49

We're here to put a dent in the universe. Otherwise why else even be here?

技术

无限画布的三次自救，和它们共同绕开的那个动作

49

一、趋同的不只是界面，还有投入的方向

打开今天任何一个 AI 视频创作平台，界面几乎是同一个：一块可以无限平移缩放的画布，上面漂着卡片和连线。

LiblibAI 的 LibTV 把剧本、图像、视频、音频、脚本五类节点铺在同一块无限画布上。Flora 用画布编排五十多个第三方模型，每个输出都成为可以继续往下串的节点。Krea 推 Krea Nodes。Weavy 被 Figma 收购后成为 Figma Weave，同样是节点画布加合成。字节的即梦上线了”智能画布”，支持批量生图、批量改图、再基于图做视频。ComfyUI 从第一天起就是节点图。

界面趋同本身不奇怪。更值得看的是过去半年画布这一路的更新方向也高度趋同，而且推进得非常快。仅 LibTV 一家，几个月里就陆续上线了画布内的 3D 导演台、镜头组自动成宫格、一键画布整理、逐帧拉片、智能引用、素材混剪、片段重拍、情绪调节、虚拟角色库、五分钟长视频直出、Blender 插件，以及带资产库和权限的团队空间。这不是一个在回避问题的产品该有的节奏。

所以这篇文章的论点不是”没人在解决这个问题”。恰恰相反，所有人都在猛冲，而且对问题的诊断相当准。麻烦的地方在于，画布这一路的投入全压在同一个方向上，而这个方向漏掉了一件事。市场上另外还有两条结构上完全不同的路线，第十节会专门拿来对照，它们各自补上了画布缺的一半，又各自缺了另一半。

1997 年 SIGGRAPH 上，Marks 等人发表了 Design Galleries: A General Approach to Setting Parameters for Computer Graphics and Animation，处理的正是今天的问题：图形系统的参数空间太大、人无法手工调参，那就自动生成一大批差异明显的候选，让人从中挑。他们把技术挑战拆成两半。一半叫 dispersion，如何让候选在输出空间里充分散开；另一半叫 arrangement，如何把这些候选组织成人能直观浏览的形式。

生成模型把 dispersion 做到了近乎免费。而 arrangement 这个词今天的行业也在做，只是做的是另一个意思：他们说的组织，是”把素材整理好，让下一次生成更准”；Design Galleries 说的组织，是”把已经生成的东西摆成人能做判断的形式”。前者优化采样，后者支持决策。二十九年过去，力气几乎全花在了前者身上。

过去一年的更新可以归成三轮自救，第六到第八节各讲一轮，第九节把三轮并在一起看。判断每一轮站在哪一边，有个很省事的办法：看一个功能的终点是”再生成一次”，还是”这一条定了”。

二、无限画布赢得有道理

批评之前得先承认它为什么会赢，否则后面的话都站不住。

最根本的一条是生成属于采样而非渲染。AE 和 Premiere 的时间线建立在一个隐含假设上：参数确定，输出就确定。你改一个关键帧，旧的渲染结果被覆盖，产物始终只有一个，历史体现为参数的历史。生成模型把这个假设打碎了。同一段提示词换个 seed 出来的是完全不同的东西，换个模型版本连风格都变。重试产生的是新实体，不是同一个产物的新版本。中文创作圈把这件事叫”抽卡”，这个词本身就说明了问题：抽卡的产出是一堆卡。时间线装不下一堆卡，画布可以。

第二条是产物之间的关系天然是有向图。文生图、图生视频、首尾帧衔接、视频延长、超分、换脸，任何一个中间产物都可能派生出多条支线。画布加连线是表达这种血缘关系成本最低的形式。

