最近我在尝试不同类型的 AI 创作：AI 写小说、AI 写代码，以及 AI 短剧。

越往后做，我越觉得一个很有意思的结论正在变得清晰：

AI 短剧可能不是“AI 恰好能做的一种内容”，而是目前少数几个天然符合生成式 AI 工作方式的完整生产形态。

原因并不只是今天的视频模型越来越强，而是影视制作本身有几个非常特殊的属性：

可视、可拆、可重置、可筛选。

这四点，恰好把生成式 AI 最麻烦的几个问题——幻觉、不一致、不可控、随机性——从系统性风险，变成了可以被观察、隔离和重新生成的局部问题。

1. 我最初的感受：模型越自由，结果反而越惊艳

以我自己尝试 AI 短剧的过程为例：

  • 视频生成统一使用 Seedance 2.5；
  • 图片和人物资产使用 GPT Image；
  • 分镜头设计也通过 GPT Image 完成。

一个很明显的现象是：

当 Seedance 2.5 不被加入太多限制时，它经常能生成非常出彩的结果。

镜头、光影、动作、微表情，甚至一些没有明确要求的细节，会出现很强的“导演感”。

但当我开始给它加入剧情、人物一致性、动作顺序、道具状态、场景限制之后，生成结果反而容易变平。

它完成了剧情。

但不一定有戏。

于是问题开始变得很明确：

不能让一个视频模型同时负责理解剧情、导演、摄影、演员表演、美术和连续性。

真正适合 AI 短剧的方式，不是把剧本直接交给模型，而是把这些职责拆开。

2. AI 短剧真正适合的是“受控生成”

一个成熟的 AI 短剧流程，应该逐渐从：

剧本
  ↓
Prompt
  ↓
视频

变成：

剧本
  ↓
剧情 Beat
  ↓
导演拆解
  ↓
人物 / 场景 / 道具资产
  ↓
Blocking（人物与镜头调度）
  ↓
Storyboard（分镜）
  ↓
Production Keyframe（关键帧）
  ↓
视频生成
  ↓
Take 筛选
  ↓
粗剪
  ↓
补镜 / 重拍
  ↓
成片

这里真正重要的已经不是“Prompt 写得多漂亮”，而是：

剧情中哪些东西必须被锁死，哪些东西应该留给模型自由发挥。

我更喜欢把这种方法理解成：

Macro Control + Micro Freedom

也就是：

宏观锁死，微观放权。

必须锁死的包括：

  • 人物身份；
  • 服装；
  • 场景；
  • 道具；
  • 人物初始位置；
  • 镜头景别；
  • 关键动作；
  • 镜头结束时必须达到的状态。

而可以交给模型发挥的包括：

  • 呼吸；
  • 眼神；
  • 微表情；
  • 头发和衣料的运动；
  • 非关键的小动作；
  • 轻微的镜头漂移；
  • 环境中的自然动态。

这样，AI 的不可控并不会消失。

但不可控的部分被限制在了一个安全的范围内。

甚至，模型的随机性反而会变成一种表演资源。

3. “抽卡”不是缺陷，它很像真人拍摄中的“再来一条”

过去我们往往把生成模型的随机性看成问题。

同样的输入，每次生成都会有差异。

但如果放到影视生产里，它其实很像一件非常传统的事情：

Take 1、Take 2、Take 3……

真人拍摄时，导演本来就会说：

“再来一条。”

演员每一遍的停顿、眼神、呼吸、动作都会不同。

最终挑出最好的一条。

生成式视频也是一样。

如果一个镜头的宏观状态已经被锁定：

State A
  ↓
人物表演
  ↓
State B

那么模型中间产生的随机性就不再是“错误”，而是：

Sampling Space。

一次生成五个 Take：

Take 01
Take 02
Take 03
Take 04
Take 05

然后选最有表现力的一条。

从这个角度看，AI 的随机性甚至和影视工业天然兼容。

4. 剧情应该由剪辑完成，而不是由单个生成任务完成

这是我现在越来越认同的一条原则：

剧情由剪辑完成，表演由镜头完成。

比如一个剧情是：

女主推开办公室门，看见丈夫正在替另一个女人戴项链。她愣住，没有哭，只是慢慢攥紧手里的检查报告。

如果直接交给视频模型，它需要同时完成：

  • 女主进入；
  • 丈夫和另一个女人的位置；
  • 戴项链动作；
  • 女主的发现；
  • 情绪变化；
  • 检查报告；
  • 镜头设计；
  • 人物一致性。

