从“拍摄”到“生成”：视听语言正在发生什么变化？

这段时间，我和不少做内容的人聊AIGC。

有导演，有编剧，有做了很多年短视频的人，也有AI创作者、平台的人和技术团队。

大家聊到最后，经常会回到一个问题：

AIGC到底改变了什么？

最容易得到的答案当然是效率。

以前几十个人干的活，现在几个人可以干；过去一个镜头要搭景、找演员、拍摄、做后期，现在坐在电脑前就可以完成。

这些都对。

但我一直觉得，如果最后只是得出一个“AIGC让视频制作更便宜了”的结论，这件事情就被我们说小了。

有一次聊天，我们谈到一个很简单的问题。

假设我要一个镜头：一个20岁的年轻人一直向前走，走着走着变成40岁、60岁、80岁。与此同时，他身后的成都也在变化，老建筑消失，新的建筑长出来，最后进入几十年以后。

过去当然也能拍。

找不同年龄的演员，化妆，搭景，特效，转场。

只要钱够多，大部分事情都能做。

但有人突然问了一句：

这到底还是一个“拍出来”的镜头吗？

这个问题让我想了很久。

因为它真正问的不是技术，而是我们理解影像的方式。

后来又聊了很多次。

有人说，这不就是CG吗？

有人说，无非就是以前100万才能做的东西，现在1万块就能做了。

也有人认为，AI再强，最后不还是要讲故事吗？

这些话我都认同一部分。

但我还是觉得没有把这件事情说透。

经过一段时间的思考，我越来越确定：

AIGC肯定不只是改变了拍摄和制作方式。

它正在改变人物从哪里来，场景从哪里来，镜头怎样形成，时间和空间怎样变化，甚至改变一部作品究竟是什么。

所以我试着把这些零散的变化整理到一起，给它起了一个名字：

生成式视听语言。

我并不是想再造一个新名词。

恰恰相反，我觉得有一个名字的好处，是能够帮助我们把很多原本混在一起的变化拆开来看，更清楚地理解：

AIGC到底带来了什么？它和我们过去熟悉的视听方式，究竟有哪些不同？

如果沿着这个问题继续往下看，我现在大概看到了下面几个变化。

一、过去是世界先存在，现在可以是想象先发生

这是我认为最根本的变化。

传统视听有一个我们习以为常的前提：

世界先存在，镜头再记录。

你要拍一个人，先得有这个人。

要拍一条街，先得找到这条街。

没有怎么办？

搭景、找演员、做道具，或者用CG把它制作出来。

电影当然从来都不只是记录现实。

导演可以重新组织现实，剪辑可以打乱时间，特效可以创造现实中根本不存在的世界。

但它的基本生产关系仍然是：

先获得一个可以被呈现的对象，再把它变成影像。

生成式AI把这个顺序改变了。

现在很多时候，是先有一句话。

一个念头。

一种情绪。

甚至只是脑子里一个模糊的画面。

然后人物出现，空间出现，动作出现，镜头也随之出现。

所以如果一定要找一个最基础的区别，我会把传统视听的底层概括成：

Representation——再现。

而生成式视听增加了另外一种能力：

Generation——生成。

过去更多是：

世界先存在，我们去寻找镜头。

现在可以是：

想象先发生，世界再被生成。

这看起来只是顺序反过来了，但我觉得影响会非常大。

因为当世界本身都可以成为变量，创作者思考问题的方式也会改变。

过去我们问：

这个场景怎么拍？

未来可能首先问：

这个场景为什么一定要以现实中的方式存在？

二、过去镜头解决“怎么看”，现在还要解决“怎么变”