第三条容易被低估，也最有理论依据：画布不要求你先声明”这是什么”就能开始干活。创作早期最大的不确定性就是”我在做什么”，任何要求前置分类的界面，都是在用户信息最少的时候逼他做决策。Shipman 和 Marshall 1999 年在 CSCW 上那篇 Formality Considered Harmful 讲的就是这件事：交互系统遇到的许多困难，根源在于用户不愿意也无力把结构、内容和流程显式表达出来。早期的类型化超链接系统要求用户在意图尚未成形时就声明链接的类型和目标，这种过早形式化会被用户绕开或拒绝。画布把形式化成本压到了零，所以它在探索阶段确实是对的。

工程和商业上的原因更直白。tldraw、react-flow、litegraph 让画布成了几天能上线的商品化组件。更关键的是，画布让平台在早期不必对影视工作流持有任何观点。观点意味着约束，约束意味着收窄目标市场。当模型能力每半年翻一遍、没人确定用户到底怎么干活时，”给他一块空地，让他自己发明工作流”是风险最低的选择。这条理由今天已经过期，导演台、镜头组、分镜宫格、虚拟角色库，每一个都是对影视工作流的明确观点。但它解释了画布最初为什么会是画布。

这些理由全都成立。无限画布的问题不在起点。Shipman 和 Marshall 那篇文章的结论并不是”永远别形式化”，他们开的药方有三味：渐进式形式化，系统辅助的形式化，以及识别用户未曾声明的结构。有意思的是，后两味今天已经配出来了。逐帧拉片能自动读出一支片子的运镜、关键帧和叙事节奏，智能引用能理解剧本内容并匹配对应的角色、场景和风格，这正是系统辅助的形式化和识别未声明结构的实现。只是这些能力被接在了生成的入口上，没有接到选择的出口上。药配齐了，全倒进了同一侧。

三、人为什么还留在环里

过载有多严重，取决于人必须亲自介入的比例。在可预见的时间内，这个比例都不会低。

分镜说到底是导演决策：景别、机位、运镜、光影氛围、节奏，以及上下镜之间怎么衔接。这些东西模型现在给不了。行业里的实操经验反复在讲同一句话：你不把景别、机位、镜头运动、光影讲清楚，它只会生成一张随便的静态插画，撑不起连续叙事。这句话常被读成”AI 分镜质量还不够高”，但它的含义要更重。AI 并没有替你做那个决策，它只是执行你已经做完的决策。整条链路上最费脑子的部分，一点没被减轻。

提示词那一关同样没过。实际写法是一点点加关键词往上试，加了也不保证收敛，生成结果有时会面目全非，只能推翻重来。当改提示词的边际收益低于再抽一次的边际收益，多抽就是理性策略。抽卡不是用户懒，是模型响应不稳定条件下的最优解。

厂商的叙事则是”一句话从剧本干到成片”。LibTV 这类工具确实提供了 Skill 加提示词模板的组合，能跑出包含五到十个分镜的完整工作流，还开放 API 让 agent 直接调用而不必模仿人类点界面。但即便在明显偏正面的实测报道里，也会出现成片中的产品和最初给的参考对不上、必须定位回前置节点修改的情况。

这并不能算工具失败。Wu 等人 2022 年在 CHI 上的 AI Chains 已经把这件事讲清楚了：把复杂任务拆成链式的小步骤，并且把中间产物暴露出来让人编辑、比较、单元测试，显著提升了输出质量、透明度和可控性。链的价值就来自人能在每个节点介入。所以用户退回前置节点修改，是这类系统本来就该有的用法。错的是”一句话成片”这个宣传，不是那个交互。

于是画布上堆积的，是人工逐镜筛选之后留下的全部残渣。这件事不难理解，值得注意的是行业选择怎么应对它。面对”人必须亲自挑”这个前提，可以往两个方向走：要么减少需要挑的东西，要么让挑这件事本身变得容易。第六到第八节会看到，画布这一路整齐地选了前者。

这里先立一条约束，后面会反复用到：收敛动作必须是给人用的，成本要低到一个快捷键。”让 agent 自动帮你整理画布”这件事其实已经有了，LibTV 的画布整理能把铺着几百上千个节点的工程一键排齐。但它整理的是排版几何，不是语义，整齐的混乱仍然是混乱。真正需要被整理的是”哪些还算数”，而这件事需要人的判断，agent 替不了。

