然后能保住这些风格能做好这些风格本身然后算法的角度就是他要保证这个链路的稳定性和整个响应程度的稳定性这三个工总本身协同作用他才能做好这件事情大厂在这三个画像岗位上一定会投入更多的人他可能不取决于人的他取决于人的这个也是为什么会在大厂工作过才能有这个感知尤其特效它是一个很神奇的一个岗位吧在我做特效之前可能对于产品经理的认知就缺乏刚才说到那种就是对感性的视觉的东西怎么拆解成标准但特效它就是看这件事情然后我们当时在整个团队的建设上做了很多次的人才的定位它怎么才能对技术了解的同时又同时具备审美的能力你会发现在这个过程里头能做好这三者的人是极少的他不取决于人多那你怎么能保证你找到的是那些好的角色这就是为什么之前的经验是有用的你大概知道说他在面试的时候体现出来过去的一些什么样的能力大概率可以胜任这个角色我觉得在我非常在意和擅长的部分是我选人过去一年是视频领域是经历了一个大混战吗过去半年吧随着C-Dance的出现你觉得结束了视频模型层面我觉得没有结束几个玩家至少熬龙三个吧可林算一个国外啊我Google他们吧因为我还是比较判断视频模型是一个需要大厂实力它具备几个东西第一是大的资源然后大的组织能力和比如说OpenAI它有大的组织能力也有技术但是它不重要或者说它在面对更严峻的寂寞的战争当中它不得不先放弃骚扰如果说在大厂的领域里头它不是最先被放弃到的他就会有优势他只要被重视年初搜罗关停这件事情对你没有什么影响吗你怎么看这个事我说觉得很可惜他真的是一个好模型他虽然会有很多的缺点但我觉得他在视频领域里头是就很长时间没有竞争对手遥遥理解我觉得是战略的考虑吧就是有更强大的这个语言模型在做扣定的能力C-Dance 2.0出现的时候你觉得它跟Sora对比起来状态如何它在综合能力上是比较强在真人的表现力上是不如的因为你用C-Dance的真人它会有明显的AI感然后但Sora如果你做真人的话他其实有很长一段时间是不能做的但他能做的那一段时间你会发现非常薄就是你看不出来任何人爱的非常的真实第二个是风格的一致性布尔特的时候是可以有表现力的但在C-Dance它会变掉然后第三个就是人物一致性还是会有一些保不住的情况C-Dance但C-Dance的话音同步包括口型这些啊包括动作的流畅度这些肯定是遥遥理先的这些表现上的差异背后是技术上的差异还是数据上的差异可能都有但是还是数据会有干扰音效国外也有视频大厂比如说像YouTube国内的这个也有视频大厂比如说像腾讯啊 爱奇艺等等但最后做出非常棒的优秀的视频生成的模型其实是一些短视频平台公司比如说字节快手最好的这个视频生成模型出现在这些短视频平台是一个偶然吗?做过创作和没做过创作有很大的区别因为你做过创作就知道创作里头有很多跟AI结合的点比如说我们在做那个特效的时候有很多杆还有各种分割的技术AI的能力技术本身是涵盖在那个创作的层面的它不是在那个播放的层面 播放出来它是一个效果吧我觉得这个有很大关系因为这我们会看到现在很好的视频模型的人之前都是做过就是特效里头的那些AI lab他是做创作算法的比如说我们用干做那个变老人变小孩第一变漫画那我就在做呀只不过现在它变漫画变得更更快了而已啊然后用到的技术方案不一样而已但它还是图形图像技术包括像C-Dance的主力他原来也是就是做创作的也是AI lab的人啊然后你像可灵里头的那些核心的算法团队他也是原来by tech的人这些人原来都是做创作相关的算法的能力的人但是YouTube不是创作本身他是需要AI技术的他是需要算法这个是有很大关系的在这些大厂的舒适区内它只是进行了一个技术升级对 是啊 你像在当时做特效也好做简易也好它的核心对标的一个是工程团队然后还有一个就是算法团队然后这两个在快手里都有对标而且大家不想商家所以在视频模型这个领域里面就是算法非常的重要是重要的 算法的人才的画像很有可能也是从上一个时代的创作特效相关的算法人才演进而来 [60:00] 是的 包括产品也是一样 我不否认它有新的 但是它的方式方法和那个是有继承关系的 它不是一个突然出现的东西最近一段时间就是国内的这种视频agent是有一个井喷 这是我错觉吗 我觉得会非常多 但好的非常少 就是还是那个就是大家都在觉得这个赛道有利益可图都挤进来了 就有很多这种牛鬼蛇神啊 就是说自己一分钱不收 然后免费用cdance这种方式来骗钱分钱不收免费用C-Denis就是他不收钱但实际上他挂的不是C-Dance那他有利可图图的是什么呢劝一拨钱就走他不在他所说的C-Dance上挣钱但是他用其他的也可能会是收费的就是他把用户导到别的模式就是一个产业链上真的有利可图的时候有很多就奇奇怪怪的之前什么快乐码很多国内的公司他套个海外的壳然后说他在他那里可以用快乐码然后就骗一波钱好就但肯定没有100分 包括我们 因为他一旦是一个概率游戏他就有可能抽到他不满意的那个镜头吗这是很正常的所以C-Dance 2.0出来的时候你是什么反应我觉得是经历了一个有点焦虑但又比较平静的这段时间焦虑是因为最开始的时候他也是说是一句话可以生成视频吧然后看了很多宣传视频觉得好棒啊 