硅谷擅长消灭摩擦。可创作的麻烦在于，有些摩擦恰恰是作品长出判断的地方。
作者｜Bryan
编辑｜靖宇
作为一个常年在硅谷看项目的风险投资人，我听创业公司讲产品时，几乎绕不开一个词：friction，摩擦。
付款多点一步，是 friction。程序员还得自己写测试，是 friction。销售花半天整理客户记录，也是 friction。找到它，再用软件把它消灭掉。过去二十年，硅谷的很多好生意，就是这么做出来的。
正如硅谷顶级风投机构 a16z 联合创始人 Marc Andreessen 那句名言：Software is eating the world。软件吞噬世界，往往就是从吞掉这些摩擦开始的。
这套办法在硅谷一直很好用。好用久了，人就容易手痒，看见什么都想优化一下。电影偏偏经不起这种热心。
今年 6 月，Google DeepMind 宣布与电影公司 A24 建立长期研究合作，并向其投资约 7500 万美元。
成立于 2012 年的 A24，以开发独具文艺气息的小众电影见长。它的代表作包括奥斯卡最佳影片《月光男孩》和《瞬息全宇宙》、全球票房大卖的《至尊马蒂》，以及今年热映的恐怖片《后室》。14 年间，A24 早已把片厂名字做成品牌：A24 三个字，本身就是人气的保证。
这笔交易最令人意外的，是 Google 没有拿到 A24 的片库。照硅谷一般的花钱习惯，这多少有点反常。
初看之下，Google 看中的似乎应该是 A24 多年积累的优质电影素材。Google 正在重押 Veo，而 Seedance、可灵等视频模型也在不断逼近。让 Veo 学习《月光男孩》《瞬息全宇宙》这样的电影，听上去合情合理。
然而公开信息显示，Google 无权访问 A24 的电影与电视片库，也不能用这些内容训练模型。A24 旗下电影人同样没有使用相关工具的义务。双方真正展开合作的地方，是电影的创作过程：DeepMind 研究人员将与电影人共同测试、迭代和开发工具。
片库既然被排除在外，这笔交易的价值便落在了另一个地方。Google 想从 A24 那里获得的，可能是一种模型尚未掌握的分辨能力：
电影制作中的哪些摩擦应该消失，哪些摩擦必须留下？
01
AI视频，有人买单
AI 视频已经越过了「有没有人用」的阶段。
在美国，据 Runway 今年 7 月发布的企业客户调研，一家全球广告集团把某美国保险品牌吉祥物的社交内容制作周期，从两三个月压缩到 3 小时，流程覆盖视频生成、语音克隆和口型同步。
制作周期从数月压到数小时，原本进不了预算表的视频需求也随之释放。我早期参与投资的 Higgsfield，去年 9 月 ARR 约为 5000 万美元；截至今年 6 月，据报道 ARR 已经超过 5 亿美元。十个月，十倍。新鲜感能制造流量，只有进入品牌与代理商的日常预算，才能长出这样的收入曲线。
中国市场的商业化也在加速。截至 2026 年 6 月，可灵全球用户突破 1 亿，企业客户接近 5 万；今年一季度收入超过 6.5 亿元人民币，同比增长超过 300%。
AI 视频正在走出模型演示，进入真正的生产流程，也开始成为一门有规模的生意。
产品边界也在快速前移。Google 的 Flow 从单个镜头生成走向角色控制、场景延展和故事编排。Adobe 在今年 6 月把 Creative Agent 进一步铺进 Firefly、Premiere、Photoshop 和 Frame.io，用户可以从一个概念直接走到分镜，再从分镜生成视频。
这条路径在硅谷很熟悉。代码模型最初补全下一行代码，后来开始拆任务、改文件、跑测试。能力成熟以后，产品自然会向工作流上游移动。谁越早进入决策过程，谁就越有机会成为那个过程的默认入口。
过去两年，我在硅谷持续跟踪并参与 AI 视频项目的早期投资。最常见的演示，是输入一句描述，几分钟后得到一支像样的广告片。演示通常在成片出现时结束；可真实生产里最难的部分才刚刚开始：为什么选这一版，它牺牲了什么，最终由谁决定？