最后往往会变成一个“把事情演完”的镜头。

但如果拆成：

SHOT 01
女主走向办公室。


CUT


SHOT 02
门缝视角，男人替女人戴项链。


CUT


SHOT 03
项链扣合特写。


CUT


SHOT 04
女主停住。


CUT


SHOT 05
检查报告被慢慢攥皱。


CUT


SHOT 06
眼睛微微泛红，但没有流泪。

模型的任务突然变得非常简单。

每一个镜头只需要负责：

一个信息 + 一个动作 + 一个情绪变化。

而剧情的完整性由剪辑来恢复。

这恰好非常适合生成式 AI。

5. 剪辑甚至可以“合理化”AI 的能力边界

如果模型很难一次生成：

男人走进房间 → 拿起杯子 → 倒酒 → 转身 → 开口说话。

那就不要让它做。

可以变成：

SHOT 01
男人走进房间。


CUT


SHOT 02
酒倒进杯子的特写。


CUT


SHOT 03
男人已经拿着酒杯。


CUT


SHOT 04
男人说话。

从生成模型的角度看，这是四个独立任务。

但从观众的角度看，它们会自然地被理解为一个连续事件。

电影剪辑一百多年来一直在利用人脑自动补全时间和空间的能力。

过去它主要用来压缩时间、组织叙事。

到了 AI 时代，它又多了一个新作用：

把模型无法稳定完成的复杂连续过程，拆成多个模型可以稳定完成的小任务。

所以短剧比长镜头电影更适合 AI，并不是偶然。

短剧本来就依赖快速剪辑、反打、特写、Reaction Shot、Insert Shot。

这些语言结构，本身就像是在不断给生成模型“重置世界”。

6. 和 AI 写小说相比：短剧最大的优势是“错误是可见的”

我之前也尝试过 AI 写小说。

小说真正麻烦的地方，不是模型不会写文字，而是：

长篇小说拥有大量不可见的隐状态。

比如：

  • 人物到底 17 岁还是 19 岁；
  • A 一直称呼 B 为“哥”，还是叫名字；
  • 第 23 章人物受过什么伤；
  • 第 55 章他说过自己不吃什么；
  • 第 102 章埋了什么伏笔；
  • 某个人知道什么，另一个人不知道什么；
  • 主角口袋里到底还有多少钱；
  • 某个道具现在到底在谁手里；
  • 两个人的关系现在发展到了什么阶段。

最麻烦的并不是这些状态多。

而是：

错误发生的时候，它不一定会立刻表现出来。

比如主角口袋里只剩 20 元，AI 却写了一句：

“老板，再来两斤牛肉。”

句子本身完全通顺。

人物也没有崩。

读者甚至不一定马上发现问题。

但世界状态已经错了。

几十章以后，这个错误可能会继续传播。

所以 AI 小说最终往往需要建立：

  • Character State；
  • World State；
  • Timeline；
  • Knowledge State；
  • Inventory；
  • Relationship Graph；
  • Foreshadowing / Promise Tracking。

也就是说，为了让小说保持一致，最后不得不建立一个越来越复杂的隐状态管理系统。

7. 和 AI 写代码相比：代码的问题是“错误虽然可验证，但不容易定位”

AI 写代码的体验又不同。

现在 Coding Agent 已经非常强。

它可以在很短的时间里：

  • 修改十几个文件；
  • 写几千行代码；
  • 增加接口；
  • 修改数据结构；
  • 添加测试；
  • 重构模块。

真正的问题开始从：

“AI 能不能写代码？”

变成：

“AI 一次性输出太多代码之后，人类还能不能理解系统发生了什么？”

