生成式视听语言：AIGC正在重写影像的基本语法

过去两年，关于AIGC的讨论，大多集中在一个词上：效率。

它让内容生产更快、更便宜，也让过去需要大量专业人员才能完成的工作，被压缩到更小的团队甚至个人手中。

这些变化当然重要。

但如果我们只把AIGC理解为一种生产工具，就可能低估它真正的影响。

因为任何一种足够重要的媒介技术，最终改变的都不只是生产效率。

摄影术改变了人类保存现实的方式，电影改变了时间和空间的组织方式，电视改变了内容传播的结构，移动互联网又进一步塑造了短视频的节奏和观看习惯。

而生成式AI正在发生的变化，很可能进入更深的一层：

它正在改变视听内容的基本语法。

我把这种正在形成的表达体系，称为：

生成式视听语言，Generative Audiovisual Language。

一、什么是生成式视听语言

我尝试给它一个相对完整的定义：

生成式视听语言，是以生成模型为核心媒介，通过对人物、空间、时间、声音、动作和叙事状态进行持续生成、变形、重构与组合，从而形成的一套不再完全依赖现实摄影和线性剪辑的新型视听表达体系。

它与传统影视最大的区别，并不是“有没有使用AI”。

真正的区别在于，影像与现实之间的关系发生了变化。

传统影像的基本逻辑是：

现实先存在，影像再记录。

生成式影像则出现了另外一种关系：

影像可以先被定义，世界再被生成。

这可能是理解生成式内容最重要的起点。

过去，一部电影首先面对的是现实世界。

演员在哪里，场景在哪里，摄影机放在哪里，光线如何进入。

即使后来出现了绿幕、CG和虚拟制作，大量技术仍然是在解决一个问题：

如何让“不存在的东西”看起来像真实存在过。

生成式AI进一步改变了这层关系。

一个场景不再需要先存在。

一个人物不一定需要有真人原型。

一个空间也不需要服从现实世界的建筑逻辑。

创作者甚至可以先定义一种感受、一段记忆或者一种抽象关系，再让模型去寻找它的视觉形式。

因此，AIGC首先带来的是一种非常基础的变化：

影像开始从“现实的再现”，转向“想象的直接视觉化”。

二、镜头的本质正在变化

过去一百多年，镜头始终是电影语言最基础的单位。

所谓镜头，本质上是摄影机在某一段时间内，对某一段现实的持续记录。

即使这个现实是经过布景、表演和特效制造出来的，它仍然服从摄影机的观看逻辑。

生成式AI开始松动这个前提。

一个镜头内部，可以同时发生人物年龄变化、空间转换、季节转换、物体形态变化，甚至世界规则本身的变化。

一个年轻人向前走。

走着走着，他变老了。

与此同时，身后的城市从今天进入几十年以后。

如果使用传统影视语言，我们可能需要通过剪辑、化妆、演员替换和特效来表达。

但在生成式影像中，它可以成为一个连续过程。

这里有一个非常值得重视的变化：

镜头不再只是记录变化，镜头本身可以制造变化。

这意味着镜头的功能，从“观察一个世界”，逐渐扩展为“生成一个世界”。

所以未来研究生成式影像时，我们可能不能只讨论景别、构图、运动、光线。

还需要讨论：

变形、生成、连续重构以及状态迁移。

这些可能成为新的视听语法单位。

三、从Cut到Transform

传统电影语言中最重要的发明之一，是剪辑。

A镜头和B镜头原本没有关系。

通过剪辑，它们可以形成时间关系、空间关系、因果关系和情绪关系。