模型可以接连给出答案，团队仍须为每一次取舍负责。
今年 5 月，旧金山 AI 影视制作平台 Flick 完成 600 万美元种子轮，True Ventures、GV、YC 和 Lightspeed 均在投资名单中。它把产品重心放在导演的持续控制上：反复取舍，维持人物与叙事，让工具进入创作的后半程。在我看来，硅谷资本已经开始给判断力单独定价。
创作工具也在经历同样的迁移。AI 原先负责执行一个已经想清楚的意图，如今它在意图还很模糊时就进入现场。编剧写下一句故事梗概，系统可以立刻给出人物小传、视觉风格和分镜；导演只有一个不完整的感觉，几分钟后已经能看到接近成片的画面。
效率当然提高了。麻烦是，机器交卷越来越快，人还没想好题目。一个连题都没想明白的人，突然拿到一份八十分答案，通常舍不得撕。
02
判断，在摩擦中成型
影视制作里当然存在大量该被消灭的摩擦。
抠像、转码、素材检索、镜头匹配、重复调整不同画幅，这些工作昂贵、耗时，又很少产生新的表达。AI 把它们压缩掉，创作者会得到更多时间和更低的试错成本。
Google 自己的实践已经证明了这一点。
Darren Aronofsky 用 Veo 制作的短片《ANCESTRA》｜图片来源：YouTube
2025 年，DeepMind 与导演 Darren Aronofsky 创办的 Primordial Soup 合作短片《ANCESTRA》，用 Veo 完成了传统 CGI 难以快速实现的运动匹配和局部画面生成。Google 披露，这部短片背后仍有超过 200 名传统影视专业人士参与，另有实拍团队、剪辑、视效、声音设计和作曲人员。
模型压缩了一部分高成本执行，却没有替团队承担电影里的全部判断。
另一类摩擦发生在判断形成之前。人物为什么要沉默，哪个漂亮镜头应该剪掉，一个令人不舒服的停顿究竟是表演失误还是全场最真实的几秒。这里没有明确流程，也很难写进效率指标。创作者必须在多个说不清的版本之间停留，有时还要忍受一段时间的难看。
在创作里，有些摩擦是成本，有些摩擦是研发。
硅谷产品团队习惯把用户的迟疑视为阻塞，把不确定性视为等待解决的痛点。可一个作品尚未成形时，迟疑本身就在生产信息。作者正是靠那些走不通的路，才知道自己究竟想去哪里。
如果系统过早交付一个完成度很高的版本，这段探索很容易被截断。一张漂亮的概念图会迅速成为团队的视觉锚点；一版结构完整的剧本，会让后面的讨论都围绕它修修补补。它们只是最早出现，却因为足够具体，看起来像是经过了选择。
03
八十分儿的答案，最难拒绝
AI 对创造力的影响，已经出现了一个值得警惕的信号。
2024 年发表在《Science Advances》的一项实验，让 293 名参与者在有无生成式 AI 灵感的情况下创作短篇故事，再由 600 名读者评价。获得 AI 帮助的作品，平均更好读，创作基础较弱的人提升尤其明显。另一边，这些故事彼此变得更加相似。
一项针对视觉设计的实验也观察到了类似现象。参与者接触 AI 生成图像后，更容易被最初的范例固定住，最后提出的想法数量更少，变化范围和原创性也随之下降。
这类研究样本有限，也不能直接替电影工业下结论。但它们揭示的机制很重要：AI 的帮助会提高单次产出的平均质量，同时把不同的人拉向相近的局部最优解。
烂主意还好说，可真正难拒绝的，是那个八十分、今天就能交差的版本。
模型见过大量有效的叙事结构，知道怎样让开头更快进入情节，怎样给人物补足动机，怎样让一张图更接近用户口中的「电影感」。这些建议相当专业。创作者一旦接受了最初几个合理答案，后面每次迭代都可能变得更好，也离那个尚未被发现的作品更远。
很多作品没死在明确的否决上，但却被一连串善意而正确的修改慢慢磨平了。
04
A24：先别改
A24 并不拥有一套稳定的视觉公式。《月光男孩》、《瞬息全宇宙》和《利益区域》放在一起，很难提炼出统一的镜头语言。把它们连起来的，是那些在传统流程里很容易被改掉的部分，最后得以留在作品里。