四、过载的结构

Russell、Stefik、Pirolli 和 Card 1993 年在 CHI 上提出的 sensemaking 成本模型，是理解这件事最好的框架。他们把 sensemaking 定义为寻找一种表示、并把数据编码进这种表示以回答任务相关问题的过程。表示的选择实际上是在分配成本：换一种表示，各项操作的代价结构就跟着变，而这种”表示转换”的威力通常被严重低估。

这不是中文创作圈独有的处境。Benharrak 和 Pavel 在 CHI 2026 的 HistoryPalette 里把它讲得很直接：创作本来就要求人反复地产出、挑选和丢弃想法，而生成式 AI 特性通过提示词和随机生成的快速试验，抬高了创作者需要考虑的候选数量；创作者只能用繁琐的手工办法组织自己先前的想法，靠存文件版本或者隐藏图层，而他们想要的那种复用过往候选的支持并不存在。

从这个角度看，无限画布是一次极端的成本分配。它把编码成本压到零，随手一扔就行，不用命名、不用分类、不用声明关系。代价是把全部成本推给了后续的检索和理解。这笔账在探索阶段划算，因为那时你还不知道自己在找什么。一旦进入生产阶段，它就变成纯粹的负债。

具体表现有四个。

第一，所有产物永远平权。画布没有降权机制，被否决的和被选中的同样大小、同样清晰、同样占据面积和注意力。对比一下别的工具怎么处理：Figma 里被毙掉的方案会被拖到 archive 页，Git 里没被合并的分支不出现在主线，文件系统有回收站，连相册都有隐藏功能。画布什么都没有。

第二，空间成了唯一的索引，而空间是最弱的索引。”这堆东西是第三场的”这个信息只存在于坐标里，由人手工维护，没有任何机制保证它继续正确。它不可查询，你没法筛出”所有推镜头的废片”。它会过期，隔一周你自己也不记得左上角那堆是什么。最致命的一点要到第五节才谈：它在人和人之间根本传不过去。

第三，血缘不等于叙事。画布记录的是”怎么做出来的”，属于生产结构；交付物要的是”按什么顺序播”，属于叙事结构。两套正交的组织方式被压在同一个平面上，结果谁也表达不好。几乎所有画布工具最后都要接一个外部剪辑软件，不是因为功能没做完，是因为一个平面装不下第二套结构。

第四条把前三条串起来。所有 AI 创作工具都有”生成”，几乎没有一个把”定稿”做成一等公民。唯一像样的例外不在画布这一路，第十节会讲。用 Git 打比方最清楚：它们只有 branch，没有 merge。没有 merge 就没有主线，没有主线就没有”当前状态”这个概念，没有当前状态，任何一次重新生成都只能是又一个平级的分支。熵只增不减是结构决定的，跟用户会不会整理无关。

五、分工让”难用”变成”不可用”

前面四节讲的都是单人使用的情形。而 AI 短剧和漫剧的生产早就不是单人了。

2026 年上半年，AI 短剧相关的招聘需求同比暴涨 179%，出现了一批全新的工种：AI 分镜师、AI 生图师、AI 抽卡师、AI 剪辑师。”抽卡师”的岗位定义就是写提示词、生成、修改、再生成，要求有审美判断和工具熟练度。导演则负责创意方向把控、分镜指导、团队协作管理和成品质量把控。

把这两个岗位的产出对照 Design Galleries 的分类，会看到一件很尖锐的事：抽卡师的产出是 dispersion，导演的产出是 arrangement，两个角色的目标方向相反，却共用同一块画布。一块画布同时服务这两个人，必然对其中一个是错的。