因此电影语言长期建立在一个非常重要的动作上：

Cut。

切。

一个镜头结束，另一个镜头开始。

而生成式影像出现以后，另一种操作正在大量出现：

Transform。

变化。

A不一定需要被剪掉。

A可以直接变成B。

一个房间可以逐渐变成森林。

一个人物可以逐渐变成另外一个人物。

现实可以逐渐变成梦境。

白天可以在同一镜头里进入黑夜。

城市可以在观众眼前完成几十年的兴衰。

传统剪辑处理的是：

镜头A与镜头B之间是什么关系。

生成式影像开始处理：

A如何成为B。

这不是一个小差别。

因为在传统电影里，意义往往产生于两个镜头之间。

而在生成式影像里：

变化本身，也开始产生意义。

从这个角度看，Transform可能会成为生成式视听语言非常重要的基础语法。

如果说蒙太奇建立在“连接”之上，那么生成式影像可能会越来越多地建立在“转化”之上。

四、生成式影像开始拥有表达抽象概念的能力

传统摄影天然适合表达具体事物。

一个人。

一栋房子。

一场战争。

一顿晚餐。

但是人类真正关心的很多东西，并没有物理形态。

时间没有形状。

记忆没有形状。

焦虑、权力、欲望、衰老、关系、资本，也都没有固定形状。

传统影视主要依赖表演、对白、象征、隐喻和蒙太奇来表达这些抽象概念。

生成式AI提供了另一种可能。

它可以尝试直接把抽象概念视觉化。

比如表达“一个人逐渐遗忘过去”。

过去可能需要通过对白、表演、闪回完成。

未来完全可能让他的生活空间本身逐渐失去细节。

墙上的照片开始消失。

家具失去颜色。

熟悉的人慢慢没有面孔。

最后整个房间只剩下一把椅子。

这不是简单的特效。

它实际上是一种新的视觉修辞。

因此我认为，生成式视听语言非常重要的一个方向，是：

从拍摄可见世界，走向视觉化不可见世界。

这可能会改变广告、电影、纪录片、知识内容乃至商业传播。

因为很多过去必须依赖文字解释的概念，现在开始可以被直接“看见”。

五、当奇观变得廉价，结构会重新变得昂贵

AIGC还有一个很容易被忽视的后果。

它正在迅速降低视觉奇观的生产成本。

过去，爆炸、太空、战争、未来城市、大型场景都是昂贵资源。

创作者天然会克制使用。

现在，这种克制正在消失。

模型可以不断给出新的场景、新的人物、新的视觉效果。

于是内容开始进入另一个极端：

变化太多。

几秒钟一个场景。

不断变形。

不断反转。

不断制造刺激。

短期来看，这很容易形成传播。

但长期来看，它也会迅速产生视觉疲劳。

我们自己在AIGC内容实践中已经越来越明显地感受到这一点。

技术能力越强，创作者反而越需要克制。

因为模型面对的问题是：

“还能生成什么？”

创作者面对的问题则是：

“什么不应该被生成？”

我们之前在总结AIGC原生IP时写过一句话：

工具负责批量给答案，创作者负责不断说不。

这背后其实是一个很重要的产业变化。

在生产稀缺时代，价值来自制造；
在生成过剩时代，价值开始来自选择。

当所有人都可以快速获得画面，画面本身的稀缺性就会下降。

真正稀缺的，将越来越变成：

叙事结构、审美判断、人物逻辑和长期一致性。

所以，AIGC带来的并不是“创作变简单”。

它只是把创作难度从一个地方转移到了另一个地方。

六、人物正在从“角色”变成“持续运行的系统”