程序员原本最大的优势之一，是可以在脑中维持项目结构。

但 Coding Agent 的代码生成速度已经远高于人类阅读和理解代码的速度。

于是会出现：

AI 对系统的修改速度 > 人脑重新建立系统模型的速度。

当 Bug 出现时，你看到的可能只是：

页面 A 出错

但实际原因可能是：

A
  → B
      → C
          → D

真正坏掉的是 C。

所以我现在在 AI Coding 上越来越关心的不是“让 AI 少写一点”，而是：

可视化、Observability、定位能力。

我可以不关心 AI 写出来的每个函数内部细节。

但当系统出问题时，我希望尽快看到：

  • 哪个模块发生变化；
  • 哪条调用链出现异常；
  • 哪个状态和预期不一致；
  • 哪次 Agent 修改引入了问题；
  • 哪些问题可能来自同一个根因。

这实际上是在解决：

AI 大量生产代码之后，人类如何重新获得系统控制权。

8. 而 AI 短剧天然就是可视化的

AI 短剧最有意思的地方恰好在这里。

如果模型给人物右脸多生成了一道疤：

一眼就能看见。

如果上一镜人物穿的是黑色外套，下一镜变成白色：

一眼就能看见。

如果杯子上一镜在右手，下一镜在左手：

一眼就能看见。

如果门的位置突然从左边跑到了右边：

一眼就能看见。

甚至最重要的是：

我不一定需要知道模型为什么出错。

代码出了 Bug，往往还需要寻找根因，修复以后还要确认副作用。

AI 视频如果一个 Take 不对：

不用。

重新生成。

如果只有一个镜头不对：

SHOT 134  ✓
SHOT 135  ✕
SHOT 136  ✓

只重做 135。

错误的传播成本非常低。

9. 这让我想到一个衡量 AI 适用性的公式

一个领域到底适不适合生成式 AI，也许可以粗略理解成：

AI 价值 ≈ 生成能力 × 可验证性 × 可拆分性 ÷ 错误传播成本

AI 小说

生成能力：高
可验证性：低
可拆分性：一般
错误传播成本：很高

AI 代码

生成能力：极高
可验证性：理论上很高
可拆分性：中等到高
错误传播成本：中高，而且依赖关系复杂

AI 短剧

生成能力：快速上升
可验证性：极高
可拆分性：极高
错误传播成本：低

这也许才是 AI 短剧真正特殊的地方。

不是模型“更懂影视”。

而是这个问题空间本身，非常适合生成模型。

10. AI 短剧真正的生产单位，也许不是“视频”，而是“状态转换”

如果继续往工程方向抽象，我觉得一个镜头最适合描述成：

输入状态 State A
       ↓
发生一个动作 / 情绪变化 / 信息揭示
       ↓
输出状态 State B

比如：

SHOT 37


Input State:


Character:
LINWAN


Location:
Office Corridor


Right Hand:
Medical Report


Emotion:
Calm


Face:
Normal




Event:


看见丈夫正在替另一个女人戴项链




Output State:


Emotion:
Suppressed Shock


Eyes:
Slightly Red


Medical Report:
Crumpled 20%


Location:
Office Corridor

Seedance 真正需要负责的，只是：

如何把 State A 演到 State B。

中间到底怎么呼吸、怎么眨眼、怎么出现细微表情变化，可以让模型发挥。

这样一来，AI 的幻觉被限制在“表演空间”里。

而剧情本身不会跑掉。

11. 人物一致性最终也会变成一个“版本管理问题”

比如一个人物在剧情中受伤。

完全可以建立：

LINWAN_V1
EP01 - EP08
无伤


LINWAN_V2
EP09
右脸刚刚受伤


LINWAN_V3
EP10 - EP14
伤口结痂


LINWAN_V4
EP15+
留下淡疤

那么 EP12 的镜头自动使用：

LINWAN_V3

这比小说中的状态管理有一个巨大的优势：

人物状态本身就是可视化的。

你甚至不需要把所有信息都语言化。

传统数据库可能需要记录：

scar:
  position: right_cheek
  healing: 0.7
  color: ...