分工还直接摧毁了画布的索引机制。空间记忆是私有的，它能让你在自己的会话里快速回到某个位置，却没有任何办法转交给别人。传统影视之所以能分工，靠的是每个环节之间都有标准化的交付物契约：剧本、带景别机位时长的分镜表、素材、粗剪、精剪。EDL、AAF、OTIO 这些交换格式存在的意义就是让交接有据可依。画布上没有交付物，只有一堆平权的节点，交接只能靠口头描述和截图。

现实中的症状已经很清楚。一位转型 AI 的影视公司负责人的原话是：”AI 技术发展得这么快，但团队怎么分工、怎么交接、怎么考核，没有人说得清楚。”具体表现是 A 团队用 Excel 分镜表、B 团队用飞书、C 团队用 Notion，格式互不相通；文件在多个工具之间来回传递，版本管理靠手动改文件名。

“靠改文件名”这个细节很关键。Kery、Horvath 和 Myers 2017 年在 CHI 上的 Variolite 研究了数据科学家的探索性编程，发现他们普遍使用非正式的版本管理：复制粘贴代码、保留用不到的旧代码、把代码注释掉，因为正规版本控制系统的节奏和探索性工作不匹配。九年之后换了一个行业，同一个现象原样重演。而上一节引的 HistoryPalette 记录的是第三个行业：创意工作者靠存文件版本和隐藏图层来管理候选。三个行业，九年跨度，同一种代偿。这说明它不是从业者素质问题，而是形式化成本与探索节奏不匹配时，人会稳定表现出的适应行为。也就是 Shipman 和 Marshall 说的那件事。

还有一层，我认为是分工带来的最大变化：收敛是一个带权限的决策。这一镜谁有权定稿、什么时候定的、依据是什么、还能不能改，这些在有分工的生产里都要留痕。

说这话之前得先澄清一点：平台不但做了，而且诊断得相当准。LiblibAI 解释为什么要推出团队版时是这么写的：一部真正的 AI 电影、短剧或 TVC 往往不是一个人完成的，背后通常是一个工作室甚至一整个组织，导演、编剧、分镜、美术、剪辑、运营、品牌方围绕同一个项目反复修改反复对齐；而大量角色设定、镜头语言、画面风格、提示词工作流和参考素材，长期散落在聊天记录、文档、本地文件夹和不同账号里；很多团队好不容易调出了稳定的角色、风格与镜头体系，这些能力却很难沉淀下来，新人无法快速接手，团队无法持续复用，成熟的创作流程很难规模化延续。

这段话几乎就是本节前面几段的复述。问题从来不在于厂商没看见。

处方也开了。团队版提供统一的团队空间，分镜、脚本、镜头资产、生成记录与工作流集中沉淀，历史个人项目可以迁移进来；多人在同一块画布实时协作，同步节点状态、生成进度与镜头修改；团队资产库沉淀角色主体、风格模板、运镜方案、提示词工作流和参考素材；多级权限覆盖项目的访问、编辑、复制、发布；共享积分池加成员额度分配；成员退出后资产自动交接，项目、素材、角色体系与工作流保留在团队空间，不因人员流动而中断。Flora 那边是实时多人光标、节点级评论批注、共享资产库、版本历史、按成员用量上限和用量分析。

这些都是实打实的，也确实缓解了一部分痛苦。缺的是另一件事：它们解决的是共享，不是分工。官方对团队版的描述里有一句话，正好就是问题本身：所有人看到的都是同一张画布的最新状态。而分工的定义偏偏是不同岗位需要看到不同的东西。抽卡师要的是一千个候选的高密度网格，导演要的是六十个镜头各一张卡的序列。让所有人看到同一张画布，是协作的胜利，也是分工的失败。

权限的粒度说明了同一件事。团队版的多级权限是访问、编辑、复制、发布，加上项目可见范围和积分额度，全都是资源访问权限，管的是谁能看、谁能改、谁能拿走、谁能发出去。没有一级是定稿权。分工需要的是决策权限，管的是谁能拍板这一镜用哪一条。