生成式AI对人物的影响，可能比对镜头的影响更加深远。

传统影视中的角色，本质上依附于演员。

演员的身体、声音、年龄和表演共同构成角色。

角色通常随着作品结束而结束。

生成式人物则出现了另一种可能。

一个人物可以脱离具体演员长期存在。

他可以拥有固定的视觉形象、声音、性格、历史、关系网络和行为逻辑。

他可以不断进入新的内容。

甚至可以跨越不同平台、语言和文化环境。

因此，未来一部分角色可能不再只是某部作品中的人物。

它会逐渐变成一种持续运行的叙事主体。

但这也带来了一个新的问题：

如何保证“这个人还是这个人”？

这不是保持人脸一致就可以解决的。

我们在AIGC原生IP实践中已经明显感觉到：

人脸一致性解决的是识别，人物一致性解决的是相信。

如果一个角色今天勇敢，明天突然懦弱；上一集深爱一个人，下一集却完全没有记忆，即使他的脸完全一致，人物仍然是破碎的。

因此，一个真正成立的AI角色，必须拥有自己的历史。

他经历过什么。

和谁有什么关系。

做过什么选择。

这些选择留下了什么后果。

我们此前提出，如果只是给同一张脸不断换衣服、换场景、换台词，那更接近视觉模板，而不是IP。

从这个角度看，未来AIGC内容的重要基础设施可能并不只是模型。

还包括：

角色记忆。

当人物能够记住过去，叙事才真正开始拥有未来。

七、作品正在从File变成System

传统影视作品有一个非常明确的完成状态。

电影完成。

电视剧播完。

广告交付。

视频发布。

作品本质上是一个完成的文件。

生成式内容正在出现另外一种结构。

同一个角色可以持续生成新的故事。

同一个故事可以生成不同语言版本。

同一个世界观可以进入不同国家、不同平台和不同内容形态。

一条一分钟的视频，可以继续生成十五秒版本，也可以扩展成十分钟。

它甚至可以根据不同用户、不同地区和不同情境发生变化。

因此未来一部分内容的基本形态，可能从：

File

转向：

System。

作品不再只是一个最终结果。

它更像一个持续生成结果的系统。

这会进一步影响IP的定义。

传统IP通常依赖已经完成的作品积累价值。

而未来的生成式IP，价值可能越来越来自：

人物系统、世界观系统、视觉规则、角色关系、行为逻辑以及用户已经形成的认知。

换句话说：

过去我们拥有一部作品，未来我们可能拥有一套能够不断产生作品的内容系统。

这也是“AIGC原生IP”与普通AIGC视频之间真正的分界。

关键不是生成了多少内容。

而是前一次生成，有没有为下一次留下可以继续使用的东西。

八、AIGC最终改变的，可能不是制作，而是作者性

当生成能力不断提高，一个很自然的问题会出现：

未来还需不需要创作者？

我的理解是，恰恰相反。

生成技术越成熟，“创作者”这个角色反而会被重新定义得更清楚。

过去大量创作劳动，其实属于执行。

摄影、灯光、制作、特效、剪辑、资产制作。

其中相当一部分工作会被AI压缩。

但当执行成本不断下降以后，剩下的问题反而越来越接近创作本身：

• 为什么是这个人物？
• 为什么是这个场景？
• 为什么在这里变化？
• 为什么这个镜头应该留下？
• 为什么这个故事值得继续？

因此，生成式时代的创作者，很可能从一个“完成作品的人”，逐渐转变为一个“建立规则的人”。

他需要定义：

• 什么可以发生。
• 什么不能发生。
• 人物是谁。
• 世界如何运行。
• 什么样的变化有意义。
• 什么样的变化只是噪音。

从这个意义上说：

AI降低的是生产门槛，却提高了判断的权重。

以前，创作者经常因为做不到而放弃一个想法。

未来，更困难的情况可能恰恰相反：

什么都做得到。

而当一切都可以生成的时候，创作真正的问题就变成了：

什么值得被生成。

九、媒介最终都会寻找自己的语言

电影刚出现的时候，人们曾经把摄影机架在舞台前，认真记录戏剧。

因为当时人们还不知道电影应该是什么。

后来，特写、运动摄影、蒙太奇、声音、长镜头逐渐出现。

电影才慢慢从“记录戏剧的工具”，成长为一种独立语言。

短视频也经历过类似过程。

它最开始只是更短的视频。

后来才形成竖屏、强开场、短节奏、算法分发和高度密集的信息结构。

任何一种新媒介的早期，人们都会首先用旧语言理解它。

AIGC现在可能正处于这个阶段。

我们用AI生成电影镜头。

生成广告。

生成短剧。

生成动画。

某种程度上，这些仍然是在使用生成技术模仿过去已经存在的内容形式。

而真正值得等待的，是另一件事：

什么时候，我们会开始看到只有在生成时代才可能成立的作品？

当这种作品大量出现时，生成式视听语言才真正成熟。

所以我更愿意把今天看成一个非常早期的阶段。

我们已经拥有了新的工具。

但还没有完全找到属于它的语言。

摄影时代解决的是：

如何观看世界。

生成时代开始面对的则是：

如何定义世界。

这两者之间，可能就是下一代视听内容真正的分界线。

AIGC真正值得关注的，不是它能不能把电影做得更便宜。

而是有一天，我们回头看今天，也许会发现

我们以为AI在学习电影。
后来才发现，它正在发明电影之后的下一种语言。