影片《利益区域》剧照｜图片来源：douban
《利益区域》将集中营内的暴力大多挡在画面之外。观众看到墙这边一家人的日常生活，恐怖从声音里渗进来。若把「情绪表达是否充分」当成优化目标，系统完全有理由建议补充更直接的画面。叙事信息会更完整，可电影的力量也会随之消失。
A24 的价值没有神秘到无法解释。它在少数关键时刻，愿意让一个暂时显得不顺、不清楚、甚至难以营销的选择多保留一阵。多数片厂怕作品不成熟，A24 有时更怕它成熟得太快。
A24 对风险投资也并不陌生。它自己本也是一家拿着风投资本一路长大的创业公司：早期有 Eldridge，2022 年又有 Stripes 与 Neuberger Berman 入股，2024 年，又有 Josh Kushner（超模 Karlie Kloss 的丈夫）掌舵的 Thrive Capital 入股。
放在这个背景下，Google–A24 的合作比「AI 学习电影审美」更值得关注。Google 真正需要研究的，也许是判断产生的时序：什么时候生成有帮助，什么时候应该保持空白；什么时候反馈能推动作品，什么时候反馈只是把它拉回平均值。
05
为创作的歧路重写界面
今天主流的生成式产品，仍然围绕一个线性输入框展开。用户提出要求，模型给出结果，然后继续修改。探索、选择和制作混在同一条对话里，每一次回答都在推动用户尽快收敛。
真实的创作过程很少这么整齐。它会分叉、回头，也会把一个问题搁置两周。早期阶段需要扩大可能性，后期阶段才需要稳定执行。两者调用的甚至不该是同一种 AI 行为。
在方向尚未确定时，工具可以先帮助创作者建立差异足够大的分支，避免立即生成一张精致成品；某些问题可以被标记为「暂不解决」，保留矛盾和模糊。进入制作阶段以后，系统再接管一致性、素材管理和重复修改，并持续记住项目的边界。
这种记忆也不应只保存「想要什么」。那些明确拒绝过的选择同样重要：不要解释这个结尾，不要替人物寻找和解，不要用配乐提醒观众现在该难过。一次拒绝如果在下一轮就失效，创作者拥有的仍然只是提示词控制，并没有真正的创作控制。
从投资角度看，我越来越少把单次生成质量视为长期壁垒。模型榜单每隔几个月就会重排，创作者在项目中积累的取舍、拒绝与协作习惯却很难迁移。谁能理解一个创作者长期的意图，保存他的决策历史，并在正确阶段采用不同的交互方式，谁才可能真正占住创作工作流。
A24 能提供的，或许就是这套仍然没有被软件化的经验。
06
废稿里，藏着判断的底稿
当然，A24 与 Google 的合作也有另一面。
Google 拿不到 A24 的片库，听上去像是保护了最重要的资产。但电影人提交的草稿、被放弃的分镜、修改记录和拒绝理由，可能包含更高密度的判断。它们展示了创作者如何从十个可行版本里杀掉九个。
这些过程数据归谁，是否会用于训练通用产品，电影人能否逐个项目退出，目前的公开信息尚未给出完整答案。如果所谓共同开发最终变成由艺术家免费提供高价值反馈，再由平台把它封装成所有人都能调用的功能，这项合作只会加快审美的工业化。
更好的结果当然存在。Google 用 A24 的真实工作流校准工具介入的边界，让模型承担执行成本，同时把探索路径和最终决定留给创作者。
硅谷已经造出了越来越会回答的机器。但创作软件接下来要补的能力，是识别一个问题，啥时候还不该有答案。
先等等，别优化。
它还没长完。
作者简介：
Bryan Liu（刘长江），硅谷风险投资机构 Alumni Ventures 投资总监，专注 AI 视频赛道，Higgsfield 早期投资人。小红书：@硅谷 VC 布莱恩酒馆
*头图来源：douban
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
极客一问
你认为 AI 应该如何
学习人类艺术家的创作？
