Google 投资《后室》片方A24：AI 最难学会的，是别急着优化

本文来自微信公众号： 极客公园 ，作者：Bryan，编辑：靖宇，原文标题：《Google 投资《后室》片方 A24：AI 最难学会的，是别急着优化》

硅谷擅长消灭摩擦。可创作的麻烦在于，有些摩擦恰恰是作品长出判断的地方。

作为一个常年在硅谷看项目的风险投资人，我听创业公司讲产品时，几乎绕不开一个词：friction，摩擦。

付款多点一步，是friction。程序员还得自己写测试，是friction。销售花半天整理客户记录，也是friction。找到它，再用软件把它消灭掉。过去二十年，硅谷的很多好生意，就是这么做出来的。

正如硅谷顶级风投机构a16z联合创始人Marc Andreessen那句名言：Software is eating the world。软件吞噬世界，往往就是从吞掉这些摩擦开始的。

这套办法在硅谷一直很好用。好用久了，人就容易手痒，看见什么都想优化一下。电影偏偏经不起这种热心。

今年6月，Google DeepMind宣布与电影公司A24建立长期研究合作，并向其投资约7500万美元。

成立于2012年的A24，以开发独具文艺气息的小众电影见长。它的代表作包括奥斯卡最佳影片《月光男孩》和《瞬息全宇宙》、全球票房大卖的《至尊马蒂》，以及今年热映的恐怖片《后室》。14年间，A24早已把片厂名字做成品牌：A24三个字，本身就是人气的保证。

这笔交易最令人意外的，是Google没有拿到A24的片库。照硅谷一般的花钱习惯，这多少有点反常。

初看之下，Google看中的似乎应该是A24多年积累的优质电影素材。Google正在重押Veo，而Seedance、可灵等视频模型也在不断逼近。让Veo学习《月光男孩》《瞬息全宇宙》这样的电影，听上去合情合理。

然而公开信息显示，Google无权访问A24的电影与电视片库，也不能用这些内容训练模型。A24旗下电影人同样没有使用相关工具的义务。双方真正展开合作的地方，是电影的创作过程：DeepMind研究人员将与电影人共同测试、迭代和开发工具。

片库既然被排除在外，这笔交易的价值便落在了另一个地方。Google想从A24那里获得的，可能是一种模型尚未掌握的分辨能力：

电影制作中的哪些摩擦应该消失，哪些摩擦必须留下？

01

AI视频，有人买单

AI视频已经越过了「有没有人用」的阶段。

在美国，据Runway今年7月发布的企业客户调研，一家全球广告集团把某美国保险品牌吉祥物的社交内容制作周期，从两三个月压缩到3小时，流程覆盖视频生成、语音克隆和口型同步。

中国市场的商业化也在加速。截至2026年6月，可灵全球用户突破1亿，企业客户接近5万；今年一季度收入超过6.5亿元人民币，同比增长超过300%。

AI视频正在走出模型演示，进入真正的生产流程，也开始成为一门有规模的生意。

产品边界也在快速前移。Google的Flow从单个镜头生成走向角色控制、场景延展和故事编排。Adobe在今年6月把Creative Agent进一步铺进Firefly、Premiere、Photoshop和Frame.io，用户可以从一个概念直接走到分镜，再从分镜生成视频。

这条路径在硅谷很熟悉。代码模型最初补全下一行代码，后来开始拆任务、改文件、跑测试。能力成熟以后，产品自然会向工作流上游移动。谁越早进入决策过程，谁就越有机会成为那个过程的默认入口。

过去两年，我在硅谷持续跟踪并参与AI视频项目的早期投资。最常见的演示，是输入一句描述，几分钟后得到一支像样的广告片。演示通常在成片出现时结束；可真实生产里最难的部分才刚刚开始：为什么选这一版，它牺牲了什么，最终由谁决定？

模型可以接连给出答案，团队仍须为每一次取舍负责。

今年5月，旧金山AI影视制作平台Flick完成600万美元种子轮，True Ventures、GV、YC和Lightspeed均在投资名单中。它把产品重心放在导演的持续控制上：反复取舍，维持人物与叙事，让工具进入创作的后半程。在我看来，硅谷资本已经开始给判断力单独定价。

创作工具也在经历同样的迁移。AI原先负责执行一个已经想清楚的意图，如今它在意图还很模糊时就进入现场。编剧写下一句故事梗概，系统可以立刻给出人物小传、视觉风格和分镜；导演只有一个不完整的感觉，几分钟后已经能看到接近成片的画面。

效率当然提高了。麻烦是，机器交卷越来越快，人还没想好题目。一个连题都没想明白的人，突然拿到一份八十分答案，通常舍不得撕。

02

判断，在摩擦中成型

影视制作里当然存在大量该被消灭的摩擦。

抠像、转码、素材检索、镜头匹配、重复调整不同画幅，这些工作昂贵、耗时，又很少产生新的表达。AI把它们压缩掉，创作者会得到更多时间和更低的试错成本。

Google自己的实践已经证明了这一点。

2025年，DeepMind与导演Darren Aronofsky创办的Primordial Soup合作短片《ANCESTRA》，用Veo完成了传统CGI难以快速实现的运动匹配和局部画面生成。Google披露，这部短片背后仍有超过200名传统影视专业人士参与，另有实拍团队、剪辑、视效、声音设计和作曲人员。

模型压缩了一部分高成本执行，却没有替团队承担电影里的全部判断。

另一类摩擦发生在判断形成之前。人物为什么要沉默，哪个漂亮镜头应该剪掉，一个令人不舒服的停顿究竟是表演失误还是全场最真实的几秒。这里没有明确流程，也很难写进效率指标。创作者必须在多个说不清的版本之间停留，有时还要忍受一段时间的难看。