完了但你会后来评定下来就会发现嗯他还是宣传本事他也不是一句话就能做出来的从各个平台上的投稿量你也能看得出来比如说小红书上在Cdown刚出来的时候托卷量是巨大的然后慢慢下来了是因为普通人就是用不了它还是受到Prom约束的一个模型它不是完全的自然语言这就是代表着哪怕强入Cdowns它还是相对的Cpro或者是B的人它的使用的标准还是高的强Prom约束的交互和自然语言交互的区别是什么样自然语言就是比如说就一段打斗我可能只会说你和他打一场或者是你和他打一场泳车就是这么简单的一句话你要是写一个比较详细的prompter就是按照打斗的什么视角几秒到几秒是什么视角可能会用一些专业的prompter来约束他的打斗的画面在几秒到几秒怎么描述我们自己出来的那个prompter每一个镜头可能都有上千字他才能把那个镜头给表现得很好这个就是区别但是我们为什么能做到这个是因为我们有agent在里头可以结构作为专业的创作者他是直接到输出那一层专业的创作者他可能从第一步就很难到这一步了这个专业是指说他对Prompt他有一套自己的规则或者是会写Prompt或者是他在自己的领域里头会相对来说已经深思熟悉写会的这些东西在没有门槛的西端用户来说目前为止Aident是有很大的优势的那如果是在Pro用户呢我们现在其实会发现它也是友好的是因为最本质的没有人希望我去这是最稳质的简单对于所有创作者都是易用的普世的需求就是一个普世需求在简单面前没有什么创作者是专业的和不专业之分他就是创作者但是在功能比如说对于专业的创作者而言他可能会需要有一些更细的调节的有他自己主观意识的东西那把这些能力做好就行了所以我们一直希望刚才提到的产品架构在架构能力上它是一个简单的很多专业用户的深入需求的会比较多越专业它就代表了越细那越细的话它就代表着功能越来越多你刚刚说C-Dance刚出来的时候你焦虑后来发现它也是一个宣传语的100分是不那么焦虑了吗我觉得它本质上不是一个可以吃掉所有环节的模型的时候就仍然有你可为的部分对而且做视频生存相关的东西越久就越觉得这个东西是不会被完全吃掉它一定会是一个百花期望的状态不是只模型啊但是产品层就跟刚才提到的那一样无法被统一的标准它不是零或一的绝对正确和绝对错误它是相对正确和相对错误或者相对美和相对不美如果是相对性的东西那人在里头的Banshmark就是不一样的但软件层面它不是很容易winners take all吗?Cdus 2.0出现之后你的战略有调整吗?我觉得我们现在的定位就是最好用的AI创作工具吧就是简单应用只不过在最开始的时候是用一句话来表达了简单应用 [65:00] 我们直接把简单应用这件事情摆出来怎么证明你是最简单应用的AI动画工具它能够从0到1的去产出一个有信息量真正有信息量的交付物我觉得这个是最重要的就是能够产生交付物这个是谁都可以做到的但是能够产出一个有消费的有信息量的交付物这个不是所有人能做到的什么叫有消费的有人愿意看的或者是他能看进去的他有信息量就是真的有人看你生产出来的视频对现在有很多人为西断斯付费你觉得为西断斯付费的那些人和为你们付费的人在画像上有什么区别吗都是谁在为Cinence付费啊?肯定都是那种创作者在画像上我觉得我们肯定是一个子集但这个子集重视的东西会不一样就比如说同样是C-DONS在我们这里第一是抽卡概率更低,可以并发的产生产生他想要的分镜因为你做了模型的优化对效率是更高的比如说他可以不用懂那么专业的prompt他能快速的做比较专业的分镜视频那他就会选择我吧但是你要一个一个去产生那个镜头他就会选择 sit down 比如说你要做一个小兔子回家的一个故事你也不知道怎么去表达这个故事你每个镜头你是想不好的对吧那你在 C-NAS 你就用不了但是你用我们就可以用得了这就是区别还有一部分人是他有剧本我们可以从任何一个环节进去比如说你有人设进去我就可以帮你这个人设编故事然后你有剧本进去我就可以帮你这个剧本做人设就是他从任何一个制作环节进去都可以但是C-Dance它只是最后的环节就是我人设已经弄好了故事已经好了每个镜头我都知道这就是为什么相对来说已经成型的制作团队然后他最后一步用C-Dance生成视频最后是一个大路口前面有七条通道因为你拆分了七个角色就七条通道在你的agent里面你从任何一个通道进去你都可以把每一条路都走通最后到达那个生成视频的环节C-Dance的话必须每一条路都走完了有一个非常系统的一个prompt它只是最后生成的那一下回到我们刚刚说现在视频Aident越来越多先排除那些只是想挣一波快钱就走它是一个红海竞争吗你觉得现在我觉得还没有充分到宏海的时候吧大家可能都在做各个方向都在做但需要用户自己去尝试了才能尝试出来它的区别对用户的要求比较高一点就需要很多的辨别成本对你有什么guidance给到普通用户吗如何快速的分辨出哪个产品是好产品没有办法快速没有办法快速就是得试都得试我觉得很多东西它就是不能道听途说你怎么定义套客产品没有完全在模型之上的东西这个就是纯套客从一个用户来说用了这个agent没有任何的区别但显然你们不是因为你们在模型之上还做了很多工作做了超级多工作比如说当时Mandas爆火的时候很多人说他是个套客Mandas也不是套客他其实不是套客Mandas是很典型的他在有一些场景里头其实用起来会比模型本身要强很多对我怎么观察这个产品是不是纯套壳啊以及它的薄厚我觉得就是得试一遍带有长时间序列的这种东西它对于厚度的要求是高的长时间试列比如说语言模型他在出交付录的时候一个法律文件对吧它是很长的你在阅读它的时候是有时间序列的这个时间序列越长代表了他所需要的约束力要么是越强的要么它的发散性是越强的比如说故事越长的故事它越难做但如果是有一个agent能把故事做好那它就非常有这个优势我对它的理解是语言模型现在也能做一些taskagent做的也是一个task但其实每个task它能够被拆分的工作流的长短是有差异的越长的工作流可能就是你刚才说的时间序列越长这个过程当中模型能够把这个工作流覆盖到多大的克力度理论上它的克力度一定是一个做得好的agent的团队的克力度要粗的因为好的agent就是可以把这个工作流缓解和这个完成度的克力度不停的去压缩直到它是一个可以交付的可以交付的很完整的体验对其实模型到可交付这一层在很多行业里头其实还是没有达标的哪怕是coding这么强的情况下它也不是一个真正可以交付的所以离真正可以交付的那一层还非常远。