剧组从200人砍到20人：AI视频消灭"抽卡"之后，最贵的岗位浮出水面

剧组从200人砍到20人：AI视频消灭"抽卡"之后，最贵的岗位浮出水面

你今天听到的，和你真正做出来的，是两回事。

去年，MovieFlow 的系统里还有 20% 的代码是人写的。今年，这个数字变成了零，100% 由 AI 完成。

同一批人，正在把 200 到 300 人的传统电影剧组，压缩到 20 人。

这两个数字放在一起，就是 AI 视频行业此刻的真实水位：执行层的活儿，机器吃得比所有人预想的都快。

过去一年，这个行业被反复讨论的问题是"抽卡"。偶然生成一条好片不难，难的是每一次都能稳定生成一条好片。

在非凡资本最近的一场圆桌里，四家从不同方向解决这个问题的公司坐到了一起：做3D和物理可控视频生成的极泛流形、做视频 Agent 平台的 MovieFlow、做漫剧和 AI 视听的极速引擎 Anigo、做工业化批量生产的炫佳科技。

听完整场，我的感受是："抽卡"这个老大难，正在被工程化快速消灭。但它消灭之后露出来的东西，比抽卡本身更值得琢磨。

消灭抽卡：四条完全不同的路，都走通了

角色一致性是抽卡的重灾区。单条视频里角色好不好看，难度不大；难的是第 15 个镜头里的人，和第 2、第 3 个镜头里还是同一个。

四家公司的解法，几乎没有重叠。

炫佳科技 CEO 秦林给的答案最"工科"。他的判断是：只要大模型还在用 Transformer 架构，去噪过程中每次生成的角色就必然有差异，单靠模型侧不可能彻底解决

所以他们在模型外面套了三层工程约束：输入主角时做样本锚定，生成差异过大就自动重绘；角色主体库和场景主体库双重约束；再拿大量专业摄影和导演术语做提示词工程。

效果可以量化：95% 的机械化生产，剩下 5% 人工调优。他们的 KinoAuto 模块，丢进去一本小说，4 小时后生成一部影片，接近零人工干预。一部 120 分钟的短剧，成本压到 5000 到 10000 元，一个人一天就能完成。

MovieFlow 创始人梁巍的路子完全不同：真人打底。他们原来是做电影的，现在的做法是建一个真人演员库。

物理世界里这个人真实存在，采集得足够清楚，再做加权和训练，之后调用他就跟调用照片和素材一样，基本不会有一致性问题。

这套打法的市场反馈也不错：MovieFlow 上线快一年，全球 150 万用户，覆盖 170 多个国家。

极泛流形的黄乃元最坦诚。被问到角色一致性怎么解决，他直接说："还是要交给大模型去提升。"

他们All in的是3D和物理可控的视频生成，就是保持场景背景和物体的一致性，让空间关系和镜头运动更可控，让生成结果更符合物理逻辑。例如，先明确场景结构和机位，再交给视频生成模型执行，从而提高同一场景在不同镜头下的一致性。

Anigo 的王俊则把宝押在智能体工程化上：把什么任务交给什么样的 Agent，决定了角色稳不稳。

四条路，原理互不相同，但每条都拿出了能交付的结果。这本身就说明一件事：角色一致性已经从一个技术攻关问题，降级成了一个工程选型问题。选哪条路都行，反正都能到。

脸不崩只是入门，戏不崩才是难题

但聊深了会发现，"脸保持一致"只是最容易的那层。

王俊把一致性拆成两层：视觉一致性和叙事一致性。视觉层面，大模型本身的能力已经做得很好。难的在长篇：单次生成有 30 秒上下的边界，超过这个长度，问题就变成了 Agent 之间如何协同，维持角色在叙事层面的连贯。

他举的例子很形象：前一个镜头里角色还非常兴奋，下一个镜头突然变得拘谨。王俊的原话是："一开始他可能是个疯子。"