而 AI 短剧完全可以直接拿上一阶段已经确认过的人物图作为视觉事实。

所以 Production State 可以同时拥有两层：

Symbolic State
+
Visual State

Symbolic State

保存：

  • 人物 ID；
  • 服装 ID；
  • 道具；
  • 人物位置；
  • 情绪；
  • 当前剧情知识；
  • 人物关系；
  • 剧情阶段。

Visual State

保存：

  • 人物参考图；
  • 服装图；
  • 场景图；
  • 上一镜；
  • First Frame；
  • End Frame；
  • 确认过的角色版本。

文字负责逻辑。

图片负责视觉事实。

两者一起控制视频生成。

12. 所以未来的核心可能不是 Prompt Engineering，而是 Shot Engineering

当模型越来越强以后，Prompt 本身很可能会逐渐贬值。

因为普通人也可以写：

女主发现丈夫出轨，非常悲伤。

但真正有镜头语言的人会知道：

SHOT A
先不给丈夫。


女主进入画面。


她的视线停住。


CUT


SHOT B
项链扣合特写。


CUT


SHOT C
女主眼神。


CUT


SHOT D
检查报告被慢慢攥皱。


CUT


SHOT E
最后才给丈夫。

这个差距并不是 Prompt 技巧。

而是：

什么时候应该给信息，什么时候不应该给。

什么时候用特写。

什么时候切 Reaction。

什么时候让人物不说话。

什么时候让观众比角色先知道。

什么时候让角色比观众先知道。

这才是真正的导演能力。

所以 AI 并没有消灭专业性。

恰恰相反：

执行门槛在极速下降，而审美和决策门槛正在上升。

过去一个人即使非常会讲故事，也需要：

  • 摄影机；
  • 灯光；
  • 演员；
  • 场地；
  • 摄影；
  • 美术；
  • 后期；
  • 大量资金。

未来这些门槛都可能大幅下降。

竞争最后越来越集中到：

你到底知不知道应该拍什么。

13. AI 导演、AI 制片人的门槛反而会越来越高

这也是我现在一个很明确的感觉。

很多人看到 AI 视频以后，会认为：

“以后人人都是导演。”

从“能把一个画面做出来”的意义上，也许是。

但从“能持续产出好作品”的意义上，不一定。

因为 AI 把执行成本降下来之后，过去被团队执行能力掩盖的专业差距会被放大。

一个真正懂镜头的人，会不断做这些决策：

  • 这个信息什么时候出现；
  • 这里应该切还是不切；
  • 用 Wide 还是 Close-up；
  • 这里是不是应该给一个 Reaction；
  • 这一句台词是不是不说更好；
  • 是否应该把一个连续动作拆成三镜；
  • 哪个镜头应该让模型自由发挥；
  • 哪个镜头必须严格控制；
  • 哪个镜头值得抽 20 次；
  • 哪个镜头 60 分就够；
  • 哪些镜头看起来漂亮，但放进 Sequence 里没有意义。

所以真正的核心能力，会越来越从：

“怎么执行？”

转向：

“做什么？”以及“为什么这样做？”

14. 不应该逐镜头追求完美，而应该先保证 Sequence 成立

AI 视频还有一个很容易掉进去的坑：

每个镜头都抽到特别漂亮。

SHOT 01 抽 8 次。

终于很漂亮。

SHOT 02 抽 10 次。

也很漂亮。

SHOT 03 再抽。

最后每个镜头单独拿出来都像广告片。

但剪在一起却不好看。

因为影视真正的单位从来不是单个 Shot。

而是：

Sequence。

所以更合理的工作方式应该是：

第一阶段

整集所有镜头快速做到 60～70 分。

马上粗剪。

第二阶段

看完整 Sequence：

  • 哪个镜头多余；
  • 哪个镜头太长；
  • 哪个地方缺 Reaction；
  • 哪个信息出现太早；
  • 哪个节奏断掉；
  • 哪个镜头应该被替换。

第三阶段

只重做真正重要的 Hero Shot。

这样既能控制成本，也避免陷入“局部最优”。

15. 这让我想到：AI 短剧最终需要的可能不是生成平台，而是 Production IDE

如果从产品角度继续往下推，我越来越不看好纯粹的：

“输入一个剧本，一键生成整部短剧。”