那视频呢,比这个层还多一个维度,它只要标准答案不是非常唯一的,它就非常难做。想象一个小狗坐在海滩边,其实十个人的想象都不一样,很难收敛和约束。就是它越来越难才有越来越好的产品能做好后这一层所以Agent在视频这个领域里头的可发挥性是非常非常大它和现在初放的认为能把coding吃掉的语言能力和能把这个这个所要表达的作品的能吃掉的这种Agent是完全两种逻辑的还是想知道Seed Dance有对你的战略发生什么样的改变吗目前的改变就是因为它的成本相对来说比较高 [70:00] 做Pro C和小B的用户因为它是有持续的可以自然的滚起来的注重成本的在商业社会里去循环的这一层这个是有感觉因为模型成本上升了对啊其次的话除工具外我们可能还会再想一些有没有什么在内容这个领域里头可以做更好的自循环的事情在专业用户的体验层面你比C-Dance 2.0强在哪儿团队协作的组织模式没有变但是它在每一个组织模式下使用的工具变了这个对我来说是短期的一个现象因为AI能做到的事情远不如此如果生产的组织模式没有变的话我觉得AI就太弱了它能不能做到改变生产组织对两三个人就能很好的做掉原来比如说十几个人的工作对而且它不是它的专业度我觉得是可以的而且这样对于一个商业体的组织来说它是更有动力切换你的因为你可以帮它降本对 是的无论是在时间成本在人力成本和你的算力成本上都三个成本降低我们在人力这一块降低的程度上能做到什么呢第一是你不需要太多的培训成本第二是我们是一个team在帮你做事情你只需要有一个总控其次在时间成本上我们能够并发的生成因为在其他的产品里头几乎都是一个镜头接一个镜头就是单线单线对对我们可以并发并发的意思就是说多个镜头你可以同时生成我们的会员并发的席位最高是在40个并发就是你一下子可以出来40个镜头然后你修改的概率就会高很多提到这一点我们会有很多很神奇的现象就是学生赶作业的时候用我们马上快到时间节点了然后赶紧先做一个片子出来那也就是代表着你的食产品好用能用对可以快速生成刚才提到了人力是降低的然后时间成本是降低的然后算力成本是降低的算力成本是指说我们的抽卡的概率是比较低的为什么会达到抽卡的概率比较低是因为我们对每一个镜头prompt的标准是比较严格的我们会判断你的剧情剧情是比较缓和的时候会怎么出prompt然后剧情比较激烈的时候是怎么出prompt就是你不用学这个是节省了很大的时间和成本的你会发现现在的最大的一个成本就是在算力抽卡上就是虽然他每一次的价格比较低但是他可能这个员工他就是不会抽然后抽个七八次他就可能会被下岗但是他用我们就可能不会下岗对因为这个行业有一个专业的工作叫抽卡师对抽卡师真的有什么能力吗就是prompt水平高低对吗粗放的可以这样子理解吧但是他也有一定的对模型的不确定性比如说你prompt写的很好但是模型可能这时候降至了或者干什么这个并不是人为100%能控制他不用100%控制他只需要控制到其实所有的都是概率性对就是我们解决他60%那他的概率就会低比如说我举个例子可能同样的一个作品他用其他的工具可能要抽卡个六七次但因为我们可能就两次就可以解决这个问题了对他来说就是一个成本降低了这个我有想个非常现实的商业问题从做基模的角度来讲他一定是希望各种产品最后能够消耗我更多的token所以他一定会想办法消灭掉那些所谓的只抽两次就能够完成这个效果了因为同样的一个用户交互的行为一个消耗掉我更多的token一个只消耗掉三分之一我从做寂寞的生意经的角度来讲是不划算的如果你只是做生意的话我觉得可能听起来是这样但是如果从事情的本质上来讲它是必须要去解决的问题就好像你做商品也一样你质量越差它的态换概率是越高的但难道我就做最坏的质量吗它肯定还是要往好的质量去做那好的质量代表着你可能几年才换一次然后也不一定选择我那对他来说有什么优势呢但他还是要做好的质量更往后的一个问题就是一个终局的问题做应用的创业者大家都会说基于模型之上有更多体验的优化的工作是存在的这就是整个应用的市场就是模型它必然不会吃掉所有的一切否则的话大家就不用做应用的创业了那如果这条思路是对的话我们是不是可以推导出就是未来基模的这些公司它更理想的生态是不应该秒着那个2C去做应该从至少是Pro C 小B 大B去做我觉得不是我觉得这是一个短暂的不得已你看字节来说他难道不愿意做C吗他当然要做C但是他的成本也很高你说C-Lens现在这么贵他真的挣钱吗也真的不一定是真的挣钱的他所要付出的成本肯定是高 [75:00] Hello. So it's just a high-end. It's not a high-end C. It's not possible to go back to the first time. It's definitely going to