有个对比很能说明问题。积分追踪做得比创作追踪还细，官方原话是”每一分钱花在哪个环节一目了然”。平台清楚地知道你花了多少钱抽卡，却不知道你为什么选了那一张。

这不是一家的偏好。Runway 的企业版在 2026 年开放了按次导出积分消耗和审计日志的接口，每一次生成返回一行，带着它消耗的积分，审计条目还能按动作、操作者邮箱和工作区来过滤。审计日志他们是做了的，记的是谁花了多少、谁执行了什么动作，唯独不记谁定了哪一条。所以不是做不到追踪，是没意识到要追踪什么。

Figma 提供了参照。它能支撑真正的分工，靠的不只是多人光标和评论，还有 component、library、branching、review 这一整套结构边界。前两样团队资产库都有对应物，后两样没有。而恰恰是后两样构成了 Figma 的分工能力：分头改出并行的版本，然后由有权限的人审阅并合并。画布工具把协作和沉淀那两半抄得很完整，唯独漏掉了拍板。

六、第一次自救：把”定下来”的东西挪到生成之前

面对过载，行业的反应其实很快，而且回头看可以归成清清楚楚的三轮。第一轮是把”定下来”的东西从生成之后挪到生成之前。

先动的是用户，不是平台。现在相当一部分团队的实际做法是：把抽图挪到画布外面做，挑出满意的图上传到素材库，画布只负责图生视频这一步。

这个取舍值得认真看，因为它等于用户主动放弃了无限画布的全部价值主张。画布号称的优势是把整条链路收在一个空间里，让血缘和探索同时可见。而用户实际只留下了整条管线中的一步，还是最接近一对一映射、最不需要无限空间的那一步。当一个工具只被用来做管线里的一环，它作为组织工具的失败已经不需要再论证了。

素材库解决了两个画布解决不了的问题：它有 schema（角色、场景、道具），所以可以分类检索；它跨项目跨集存在，所以能承载连载所需的一致性。它同时充当了第五节缺失的那个交付物契约，导演和分镜师产出”选定的图”入库，抽卡师和视频专员从库里取。

平台随后跟上，而且跟得比用户激进。LibTV 的团队空间支持把个人项目移进去统一归档、共建项目资产库，团队资产库沉淀角色主体、风格模板、运镜方案、提示词工作流和参考素材；它甚至把这一轮做到了极致，直接预置二十三个高质感的虚拟数字演员，形象稳定可控，一键调用就能进生产，官方给的理由正是”省去反复生成、试错调整的时间”。

模型层的动作方向一致。Vidu 做了多主体参考，官方说法是突破视频模型的一致性生成难题；Runway Gen-4.5 的卖点写作 lock subjects across multiple shots，那个 lock 就是收敛；主体参考现在几乎是所有主流产品的标配。

这一轮解决的是”让每次生成更一致”，效果是实打实的。但它是一个有代价的解，代价有三笔。

收敛的成本被完全推给了人。上传、命名、归类、维护素材库，全是手工劳动，而且它复现的正是”版本管理靠改文件名”的老路。平台自带的资产库也不例外，它的定位是归档，是事后整理，而不是生产过程中的收敛载体。

血缘在入库那一刻断掉。素材库里的图和画布里的视频之间不存在链接，你无法从一段成片回溯到”这一镜用的是哪张图、那张图是第几次抽出来的、当时为什么选它”。审计链断了。对一个已经出现分工、需要考核和复盘的生产体系来说，这是实打实的损失。

画布退化成一次性工作台，用完即弃，不沉淀。而沉淀正是分工和连载最需要的东西。

所以结论不是”我认为应该做子母画布”。用户已经在两个互不联通的工具之间手工实现了”前置收敛加有 schema 的资产层”这个结构，只是实现得很贵，而且丢失了血缘。需求早就被验证过了。