梁巍管这个叫表演一致性，话说得更直。

我们看戏看的是表演，光是脸像其实没有意义。

一场戏里，角色可能从愤怒到平和，再到愤怒，最后和解。这个状态的流动才是一场戏。纯 AI 要做到这一点，目前确实麻烦。

秦林那边也承认边界。95% 之外的那 5%，集中在极端情况，比如大幅逆光。但他给了一个有意思的对照：现实拍摄里，逆光同样会让面部难以识别。

AI 的短板，有一部分本来就是摄影的短板。

"镜头再收一点"，收多少？

镜头控制聊出来的结论，跟技术关系不大。

王俊说，很多人会跟 AI 提"镜头推进一些"这种需求。但什么叫推进一些？真交给执行导演，他一定会把需求追问到非常细：怎么走，走多少。这是个极其模糊的指令。

梁巍把这个话题彻底挑明了。他说，今天把任何一个人放到正式片场，都能坐上导演椅喊"Action"。AI 也一样：你提出需求，喊一声 Action，全剧组几百人开始干活，演员拼命演，摄影机拼命拍。

难的是喊"Cut"。

"你喊了 Cut，全场停下来看你，他们在等另一个结果：这一条到底 OK 不 OK？"

王俊补了一句所有用过 AI 生成的人都会心一笑的话：一般用户只会说，"我感觉不太对，你再想想。"

那到底什么才叫行？梁巍的判断是，大语言模型处理了中间 98% 的工作，但所有人期待的，是最后那个导演判断。

所以工具层没有本质区别："今天你有 3D 导演台，明天我也能有。"真正的区别在于使用者，让张艺谋来做同一场戏，出来的就不是一回事。

AI 把所有人的底线从 0 分拉到 80 分、90 分，结果导演专业反而更值钱了。

200 人砍到 20 人，砍掉的全是执行

剧组从 200 人压缩到 20 人，谁留下了？

梁巍给的清单是：编剧、导演、融合了摄影指导能力的美术指导、懂表演和剧情的表演指导、物理世界里的主要演员，还有剪辑。

剪辑被单列出来讲。短剧、漫剧可以一键剪，因为 2 秒、3 秒、8 秒、10 秒都有相对标准。但电影剪辑没有标准。

蒙太奇可以在某个瞬间"咔嚓"一剪，让你吓一跳；也可以故意一直不剪，让你烦，让你期待后面到底有什么。

剪辑是第三次创作，AI 目前无法替代。

秦林从另一个角度给出了同样的结论。他说有两个环节是智能体和模型解决不了的。

第一个是剧本：很多人用 AI 写小说、写剧本，但都触及不了人类情感的灵魂，因为"机器只能从已知导向已知，不能从已知导向未知"，而人最厉害的地方，恰恰是想象未知世界。

第二个是顶级导演对镜头感和美感的把握，审美很难被参数化、被蒸馏。没有人工干预，纯 AI 成片的天花板就是七八十分。

于是未来的协作框架很清晰。梁巍的表述是：人负责最前面的 1%、交付结果后的 1%、提出下一轮要求的 1%；中间每次执行的 98%，交给 AI。

这 20 人剧组减少的，是大量执行性的体力工作。而从事创作、有判断力的人，一个都没走。

下一个 Vibe Coding，会是视频生成吗？

聊到这里，还有一道绕不开的判断题：AI 产品的下一个 Vibe Coding，是视频生成吗？

秦林拆过 Vibe Coding 能跑通的原因：代码有规范、有标准、重复频率高。越标准、越高频，越容易商业化。

沿这个逻辑，现阶段 AI 视频真正跑通的单一场景就是短剧，因为短剧恰恰最符合代码的逻辑：公司化、流程化、标准化，创意占比低，是典型的爆米花式内容产品。

他眼里的未来视频分两块。一块是精品电影：好导演加好工具，几百万到 1000 万就能做出原来要几个亿的电影。

另一块是纯工业化生产的短剧、广告、电商、数字人。两块加起来，未来 10 到 15 年，可能是一个 10 万亿级的产业。

黄乃元的提醒更冷静：Vibe Coding 大概率只能解决视频生成里的一小部分问题。做产品要看清楚，哪些事是视频生成基模中短期内不会覆盖的。水位一涨，只做简单加工的产品会先被淹没。

梁巍的答案最锋利，也最像给所有人的建议。第一，不要焦虑技术。今天讨论的一致性、剧组管理工具，一定会有人做好，不需要每个创作者亲自操心。

第二，抓紧入场。技术进步已经远超想象，他们和香港电影人合作的成熟剧集，成片已经完全看不出 AI 痕迹。

他甚至判断，未来可能出现一部"非洲版《甄嬛传》"，背后制作团队全部来自中国，因为全世界 AI 视频制作最强的地方就是中国。

他最后一句话，我想直接用作这篇文章的结尾：

你今天听到的，和你真正做出来的，是两回事。