be a good-looking. Right. It's going to be a good-looking person. Because it has a high-end product, it needs to be paid. So it's still in the B. It's still going to be able to go back. And the AI product is not good for the very good-looking part. The main reason is that the推理 is the推理. It's a high-quality product. It's not even a good-looking. Right? You can see the dough包. Why? Because as a big-looking product, the two-c-s are not good for the whole-time product. It was a company in a two-step process. You're not able to imagine. But This is what shows the problem. Even if he is a big fan, he can't say he is completely useless. Because he is really not the same. He has no longer to the quality of the content, but in the video, it will be more clear. For example, if you have a video that shows you will use AI, But the amount of content is even more expensive than the video. Why? If you're a media person, you can buy a camera camera or an Insta, and spend a few thousand dollars. But the thing I can use for the same amount. That is the maximum amount. If you're a product, I'm probably a maximum amount. I know I have a lot of space. I can do it faster. The amount is gradually lower. But it's not a thing. It's a thing. It's a thing. It's a thing. It's a thing. It's a thing. It's a thing. It's a thing. So you guys are very popular to see it. AI's a ticket. How much is it? AI's a ticket. It's a ticket. It's a ticket. It's a ticket. So from the beginning, your existence has been a need for you to raise your确定性? 对 skills 就是功能 比如说你是做访谈类的 对吧 你可能要模仿一些 or the language of the language of the language. If you have 5-inch videos, you can see a good video. Then it will automatically give you a "content skill" to use the skill. Then you can use the skill to do your own. It becomes a little bit more than a model. It's more than a model than a model. It's like it's the flavor. You can use some AI-like, two-year-old people in the chat. Maybe you don't have any other people. For example, some虚拟 people. - You can do some advertising. - Yes. What skills are you going to do with the skills? I think in the video, I have a little bit of a bit. First, I hope that the modeling can become a kind of a kind of thing. And this is