第二个不同发生在镜头里面。

传统视听语言谈镜头，会谈景别、构图、光线、运动、焦点。

本质上是在解决一个问题：

我应该怎样让观众看见眼前这个世界？

这些东西在生成时代当然都不会消失。

但生成式影像增加了一个很有意思的变量：

世界本身可以在镜头中变化。

还是前面那个例子。

一个20岁的人一直往前走。

他没有停下来。

但是走着走着，变成40岁、60岁、80岁。

与此同时，他身后的成都也从今天不断进入未来。

如果用传统影视完成，当然可以。

但它需要大量制作手段去实现“变化”。

而在生成式影像中，变化本身正在成为一种基础能力。

房间可以慢慢变成森林。

白天可以在一个连续镜头中进入黑夜。

一个人的童年、成年和老年，可以在同一段影像里连续存在。

现实可以不知不觉进入梦境。

所以我现在越来越觉得：

传统镜头主要研究的是：

怎么看。

生成式镜头在此基础上又增加了：

怎么变。

过去摄影机主要负责选择世界。

现在生成模型开始参与改变世界。

三、过去是Cut，现在增加了Transform

这可能是我和一些行业朋友讨论最多的一点。

电影一百多年有一个最基础的动作：

Cut。

A镜头结束。

切。

进入B镜头。

电影大量的意义，就是在A和B之间产生的。

一个男人抬头。

Cut。

天空出现一架飞机。

观众自然会把两个镜头联系起来。

所以传统蒙太奇很重要的一部分，是研究：

A和B是什么关系？

生成式影像里出现了另外一个越来越高频的动作：

Transform。

A不一定结束。

A可以直接成为B。

房间成为森林。

年轻人成为老人。

现实成为梦境。

一座城市逐渐被海水吞没。

所以我后来觉得，不能简单地说：

Cut被Transform取代了。

更准确的是：

Cut + Transform。

传统剪辑当然不会消失。

但生成式影像增加了一种非常重要的关系：

Cut处理的是两个镜头之间的关系，
Transform处理的是两个状态之间的关系。

前者问：

A之后为什么是B？

后者问：

A为什么会成为B？

这个差别我觉得很重要。

因为过去很多变化发生在剪辑点以后。

现在，变化本身可以被观看。

也就意味着：

变化本身，可以成为内容。

但这里也有一个问题。

如果一个人变成一只鸟，只是为了证明AI可以把人变成鸟，那没有太大意义。

真正的视听语言一定不是技术展示。

为什么这个人要变成鸟？

这次变化表达了什么？

它和人物有什么关系？

Transform真正成为语言的那一天，不是它变得更丝滑，而是我们开始知道为什么要变。

四、过去主要拍“看得见的”，现在可以直接生成“看不见的”

这是我自己越来越感兴趣的一点。

摄影机特别擅长拍具体的东西。

一个人、一栋楼、一场雨、一顿饭、一场战争。

但人类生活里真正重要的很多东西，其实看不见。

记忆看不见。

时间看不见。

孤独看不见。

焦虑、欲望、关系也都没有固定形状。

过去电影怎么处理？

演员表演、音乐、对白、旁白、象征、蒙太奇。

这些方法非常成熟，而且以后仍然会存在。

但生成式影像多给了我们一种可能：

能不能直接给这些没有形状的东西一个形状？

比如表现一个人逐渐失去记忆。

不一定非要让他说：

“我开始记不住了。”