它演示起来很震撼。

但真正生产时，很难给专业团队足够的控制能力。

我更期待的是一种：

Visual Production IDE。

它可能长得更像：

EP01
 ├── Scene 01
 │    ├── Shot 001   ✓
 │    ├── Shot 002   ✓
 │    ├── Shot 003   ⚠
 │    └── Shot 004   ✓
 │
 └── Scene 02

点击 Shot 003：

Continuity Warning


Character:
LINWAN            ✓


Wardrobe:
OFFICE_A          ✓


Scene:
OFFICE_V3         ✓


Prop:
Medical Report    ⚠


Previous Shot:
Right Hand


Current Shot:
Left Hand

再往下：

Take 01   ★★★☆☆
Take 02   ★★★★★   Selected
Take 03   ★★☆☆☆
Take 04   Face Error

旁边还有：

Narrative Coverage


Beat 01   ✓
发现异常


Beat 02   ✓
项链信息


Beat 03   ⚠
女主情绪反应不足


Beat 04   ✓
检查报告

对于导演来说，他甚至不需要看到最终 Prompt。

他真正关心的是：

  • 景别；
  • 镜头运动；
  • 人物站位；
  • 情绪；
  • 注意力方向；
  • 信息暴露；
  • 节奏；
  • Entry State；
  • Exit State。

系统再把这些信息转换成具体模型需要的 Prompt。

这样以后即使底层从 Seedance 2.5 换成下一代 Seedance、Veo 或其他模型，上层工作流也不需要推倒重来。

16. AI 短剧和 AI Coding，其实在解决同一个问题

表面上看：

一个是代码。

一个是影视。

但我现在越来越觉得，它们底层其实在面对同一件事：

当 AI 的生成速度远高于人的理解和执行速度之后，人类如何继续保持控制权？

AI Coding 需要：

  • 可观察；
  • 可定位；
  • 可追踪；
  • 可回滚；
  • 可验证。

AI 短剧也一样：

  • 哪个 Shot 有问题；
  • 哪个人物状态错了；
  • 哪个 Take 被选中；
  • 哪个道具出现了连续性错误；
  • 哪个 Beat 没有被视觉覆盖；
  • 哪个镜头成本异常；
  • 哪个角色版本正在生效；
  • 哪一次生成改变了什么。

所以 AI 时代真正稀缺的东西，也许越来越不是“生成”。

而是：

控制、观察、诊断和决策。

17. 一个可能非常重要的结论

过去我们很自然地认为：

AI 首先是语言模型，所以 AI 最适合文字。

但从真正的大规模生产角度，也许并不是。

生成式 AI 更适合的，可能是：

那些生成结果可以被人类快速验证，而且错误能够被局部隔离和重新生成的领域。

而视频恰好拥有这些特征。

AI 不需要一次性生成一个绝对正确的世界。

它只需要：

在一个被定义好的局部状态中，生成足够好的下一段。

错了就丢。

不够好就再抽一条。

状态变了就更新角色版本。

连续性错了就重做一个 Shot。

剧情本身通过 Beat、Shot 和剪辑牢牢控制。

这可能才是 AI 短剧真正的优势。

结语：AI 没有降低“导演”的价值，而是重新定义了导演的价值

AI 短剧最让我感兴趣的地方，不是：

“以后不用真人拍摄了。”

而是影视制作正在发生一次非常彻底的重新分工。

AI 越来越负责：

怎么把东西做出来。

人越来越负责：

到底应该做什么。

模型负责生成。

系统负责保持状态。

剪辑负责组织剧情。

导演负责做选择。

而一个成熟的 AI 短剧生产系统，最终可能不再像一个 Prompt 输入框。

它更像：

影视行业的 IDE。

在这个 IDE 里，每一个 Episode、Scene、Beat、Shot、Take、Character State、Visual State 都是可以被观察、修改、版本化和回滚的。

当这种生产方式真正成熟以后，所谓“AI 短剧”也许就不会再是一个独立概念了。

它只是影视生产进入了一个新的阶段：

从拍摄驱动，变成状态管理 + 生成 + 筛选 + 剪辑驱动。

而这也许才是生成式 AI 最擅长的工作方式。