the way that I can keep the output of the content. But this is the way that the platform is very different, right? Yes, but the way that it is different. The first thing is that the first thing is a close-up. But the first thing is how to cut the camera? This is the rule of law. Then, after the law, you can understand the details. How to understand these details? It's the rule of law. This is the rule of law. In a relatively common and common thing, you can find some can be described by the law. Yes, you can talk a good example. You said you were doing a short term. The short term is a social and emotional. It is a common and common thing. It is also a common and common thing. Can you talk about this? It's a good feature, it's to use the way to make it. It's a very simple way to do the art. three months. These are all people who are ready to be ready. It's also about how to make a thing to show up. The thing to show up is that you can see in your channel. You can see it. You can see it. You can see it. [80:00] 对对第一次刷可能也不是个明星也不是个什么你认识的人你就滑掉了然后但是多推荐几个哎你就会好奇了为什么大家都在喊你可能就会用了给你的这个可能性和给他的可能性可能是不一样的然后给你推的时候可能你的标签里头对一些明星是比较感兴趣的那我们就会推一些你喜欢的明星在用你大概率就会用了给一些其他人用他不一定对明星感兴趣比如说爸爸妈妈用的很多的情况下是怎么用到的呢也就是说是一些社交关系,那我们可能会推一些没有那么珍贵的流量的社交关系,你也大概会用。所以它其实中间有很多除了算法之外有很多底层的东西我看你们现在选的是ACG这个行业这个行业拆分下来是动画短半剧和游戏听起来好像是三个动力最强去拥抱AI生成工具的行业同时这三个行业本来也非常赚钱是吧动画可能不怎么赚钱动画不赚钱但是听说动画原来做一套动画很贵对就是它成本是低了但是赚钱的人很少因为它原来人力很密集这个行业本身就挺苦的现在它虽然把生产力给释放了但是生产成本对于普通人而言是高的这个是我自己的一个推想我在想因为对于大厂来说它在训练模型的过程当中它会烧很多钱它肯定也迫切地要做商业化所以其实这个行业最低锤的大果子肯定是优先被大厂铺掉的比如说最有钱的行业一定会优先地被他们做掉创造一些新的产业新的价值环节这个其实恰恰是创业公司的机会我觉得是的就是中间这一层其实是会有很多小的组合它现在还没有变得那么的确定性 比如说之前东华的大的产业链里头会有比如说他特建某的他能不能独立的做一些东西还有这个趋势但那个趋势就像病毒一样就是他还没有浓烈到那么大他一定是一个刚才最早咱俩提到的组织形态他一定会发生变化一定是一个从人力密集型的行业变成一个小组织单位的合作模式来呈现这也是为什么我们想要去切自媒体的这群人和短半居的这群短半居过去半年或者一年吧但我们判断它一定会变成非人力密集型的行业因为人力密集型它就是一个短暂的成本又是没有那么特别明显的一个东西而且它还不能把内容做成精品所以我们当时就判断可能很多大量的人力的短板机公司可能会有很多人离职然后它的流动性会比较高然后他们具备有一定的能力的时候会组成小的单位现在也是这个趋势啊所以我们会服务于这群小币那种C Pro就是想让它更小的单位去做自媒体因为做剧的逻辑和做自媒体的逻辑是两种逻辑我们认为更大的空间是在做自媒体上为什么因为做剧的形态比如说红果对吧红果它就是一个剧的产业流这种模式这种模式下它很难在这个模式下去推很多PCC的和UGC的东西它已经是一个剧了它就很难往下走但是更大的场子可能是像抖音啊然后小红书啊然后像B站啊然后这些场子里其实是可以容纳的去这个形态本身它就是头部效应非常明显的就可能就是前5%的人在赚钱其他的95%的人当他不赚钱的时候他一定会转到一些更大的池子里头去选择适合自己的一种内容形态来生存下来那这个就是自媒体的这个方向我觉得其实你是从底层倒推的底层是先推断整个生产形式会如何的演变当中会有一些价值被浓缩放大成一些超级个体或者小单位组织他也要想办法在这个社会当中产生他自己的价值所以他会成为你所谓的打引号的自媒体的化校也会很有动力去使用你的工具是的那你觉得视频agent 