在创作里，有些摩擦是成本，有些摩擦是研发。

硅谷产品团队习惯把用户的迟疑视为阻塞，把不确定性视为等待解决的痛点。可一个作品尚未成形时，迟疑本身就在生产信息。作者正是靠那些走不通的路，才知道自己究竟想去哪里。

如果系统过早交付一个完成度很高的版本，这段探索很容易被截断。一张漂亮的概念图会迅速成为团队的视觉锚点；一版结构完整的剧本，会让后面的讨论都围绕它修修补补。它们只是最早出现，却因为足够具体，看起来像是经过了选择。

03

八十分儿的答案，最难拒绝

AI对创造力的影响，已经出现了一个值得警惕的信号。

2024年发表在《Science Advances》的一项实验，让293名参与者在有无生成式AI灵感的情况下创作短篇故事，再由600名读者评价。获得AI帮助的作品，平均更好读，创作基础较弱的人提升尤其明显。另一边，这些故事彼此变得更加相似。

一项针对视觉设计的实验也观察到了类似现象。参与者接触AI生成图像后，更容易被最初的范例固定住，最后提出的想法数量更少，变化范围和原创性也随之下降。

这类研究样本有限，也不能直接替电影工业下结论。但它们揭示的机制很重要：AI的帮助会提高单次产出的平均质量，同时把不同的人拉向相近的局部最优解。

烂主意还好说，可真正难拒绝的，是那个八十分、今天就能交差的版本。

模型见过大量有效的叙事结构，知道怎样让开头更快进入情节，怎样给人物补足动机，怎样让一张图更接近用户口中的「电影感」。这些建议相当专业。创作者一旦接受了最初几个合理答案，后面每次迭代都可能变得更好，也离那个尚未被发现的作品更远。

很多作品没死在明确的否决上，但却被一连串善意而正确的修改慢慢磨平了。

04

A24：先别改

A24并不拥有一套稳定的视觉公式。《月光男孩》、《瞬息全宇宙》和《利益区域》放在一起，很难提炼出统一的镜头语言。把它们连起来的，是那些在传统流程里很容易被改掉的部分，最后得以留在作品里。

《利益区域》将集中营内的暴力大多挡在画面之外。观众看到墙这边一家人的日常生活，恐怖从声音里渗进来。若把「情绪表达是否充分」当成优化目标，系统完全有理由建议补充更直接的画面。叙事信息会更完整，可电影的力量也会随之消失。

A24的价值没有神秘到无法解释。它在少数关键时刻，愿意让一个暂时显得不顺、不清楚、甚至难以营销的选择多保留一阵。多数片厂怕作品不成熟，A24有时更怕它成熟得太快。

A24对风险投资也并不陌生。它自己本也是一家拿着风投资本一路长大的创业公司：早期有Eldridge，2022年又有Stripes与Neuberger Berman入股，2024年，又有Josh Kushner（超模Karlie Kloss的丈夫）掌舵的Thrive Capital入股。

放在这个背景下，Google–A24的合作比「AI学习电影审美」更值得关注。Google真正需要研究的，也许是判断产生的时序：什么时候生成有帮助，什么时候应该保持空白；什么时候反馈能推动作品，什么时候反馈只是把它拉回平均值。

05

为创作的歧路重写界面

今天主流的生成式产品，仍然围绕一个线性输入框展开。用户提出要求，模型给出结果，然后继续修改。探索、选择和制作混在同一条对话里，每一次回答都在推动用户尽快收敛。

真实的创作过程很少这么整齐。它会分叉、回头，也会把一个问题搁置两周。早期阶段需要扩大可能性，后期阶段才需要稳定执行。两者调用的甚至不该是同一种AI行为。

在方向尚未确定时，工具可以先帮助创作者建立差异足够大的分支，避免立即生成一张精致成品；某些问题可以被标记为「暂不解决」，保留矛盾和模糊。进入制作阶段以后，系统再接管一致性、素材管理和重复修改，并持续记住项目的边界。

这种记忆也不应只保存「想要什么」。那些明确拒绝过的选择同样重要：不要解释这个结尾，不要替人物寻找和解，不要用配乐提醒观众现在该难过。一次拒绝如果在下一轮就失效，创作者拥有的仍然只是提示词控制，并没有真正的创作控制。

从投资角度看，我越来越少把单次生成质量视为长期壁垒。模型榜单每隔几个月就会重排，创作者在项目中积累的取舍、拒绝与协作习惯却很难迁移。谁能理解一个创作者长期的意图，保存他的决策历史，并在正确阶段采用不同的交互方式，谁才可能真正占住创作工作流。

A24能提供的，或许就是这套仍然没有被软件化的经验。

06

废稿里，藏着判断的底稿

当然，A24与Google的合作也有另一面。

Google拿不到A24的片库，听上去像是保护了最重要的资产。但电影人提交的草稿、被放弃的分镜、修改记录和拒绝理由，可能包含更高密度的判断。它们展示了创作者如何从十个可行版本里杀掉九个。

这些过程数据归谁，是否会用于训练通用产品，电影人能否逐个项目退出，目前的公开信息尚未给出完整答案。如果所谓共同开发最终变成由艺术家免费提供高价值反馈，再由平台把它封装成所有人都能调用的功能，这项合作只会加快审美的工业化。

更好的结果当然存在。Google用A24的真实工作流校准工具介入的边界，让模型承担执行成本，同时把探索路径和最终决定留给创作者。

硅谷已经造出了越来越会回答的机器。但创作软件接下来要补的能力，是识别一个问题，啥时候还不该有答案。

先等等，别优化。

它还没长完。

作者简介：