我们可以让他的房间慢慢发生变化。

墙上的照片一张一张消失。

熟悉的人逐渐失去面孔。

家具开始褪色。

房间越来越空。

最后只剩下一把椅子。

这个时候，“遗忘”不只是剧情。

遗忘本身变成了画面。

这也是为什么我觉得，生成式视听未来最有价值的方向，可能并不是做出更多大场面。

太空、战争、怪兽、未来城市，当然都会越来越容易。

但更有意思的是：

以前没有形状的东西，现在能不能被看见？

从这个角度说，传统摄影主要拍摄可见世界。

生成式影像则开始尝试：

视觉化不可见世界。

五、很多人反问我：这和CG到底有什么不同？

这个问题我被问过不止一次。

而且我觉得问得非常对。

因为如果只是看最终画面，前面讲的很多东西其实并不新。

人物变形。

城市毁灭。

时间穿越。

梦境空间。

这些事情CG几十年前就能做。

《阿凡达》创造的世界也并不存在。

那为什么今天还要专门讨论“生成式”？

后来我想，答案不能从最后那张画面里找。

区别在获得画面的方式。

传统CG仍然是一套非常强大的制作体系。

人物要建模。

场景要搭。

材质要制作。

动作要设计。

灯光要调整。

大量东西需要一项一项被生产出来。

生成模型正在改变这套关系。

人物、空间、动作、光线甚至整个世界，开始进入一个可以通过语言、图片和上下文不断调用、修改和重新生成的空间。

所以现在我比较认同一个区别：

CG扩大了我们能够制作什么；生成式AI正在改变我们如何获得一个画面。

听起来还是生产效率。

但问题在于：

当一种生产方式变得足够普遍以后，它一定会反过来改变表达。

摄影机变轻以后，摄影方式改变了。

手机成为摄影设备以后，自拍、竖屏、第一视角大量出现。

剪辑越来越方便以后，内容节奏也发生了变化。

所以我并不认为AI今天一定已经创造出一种完全成熟的新视听语言。

我想说的是：

当“生成”成为一种基础动作以后，它很可能会慢慢长出自己的表达习惯。

而我们现在可能刚刚站在这个过程的开始。

六、过去最贵的是“做出来”，现在最贵的是“选出来”