接下来的进化如今会是什么样子的呢我依然觉得就是他可能每个agent会有一个主打的方向什么讲笑话的然后和讲故事的和做MV的他可能用到的东西是不一样的他可以凸显出来每个团队他对于某一种内容的理解一定是有偏向性的那个就会成为一个主打方向差异化 有明显的风格化明显的优势接下来两到三年视频agent有没有大的可以预见的发展方向首先我们先看语言模型语言模型口顶是一个方向这种Agent会出来那在视频领域里头他的agent呢可能也会有一些解说类的锤类比如说是舍儿类的哦然后或者是医疗类的这是一种切法还有一种切法是视频的表现力比如说短频快的这种段子类的然后还有稍微对深度的他的信息量带来 [85:00] 表示它的切法是不一样的所以我觉得视频它反而可能会更多元一些你觉得做agent层的这些公司和做基模的公司是什么关系是伙伴关系组团打仗的关系分层的关系还是进队关系我觉得至少不是境内关系如果agent模型肯定是不可回缺的所有人都需要寄模对如果寄模越好对agent一定是最好的但你跟别人的差异化一定也是有的可能40左右的差异化你也在寄模创业公司待过吗我觉得在寄模创业公司当中至少在之前相当长的一段时间大家是不认为寄模有边界的我觉得是这样了编辑很难化如果这个推演逻辑不对就是它能够吃掉所有维针那我们就不做了因为没有意义我们做是因为我们判断了我们有这个机会至少在短期内是没有看到完全被吃掉这种可能性的就一定是一个互相注意去生长的这个过程而且是刚刚开始了多么它比语言模型要落后一两代但是如果说大家的预言成功了它吃掉了那我觉得我们没有做的比较稀就是我们不会强硬的去说它确实有价值我们才会去做的 但它没有价值了 我们就承认它没有价值 那就不做了你为什么不能特别自信的 因为今天是在录一个未来会公开的东西 你为什么不能非常笃定的说 它吃不掉应用的A字的价值层其实我也想表达的就是它吃不掉否则我们现在没有意义在做这件事情那你为什么那么保守这不是保守这是这种客观吧为什么那么克制因为很多事情你的判断是不是百分百的它是有一定的几率是有变化的这是突变或者是很多事情它迭代的可能性在里头我不是想我觉得如果是一个百分百的东西它是固执它不是在堵但我也不固执我也不堵我只是在推演我认为它是不会的大概是会有百分之七八十的可能性但你不觉得今天这个创业市场上产品那么多团队那么多造声那么多往往是把话说到120分的人才能获得正向的激励说我要非常克制的非常严谨的把所有可能性都说一遍我觉得不是是因为大家说话说的都太满了人会皮就是狼来了说的太多了可能就真的没有相信那我觉得这时候反而最缺的是说一些客观的或者是相对来说比较真实的话吧可能大家才愿意去听一些Dance 2.0出现之后它到底有什么是真正能够让你们这些创业公司学习的部分吗或者对你们来说有启发的部分我觉得就是要把东西做戏你看Seed Downs 2.0,它很大程度上,因为我们都知道数据的重要性,对吧?都知道。但是具体到底重要在哪里?以及怎么去执行重要?他做到了嗯那这些执行它其实就是非常细碎的很非常无聊需要人在堆的很脏的很累的活它一点都不炫他也一点都不科幻他就是老老实实的扎扎实实的把该做的做了我觉得在AI的创业里头非常缺乏细节这些真的知道什么叫重要的细节且踏踏实实和老老实实的去做张国累活的人但这个当中有个非常残酷的现实如果是做扎实的细节苦工这件事情的话那创业公司面对大厂他就没有赢的空间不是不是广告一个公司它有自己的苦工和自己的细节它可能不是刚才说到那些数据层的标注的那些东西但有我们自己模型上层的那个东西哪些是细节的我们要挑出来然后扎扎实实去做算法的细节和工程的细节对 是的你之前做过一个比喻你们这些做agent的团队就很像一个餐馆组织厨师在净食材把这个东西加工成一个客户能够尝到的美味的东西就是食材的批发商或者说大型商超这个过程当中就是对食材的把控选择还有挑类都是你刚才说的细节和工程的东西对是的当然这里头会有一个问题就是大厂他有模型层对吧他也可以有更好的C端的产品层C端的产品层可能会跟模型层结合的更好然后达到出来一个更好的产品是这样子的在大厂里头如果他重视的是这个模型本身他一定是一个独立的经历的结构啊然后嗯它的产品层也是一个独立结构且它的产品层是多样的那对于我们来说也其实并没有什么那个区别我想有区别就是大厂的部门墙可能更厚当然是有部门墙啊像自己的部门墙相对至少我们在的时候没有那么厚啊他可能会有一些资源在推但是这代表着大家起跑线其实是几乎近似一致的它没有太大的就是说对于大厂的产品团队来说它跟你们的起跑线是近似一致的 [90:00] 对对是的反而如果我们的团队又小又精然后又没有很多的组织的智库纠葛对然后反而是一个更轻松和快速的反而是有没有事的这个我认同今天你们做一个完全独立的agent公司你在选择模型的这件事情上面你有就是利益的standing吗因为大厂他其实多多少少会有利益纠葛的比方说大厂肯定优先消耗自己的模型对是的这也是他们的质固对嗯你呢没有没有就真的客观的挑选在这个场合下最适用的那个模型就可以了除非它不让中国用是但我觉得这个打引号的客观也很难做到因为有很多种不同的定义好有从用户体验上好有从销售团队觉得说这个算账最好对吧这个客观就是取决于团队对它的判断是什么我们有一些更加客观的比如说语言模型在plan层和在执行层然后他就是按照我们的场景让他去跑隔100个案例哪个执行的准确在100个场景下每个场景下跑100遍哪个场景是最准确的我们就用哪个就好了这是比较客观的他不需要有人为的任何介入在里头这个又回到我们刚才讲的其实在你的团队当中数据先行和人的重要性其实是并行存在因为你经历过两个团队对对对是的你刚才讲视频模型的战争也没有结束因为国内你觉得至少有两到三家的玩家那视频Agent的战场是因为Sea