七、第二次自救：把不该随机的部分从采样里拿出来

第二轮是用 3D 白模做预演，把机位、时序和空间关系从采样里整个拿走。

走得最早的是 LibTV。它 6 月上线的”导演台”是画布里的一个轻量 3D 构图节点，用摆积木的方式搭故事空间、控制 AI 演员位置，向左挪一下机位、移动一下模型，把画面和角色三视图、场景图一起丢给模型做参考，就能得到自然的切镜。它还能把一张普通场景图转成 720° 全景，再添人物素模、旋转视角。到了 Seedance 2.5 上线时，LibTV 又补了 Blender 插件，支持直接录制白模视频或截取画面一键发送到画布，官方的说法是”无需反复导出和上传，直接打通 3D 白模与 AI 视频创作流程”。

同期 updream 在 8 月 17 日上线了”预演台”，把影视工业成熟的 previs 流程整套搬进创作画布：上传一到三张场景参考图，几分钟内生成一个可以三百六十度旋转查看的 3D 白模场景，然后在画布上直接调度机位、人物走位和运镜，录成白模预演视频，再交给 Seedance、Kling、Wan、Veo 渲染成片。创作者不必再学传统建模。它把这套流程概括成一句话：先设计镜头，再生成画面。

海外走的是同一条路，用词甚至更直白。Higgsfield 的 Cinema Studio 2.0 自称 previz 能力可以与专业 3D 软件相比，靠的是 deterministic optical physics 加多轴摄影机控制；Runway Gen-4 提供颗粒度很细的运镜控制，可以指定摇镜方向、焦距、推轨速度和变焦对焦。学界也已经跟上，Hu 等人在 CHI 2026 上的 PrevizWhiz 研究的正是如何结合粗糙 3D 场景与 2D 视频片段来引导生成式视频预演，让电影制作者可以更快迭代而不失去空间控制与导演控制。

这几条路线做的是同一件事：让无材质的灰模先把摄影机运动、时序和空间关系锁死，模型只负责给它重新赋予外观。用第四节的框架看，这是一次典型的 representational shift。白模是一种确定性表示，机位、时序、空间关系、时长全部可参数化、可复现、可局部编辑，改一次不会连带把别的都改掉。把这些信息从”生成结果”里外移到一个确定的中间表示上之后，重试的对象从整个画面缩小成了外观，抽卡的方差自然下降。

从组织的角度看，白模是一个真正的容器。它承诺了唯一输出，这一镜的机位和调度已经定死；内部允许生成模型在材质、光影和风格上继续发散。它同样缓解了分工问题，因为白模是一个可交接、有验收标准的交付物，导演交一段白模给抽卡师，而不是在画布上指着一张卡说”就这个感觉”。这是第五节缺失的那个契约的另一半：素材库定的是”长什么样”，白模定的是”怎么拍”。

顺便，它也削弱了”一句话成片”背后的乐观。当生成模型在管线里被降级为一个渲染器，那个叙事其实已经被行业自己放弃了。

会不会再往前走一步，白模和抽卡这些中间环节最终也全部消失，AI 直接从剧本做到成片？我认为不会，至少在可见的时间里不会。理由有两条。第一，”好看”没有自动验证器。人的审美是唯一的评估函数，它昂贵、主观、无法并行。瓶颈从来不是生成能力，是评估能力：你可以让模型一秒生成一百个镜头，但没人能一秒看完一百个镜头并做出判断。第二，叙事意图很难在提示词里穷尽，这就是第三节的结论，模型只是在执行你已经做完的决策。

所以更可能的形态，是长期停在”人指定意图、机器执行、人验收”上，而白模正是”人指定意图”这一步的形式化载体。人的介入点会从”挑一千张卡”上移到”改一段白模”，介入次数大幅下降，但介入的必要性不会消失。

这也不算走回传统模式。传统 previs 要求人从零建模，是一种高成本的形式化，所以只有大制作用得起。现在是系统先猜一个结构，人来修正。形式化的成本由 AI 承担，形式化的收益由人拿走。这正是 Shipman 和 Marshall 1999 年开的药方，系统辅助的形式化，只是要等到二十七年后，生成模型足够强，它才第一次变得可行。

