← 返回AI 前沿

AI 前沿

电视上开始播AI剧集了。你看到的画面清晰流畅，人物表情丰富，剧情有起有落。但你可能不知道——AI生成这集电视剧的第一步，不是「画」出一个画面，而是先在屏幕上撒满密密麻麻的雪花点，就像小时候电视没信号时那种「沙沙沙」的噪点。

老师有没有告诉你，AI拍的电视剧——是从一堆雪花点里「浮现」出来的

2026-07-28 · 🕐 约 8 分钟

由 丢笔哥 发布

🖊️ 老师有没有告诉你…

AI生成视频不是「画」出来的——是先把画面彻底毁成噪点，再一层一层「猜」回来的。你看到的每一帧，都是一个猜谜游戏的结果。

你肯定觉得，AI拍电视剧，就是给电脑喂一堆素材，它帮你剪辑拼接一下。对吧？

:::story title="Sora的「穿帮」时刻"
2024年2月，OpenAI发布了Sora——第一个能生成一分钟连贯视频的AI模型。在官方演示视频里，一位女性走在东京街头，画面美得像电影。但仔细观察你会发现：她走了几十秒，路上的行人没有一个回头看她。不是AI忘了画，是AI不知道——当一个引人注目的人走在街上，路人会有什么反应。这种「物理世界正确但社交世界缺失」的穿帮，恰好暴露了AI视频最大的短板：它不懂人。
:::

从雪花点到画面：AI不是在画，是在猜

你可以理解为：AI生成视频的过程，像做一道反向的拼图题。正常的拼图是你把碎片拼成完整的图。AI是反过来——它先给你一张完整的图，然后加满噪声，把图彻底「毁掉」，再训练自己从噪声里「恢复」出原图。训练了一百万张图之后，你给它一张全是噪声的纯雪花屏，它也能「猜」出一张人脸来。

这个技术的学名叫「扩散模型」。名字很形象——就像一滴墨水滴进清水里，墨水会慢慢扩散开来。AI做的就是反扩散：从已经扩散开的混沌状态，反向追踪墨水是从哪里来的。

视频比图片多一个维度——时间。AI不是一帧一帧独立生成的，它生成的每一帧都要「参考」上一帧。就像你在纸上画火柴人动画——每一页都要跟上一页差不多，稍微动一点点。AI做的事情就是：在一团噪声里，同时「看出」这一帧的画面，和它跟上一帧的连贯关系。

为什么AI视频花了比AI图片多十倍的时间才「能用」

2022年，AI生成的图片已经可以以假乱真了。但AI视频一直到2024年下半年才开始真正「能看」。你可能会想：视频不就是很多张图片连起来吗，能有多难？

问题出在「一致性」。你可以理解为：AI每一帧都在独立地做猜谜游戏。第一帧猜出一张人脸，第二帧猜出同一张脸但眼睛位置偏了一毫米，第三帧嘴巴的角度又不对了。连起来看，脸就在「抖」。观众的眼睛对这种抖动极其敏感——你甚至说不上哪里不对，但一眼就知道「这是假的」。

解决这个问题的核心思路是「时空注意力」——这词很唬人，但你可以理解为：AI在生成第10帧的时候，不仅看第9帧，还回头看第1帧和第5帧。它在每一帧生成时都反复确认：「我画的这个人，眉毛在第1帧里是什么样来着？」就像你在画连环画时，不停翻回第一页对照。

一分钟视频，需要多少算力？

你可能觉得AI生成视频很快——毕竟现在很多工具号称「几分钟出一集」。但实际上，一秒钟的高质量AI视频（24帧），背后的计算量大到离谱。

用目前最先进的视频生成模型，生成一秒1080P视频，大约需要在一台顶级GPU上跑十几分钟。折算一下：一分钟的AI剧集，光「生成」这一步就需要几个小时的计算时间。而且这个过程中，AI要在内存里同时维护几百帧的「中间态」——就像你要同时在大脑里记住一部电影里所有角色的位置、表情、光影变化。

这也是为什么「电视开始播AI剧集」是个大新闻——它意味着算力成本和生成速度终于跨过了「能用」的门槛。但这个门槛不是AI自己跨的，是背后的GPU集群用真金白银堆出来的。你每看一分钟AI剧集，背后可能烧掉了几度电。

AI最不擅长的东西，恰好是电视剧最需要的

说了这么多AI能做到的，你得知道它做不到的——而那恰好是最关键的。

AI能生成连贯的画面，但它不知道「因果关系」。它知道「一个人端起杯子」后面通常是「喝了一口水」，但它不知道「为什么」要喝——是因为渴了，还是因为紧张，还是因为想拖延时间？

电视剧的每一帧都是有「动机」的。角色为什么在这个时刻说这句话？为什么镜头要从这个角度拍？这些选择里藏着编剧、导演和演员对「人」的理解。AI目前能做到的，是「形式上正确」——画面流畅、光影自然、不会有穿帮——但它还不理解「为什么要拍这个」。

你可以理解为：AI是一个技术完美的摄影师，能拍出任何你想要的画面。但它不知道哪一个画面「应该」出现在这一刻。那个决定，还是人类的事。

这对你意味着什么——不只是「电视换了个拍法」

AI剧集的意义不在「替代演员」或「省掉拍摄成本」。它真正的变化在于：降低了「把脑子里的画面变成屏幕上能看到的东西」的门槛。

以前，你脑子里有一个故事，想把它变成一部剧？你需要剧组、设备、演员、后期——至少几十个人和几百万资金。现在呢？一个人、一台电脑、一个AI工具，理论上就能做出一部能播的剧集。

这不是「AI抢了导演的饭碗」——这是「任何人都有可能当导演」。但这个变化也会带来一个问题：当制作成本趋近于零的时候，什么东西才算「值得看」？当任何人都能生成一部看起来很专业的剧集，真正稀缺的东西就不是「制作能力」了——是「判断力」和「品味」。你会发现自己突然被海量「看起来不错但看完什么都记不住」的内容包围了。