这是我们自己真正开始大量做AIGC内容以后，一个特别强烈的感受。

画面正在变得越来越便宜。

以前一个好创意为什么珍贵？

除了创意本身，很大程度上还因为实现它很贵。

你不能无限试。

现在完全不一样。

一个想法可以试十种。

一个人物可以试几十种造型。

一个镜头可以不断重新生成。

于是我们遇到了一个过去没有这么严重的问题：

选择太多了。

这个也不错。

那个也挺好。

这个舍不得删。

那个好像也能用。

最后全部塞进去，反而不好看。

所以我们后来内部经常讲一句话：

工具负责批量给答案，创作者负责不断说不。

一个漂亮镜头，并不意味着它有资格进入作品。模型可以不断给出场景、表情和故事分支，创作者真正要做的是判断哪些属于这个人物和故事，哪些虽然漂亮，却应该被删掉。

所以我现在越来越明确：

AIGC降低了生产门槛，但没有降低创作门槛。

甚至有可能提高了。

过去我们最痛苦的是：

想得到，做不到。

未来的问题可能变成：

什么都做得到，但是不知道什么值得做。

这其实是一个很大的变化。

生产越便宜，判断越昂贵。

七、过去角色依靠演员连续，现在角色要依靠“记忆”连续

聊到最后，我们还是会回到人。

因为一个视觉变化可以让观众惊讶三秒。

但要让一个人看十集、二十集，最后还是要靠人物。

我们做AIGC账号的时候，对这一点感受尤其深。

现在模型越来越容易解决“同一张脸”。

但同一张脸，并不意味着同一个人物。

一个角色昨天胆小，今天突然勇敢。

上一集深爱一个人，下一集完全忘了。

即使脸一模一样，观众还是会觉得这个人不对。

所以我们后来讨论出了一个区别：

人脸一致性解决的是识别，人物一致性解决的是相信。

我们此前做AIGC原生IP的时候也发现，如果只是给同一张脸不断换衣服、换场景、换台词，它更接近一套会动的视觉模板，而不是一个真正的人物。

所以未来生成式人物真正重要的东西，我觉得可能不是Prompt。

而是：

Character Memory——角色记忆。

他经历过什么。

爱过谁。

伤害过谁。

害怕什么。

做过什么决定。

这些决定留下了什么后果。

传统影视里，演员天然承担了一部分人物连续性。

生成式内容则必须主动建立这种连续性。

所以我现在很喜欢一句话：

脸让我们认出一个人物，过去让我们相信这个人物。

八、过去一部作品只有一个版本，未来可能不是

这一点我还没有完全想清楚。

但最近和行业朋友讨论时，我越来越觉得它值得研究。

传统电影有一个很重要的特点：

导演剪完以后，作品就确定了。

我去电影院看，你去电影院看，我们看到的是同一部电影。

但是生成式内容为什么一定如此？

同一个人物面对中国用户，可以在成都生活。

面对墨西哥用户，可以进入墨西哥城。

这不一定只是中文翻译成西班牙语。

他的笑点、生活细节、配角甚至部分剧情，都可以发生变化。

但这个人物的核心性格、历史和关系仍然保持一致。

那就会出现一个很有意思的问题：

如果你看到的和我看到的不完全一样，我们看的还是同一部作品吗？

我现在没有答案。

但这可能是生成式内容与传统内容一个非常重要的区别。

过去是一部作品，然后传播给一亿个人。

未来有没有可能是：

一个内容系统，面对一亿个人产生一亿次不同程度的表达？

如果是这样，作品就开始从一个确定的结果，变成一个有边界的可能性空间。

人物不能随便变。

世界观不能随便变。

核心关系不能随便变。

但是在规则里面，故事可以继续生长。

九、过去交付的是File，未来可能运营的是System

如果上一点成立，再往下走，内容资产本身也会变化。

传统影视最终交付什么？

一个File。

一部电影。

一集节目。

一条视频。

完成以后，它就是一个相对固定的作品。

生成式内容则可能越来越像一个System。

一条视频只是某一次输出。

真正的资产是背后的：

人物。

关系。

世界观。

声音。

视觉规则。

人物历史。

行为逻辑。

以及用户已经形成的认知。

这些东西组合起来，才是一套能够持续产生内容的系统。

这也是为什么我们一直讨论“AIGC原生IP”。

我现在判断一个AIGC账号，越来越不只看这一条视频有多少播放。

我更关心的是：

这条内容结束以后，留下了什么？

观众记住这个人物了吗？

知道他和谁是什么关系吗？

下一条出现的时候，上一条建立的信息还有用吗？

如果每一次生成结束以后，一切又重新归零，那其实很难成为真正的内容资产。

我们此前把它概括为：让一次生成留下下一次还能使用的认知，让一次关注变成用户愿意延续的关系。

所以从这个角度看：

传统内容更多是在完成作品。

生成式内容未来可能越来越像是在运营一个能够持续产生作品的系统。

十、我现在反而不着急给“生成式视听语言”下最后的定义

讨论到这里，我反而觉得应该谨慎一点。

因为我们现在看到的大量AIGC内容，其实仍然是在：

用新的生产方式，制作过去已经存在的内容。

AI电影。

AI广告。

AI动画。

AI短剧。

甚至我们评价AI视频的时候，经常还在说一句话：

“这个很有电影感。”

这句话本身就挺有意思。

说明我们仍然在用电影建立起来的审美标准，评价一个新的媒介。

这很正常。

电影刚出现的时候，人们也曾经把摄影机架在舞台前面拍戏剧。

后来才慢慢发现摄影机可以移动，可以特写，可以剪辑，可以重新组织时间和空间。

电影用了很多年才找到自己的语言。

所以我现在真正期待的，并不是AI越来越像电影。

而是什么时候会大量出现这样的内容：

如果没有生成技术，它从一开始就不会被这样构思。

它的时间、空间、人物和叙事结构，本身就是建立在生成能力上的。

它不是因为AI更便宜，所以选择AI。

而是这个作品本来就应该这样存在。

到那个时候，我们可能才真正看见了属于生成时代的原生内容。

最后

这段时间和很多行业里的朋友聊下来，我最大的感受是：

我们其实都还没有答案。

但一些区别已经开始出现了。

过去更多是世界先存在，镜头再记录；现在可以是想象先发生，世界再生成。

过去镜头主要解决怎么看；现在还要解决怎么变。

过去依靠Cut建立镜头关系；现在增加了Transform去处理状态之间的关系。

过去主要拍摄看得见的世界；现在开始尝试给看不见的东西一个形状。

过去人物依靠演员保持连续；未来人物可能需要依靠自己的记忆保持连续。

过去作品是一个File；未来内容可能是一套System。

这些变化最后会走到哪里，我现在也不知道。

但有一点我越来越确定：

AIGC真正改变的，不只是我们生产影像的效率，而是我们开始拥有了一种过去没有的方式，去构影像。

而当“能不能做出来”越来越不是问题以后，创作者真正的价值可能会重新回到那些最朴素的事情：

你怎么看这个世界。

你想表达什么。

你选择什么。

你拒绝什么。

以前做内容，我们经常苦恼：

想得到，做不到。

生成时代可能恰恰相反：

做得到的东西太多了。

所以最后真正的问题，也许会变成：

什么值得被生成？

一百多年前，摄影机让我们学习如何用镜头观看世界。

现在，生成模型正在逼着我们学习另一件事：

如何用生成重新想象世界。

至于“生成式视听语言”最后会不会成为一个准确的名字，我觉得并没有那么重要。

重要的是，这个名字能够让我们开始认真讨论：AIGC到底改变了什么。

而这个问题，我们可能才刚刚开始回答。