这一轮解决的是”让构图和运镜不再靠抽”。

八、第三次自救：把重试的粒度从整条降到一处

第三轮最新，也最能说明行业的想象力集中在哪里：既然重试无法避免，那就让每次重试变小。

这一轮直接推翻了我原本要写进上一节的一条论断。视频是连续信号，局部错误没法局部修，改一帧会破坏时序一致性，修复成本常常和重做一遍差不多，这在半年前还是最硬的理由。LibTV 随 Seedance 2.5 发布的”片段重拍”把它拆了：30 秒的片子只有 2 秒不对，就只重拍那 2 秒，重新描述人物、动作或画面要求，生成后替换回完整视频。官方的说法是”从一次抽卡升级为按秒修改”。

更细的粒度也已经到位。情绪调节允许在多人画面里指定单个人物改表情，其余人物、背景、构图完全保留不动；界面是一个四象限，一轴从激动到平静，一轴从亲近到疏离，拖拽点位混搭出二十五种情绪，眼神、眉眼、嘴角、脸颊的变化都按真实面部肌肉运动的规律来。人像质感调节是同一路数，保留五官特征与构图，只调皮肤、纹理和锐度，并自动统一人物与背景的色温、噪点、清晰度和边缘过渡。

海外的动作更彻底。Runway Aleph 2.0 做的是精确局部编辑，描述一下要去掉什么，模型自己检测物体并重建画面，不需要遮罩也不需要手动跟踪，而且能在剪切点和场景切换之间保持编辑一致；Runway 干脆在 2026 年 7 月 30 日下线了旧的 Inpainting 工具，把能力并进了新的编辑体系。Kling O1 则把生成和编辑合进同一个模型，支持 inpainting 和 outpainting、改变镜头构图、局部或全局地换主体、背景、风格、颜色乃至天气，官方的定位是让创作者”不用在工具之间来回拼接”。

这一轮有件事很值得注意：它的交互语义已经不是”再抽一次”，而是”改这一个”。拖动四象限里的一个点、框住一个物体说”去掉它”，这些动作把创作从采样退回到了参数控制，而参数控制是可复现、可微调、可撤销的。情绪调节那个四象限尤其眼熟：Hartmann 等人 2008 年在 UIST 上的 Juxtapose 做的就是自动为程序变量生成一组运行时调节控件，让设计师并行地试更多方案、试得更快。十八年过去，同一个交互回到了生成模型上。这说明平台完全有能力做出终点不是重新采样的功能。

这一轮解决的是”不满意时不用推倒重来”。

九、三次自救，同一个盲区

把三轮并排放在一起，会看到一件之前分开看不出来的事。

第一轮锁住主体和风格，让每次生成更一致，于是少抽几次。第二轮锁住机位和时序，让构图不再靠运气，于是又少抽几次。第三轮把重试的范围缩小到一个片段、一张脸、一个物体，于是重抽变成了改一处。

三轮全都在减少”需要被组织的东西”的数量。没有一轮在组织已经生成出来的那一千张。

换成第一节的说法：三次自救全都在压缩 dispersion，一次也没有做 arrangement。

用那个判据挨个过一遍会更清楚。逐帧拉片可以自动拆解一支参考视频的画面风格、关键帧、运镜、叙事节奏、时间戳和背景音乐，整理成能直接调用的素材组，终点是喂给生成。智能引用在项目里有大量角色、场景、道具和风格参考时，自动理解剧本并匹配对应参考、插进提示词的正确位置，终点是喂给生成。素材混剪接受视频、图片、音频和逐字稿，自动完成素材理解、画面匹配、结构编排和剪辑包装，终点是生成一条片。画布整理把铺着几百上千个节点的工程一键排齐，终点是让画布看起来不乱。镜头组自动把多张图收成宫格、智能排序，终点是导出一张带序号的 4K 大图。