Dance而结束还是因为Sea Dance才刚刚开始我觉得才刚刚开始因为Agent它代表着对于视频理解模型理解怎么才能用好最好的模型在哪个环节用什么样的模型Agent就是理解如何最好的用好模型你做不同的交付物的时候你选用的是最有解我觉得才刚刚开始就是视频模型才开始说能够做出来一些真正让人们能看的或者是能有长时间的消费力的这个内容我觉得在Sora2和C-Dance它才能看今天如果我们花一个时间戳视频模型是在一个可用接近好用但还没有真正好用的状态这个你认同吗认同那你在一个模型还没有ready的情况下先去做agent会不会过早因为我们说下场的时机很重要对我觉得现在判起来确实是有点早说实话我觉得是有点早但我现在不觉得这个早是不好的因为你会积累对在这个过程里头呢其实模型的迭代也是非常快的就是我们不知道什么时候就主要在一个时间段里它是差不多的就行但你是不是要追到一个恰好的那个底我觉得是追不到的但在这个时间段里到它真的有用真的能够爆发出来它自己的实力的那个时间段我们能够有积累然后知道什么东西是好和不好和别人的差距在哪里别人和我们的差距在哪里这个很重要所以它一定是在那个时间段里头的但它是不是早我觉得是早了点但在我早得好如果你选择一个perfect timing的话你觉得应该是什么时候下场做我觉得当时就应该下场了我现在依然没有觉得再往后是正确的时间因为agent-related产品然后只要一多你就没有太多空间去发声让别人那么低成本和快速的知道你永远第一个出现的人是会被更多人记住的对虽然它可能早了但是至少被人记住了而且在那个时间点大家也体会到了agent的效果效果你现在通过什么样的方式去侦查模型厂商的动向呢我觉得第一是对他们的这个动向也是要满足于现在不足的点嘛那这些不足的点一定创作者他们是肯定是知道的如果他的共性是比较强的且重要的话他的动向就是这个方向你几乎可以确定这是他必须做的方向对 是然后其次就是可能会有一些同学什么之类的可以去了解一下他们最近在做些什么当然也可能不会告诉你但是我觉得也可以去聊一聊怎么避免自己躺在大厂的车车上就是被碾过去吧怎么避免我一直不觉得我们是在车车下的我一直觉得大家是坐在车上的我们不是一个就不是竞争关系没在自己待过的我觉得会很容易有这个判断但因为我在自己待过也对自己的很多的做法和它一定是个大厂它一定会有自己的关系它当然它也自己会改革但是它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所以我知道我能在其中发挥的作用是什么你觉得自己能做好什么不能做好什么我觉得它能做好机模那凭什么觉得自己做不好应用呢我没觉得它做不好应用但我觉得应用的一定是有重点的我一直在强调应用在视频模型上是百花起放的它不是一家独大的你觉得自己 [95:00] 能做好的重点是什么那一定是对他利益最大的是什么我不知道呀现在所有的项目他在在尝试比如说他看到Sara好他也会尝试Sara2对吧然后他看到短版剧好他也会做短版剧的他觉得特效好他也会做特效的他觉得广告好他也会做广告的他一定会多方的去探索但是这种多方的探索每一个项目的资源就是分散的那对我们来讲就是竞争上没有什么优势我可能就做这一个方向也许我的判断就是这个方向上是能够养活我们自己或者是我们能够发展起来的那我就去做这个了大厂可能是多个团队并发在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些事情的意志没有那么高它只是试试就是没有差别甚至是有劣势的我觉得今天做Agent的应用这一层其实很像游牧民族作战今天大厂肯定是每个方向都去打探一下但最终它的资源也是有限的它一定会做出一些取舍一些战略确定的聚焦的方向在前期试探过程不确定的过程当中Agent就是游牧民族可以靠山吃山 靠草吃草你会判断一个时机当它确定下来你还是非常灵活的在市场上找价值空间甚至重新去定义一些生产方式和价值嗯对是的因为大厂他一定是尤其是自己是利益最大化的东西会留下来他对那种没有太多东西的时候其实耐心是非常有限的然后判断标准也可能对于创业公司他是有价值的他对于字节来而言都未必有价值你比如说在字节里头几千万DAU的这种产品是很多的但你说在自己里头真的有价值吗它是没有价值的但是一个创业公司它几千万DEO又有价值吗它一定是有价值的所以作为创业公司先让自己说有独立性可以有自己立身之本就可以了我没有那么大的妄想就是一定要超过大厂或者怎么样但我的独立性立在这里一定有独立的用户人群是可以run起来的然后我们也要做海外海外更需要独立性的这件事情哪怕有那么几万个用户我有自己的这个独立性我能正向的run起来那也代表着这家创业公司是不差的一个创业公司它失去了独立性就很容易被消灭掉如果模型持续涨价怎么办模型持续涨价 我觉得这里头需要问一个问题就是模型它有没有意图要持续涨价或者是持续涨价对它来说有什么好处 会有一种情况当模型出现了或者某几款模型出现了断代式的领先比如说我们都知道在Coding这个领域现在Aphropik就是收费很贵 对吧 至少在一个窗口阶段内它就是收费是比较高的当然后来又出现别的竞争对手 比如说Codex现在也很强局面又不同了在领先优势窗口内它就是有动力涨价我觉得得取决于这家公司本身的愿景如果在视频领域里头还是中国的大厂就看这个大厂的愿景是不是作弊了如果是纯作弊是不是真的涨价就能带来最大的利益化如果它的涨价会导致更多的人不赚钱那它是不可持续的它就涨不了那我的判断是它涨不了因为这会导致更多的人不赚钱因为现在大家的利润哪怕是强如短剧这种都没有很高这样在字节的角度他一定会想一个更好的生态方式把这个盘子里他的利益是最大化的也许降价反而是利润利益是最大化因为用的人反而会越多可能这个价格也许就会更好的如果说他列生之本就是要做2B 我就是不做2C了2P是因为它涨价会有自身力扩大的同时让更多人赚到了钱那我觉得他就可以涨价但在视频里头显然可能不是这样也许他涨价了就会有更多的人失业就会有更多的人赚不到很多的钱自己他已经把这个空间已经压缩了你的价值空间对如果再加上一个公司他本身可能会更看重的是一个生态本身的繁荣性比如说他已经做出来了像抖音然后他在抖音里头AI的这个繁荣性可能会需要更大放出来UCC的那个创作力那他必然是要降价的你一定要相信自己是一个很精明的公司对 它如果能长且不伤害绝大部分的利益它一定会长 但是它不长就代表着这可能已经是一个最优解了所以你agent 调度的国内的模型有哪些克林试炭试微度海螺 海螺现在少了对大概这三家吧主要你觉得现在海量的视频agent出现到底是需求爆发还是资本催生的?我觉得是一种妄想这个妄想是指说大家都以为这里头有利可图但实际上未必有真的利可图以前很多这种中转战案它会变成所谓的agent就是包装一个概念听得好听吗但它本质上还是一个中转战他们也在 [100:00] 做一些agent的尝试agent现在变成了一个热点标题对对对对你作为一个正儿八经做agent的公司把自己从那些模仿者同类当中就是拔出来摘出来其实还挺难的是挺难的是有很多解释成本对然后也不是所有的用户都理解吧它也是一个过程我也不急于说我有多好然后只是觉得大家真的使用上然后觉得好的你就留下来继续用就行了我觉得投资人们今天真的能够分辨说这是不能那怎么办 就会出现很多一些奇怪的投资然后但投资人可能也会看一些团队背景啊什么之类的吧很难判断吧你觉得目前市面上正儿八经做视频agent的氛围内积累我觉得没有累甚至可能就几家可能两三加九啊为什么因为它很难,它真的很难。你会可以看到,它需要有一定的过去的经验和对现在已有技术的开放性的学习。你觉得移动回往时代你是最顶级的产品经理吗?我觉得不是,我是一个最顶级的,也不是要最顶级的,我是一个学徒。好谦虚啊,这不是这是事实啊。这是女性串者的特征,我觉得。我不想成为一个什么顶级产品经理我只想做出来一个让大家还比较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有什么标签的东西那你肯定得思考这个问题你觉得AI时代顶级的产品长什么样我一定会做这个产品本身然后这个产品可以让人记住或者是让人觉得还不错就可以了但是不是代表我做完这个产品我就是一个顶级的产品经理我从来没想过这个事你觉得理想状态下它应该长什么样我现在很难想象它。我说一个很很抽象啊但是要你阶段性的思考不我觉得就是要要不就妄想一下那就是我觉得他可能会实现但也有可能不实现但是我觉得最好的一个状态是他不是手机他也不是演技我希望做到的是一个内容是它在里头是真正产生呃交后的它有点像模拟一个世界 世界 它的视听语言是通过神经在传导的 只要在大脑里头产生一些刺激信号 因为人的所有的五官感知都是这些信号产生的 那你能干扰到这些信号才比较本质 它一定是在这个最本质的感官上做一些改动 可能会产生一些内容的交互 会比较有意思 这不就是真正意义上的元宇宙对 可能吧 视听语言可能是神经再加上一些其他的可能就是我觉得非常哇你好极端啊要不就非常务实非常的保守克制要不就一下就已经非常科幻了非常终局了但我觉得就是这种终局你说它无气可循吧它一定是有气可循的它反而在我看起来没有那么的它根本质对它根本质觉得是可以达到的你不想定义AI时代的这种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的话对新的知识是保持好奇的其次是他敢去挑战一些新的东西但它一定是基于现在的技术之上去挑战第三可能是在这个行业里头的局限性就是你要做多么它肯定是要有一定的感性的审美的标准在里头其次它要有把神秘展成机器可以或者是代码可以理解的这种理性的语言这个是难的我觉得还有一点就是我觉得难能可贵比较难能可贵的就是觉得现在AI时代真的太稀奇了就是谦逊因为谦逊代表着你能学习你是觉得自己还有些还不够特别好你能够看到别人的好也能够看到自己的不足的时候可以去学习嘛这是那个距离嘛但如果你缺乏了这个东西你会觉得自己完全没有错或者自己完全就是那个最好的他不是一种自信他可能导致出来的东西是一个盲目这个盲目会导致他的学习能力反而是弱的成本可能反而是大的对然后包括谦逊他其实是一种勇气就是他愿意去承认自己的不足其实对于一个人而言他不是一个自卑的表现他反而是一种非常自信的表现因为我不是很怕袒露出来 [105:00] echoing the decision and sensitive