智能引用最能说明问题。它知道这个镜头该引用哪个角色、哪个场景、哪个风格，却不知道这个镜头最后用了哪一条、是谁拍的板、为什么是它。它服务的是输入侧的组装，不是输出侧的组织。逐帧拉片也一样，它的拆解对象是别人的参考片，而不是自己抽出来的那一千张卡。同一套视觉理解能力，用来分析输入，没有用来整理输出。素材混剪确实是自动化的编排，但它编排的是叙事层的成片顺序，不是探索层的候选管理。就连第八节那个交互语义已经跳出采样的情绪调节，做的也是”把这一条改好”，不是”把这一条定下来”。

这和第五节那两个对比指向同一个盲区：积分追踪细到”每一分钱花在哪个环节一目了然”，创作决策却一点没留痕。平台清楚地知道你花了多少钱抽卡，也清楚这个镜头该引用什么，就是不知道你为什么选了那一张。

有一条必须承认它做对了。超长视频那句”完整保留生成过程中的中间片段与节点关系，可以展开查看、单独修改任一镜头，再同步更新最终视频”，正是下一节要讲的容器契约的前三条：对外承诺唯一输出，内部可折叠，换掉内部某个片段不会让父层失效。LibTV 已经把子母结构做出来了，只是它只在长视频这一个场景里成立，没有被提升为画布的通用结构。做对的那次是个特例，不是范式。

值得说明的是，这块能力并不需要从零发明。影视后期有一整类成熟工具专门干这件事，Frame.io 以及 Wipster、Ziflow、Vimeo 这些同类，提供的正是逐帧精确的批注、版本追踪和审批流，让相关方在具体某一帧上留下意见，让编辑知道哪一版通过了、通过的人是谁。Frame.io 2015年就有，2021年被 Adobe 收下。只是它长期站在成片之后，和生成那一侧互不相干。这个局面正在起变化，下一节会讲。

还有一层反讽。这三轮自救几乎每一项都在降低”再生成一次”的成本：按秒改而不是整条重做，自动组装提示词而不是手动查找，锁住主体省去反复调试。按第十二节要讲的杰文斯悖论，降低单次成本会推高总次数。行业在缓解症状的同时，也在加剧病因。

所以这不是能力问题，是取向问题。同一套内容理解能力，掉转九十度就能用来记录决策：谁定的、什么时候定的、在哪几个候选之间选的、被否掉的那些差在哪。零件都在，只是没有一个朝那个方向装。

十、另外两条路线，各有一半

到这里为止讲的都是画布这一路。但市场上并不只有这一条路，另外两条的架构选择完全不同，而且各自补上了画布缺的那一半。

第一条是结构先行。LTX Studio 把 storyboard、生成和时间线编辑连在同一个工作区里，卖点写得很直白：面向制作团队，而不是一个片段生成器；它覆盖从图像生成、分镜、视频生成、音频到时间线编辑和导出的整条链路，用多场景的结构化工作流对标 Runway 和 Pika 那种一段一段生成的做法。updream 和 Elser AI 走的是同一路，剧本、分镜、角色管理和项目管理都收在一个流程里。

这条路线确实收敛。片子有场次、有镜号、有顺序，每个位置只放一个东西，交付物一清二楚。代价是它要求用户在信息最少的时候把结构声明出来，先有分镜表，再去生成。这正是 Shipman 和 Marshall 说的过早形式化，也是第二节讲的画布最大的优点的反面。所以它不是画布的替代品，是画布的镜像：画布保住了探索，丢了收敛；结构先行保住了收敛，丢了探索。

第二条是从协作层长回来，代表是 Adobe。它手里正好有两半：Firefly 那一侧管生成，Frame.io 那一侧管审阅。2026 年 4 月 Adobe 发布 Creative Agent，6 月 18 日把 Premiere、Photoshop、Illustrator、InDesign 和 Frame.io 一起推进公开测试，官方把这套东西描述成贯穿创意工作各个阶段的连接层。落到 Frame.io 上的表述是：给出创意方向，AI 助手就帮你在项目内组织拍摄素材、在多个版本之间把反馈浮出来、并生成 B-roll。

值得注意的是这里的方向。别家是在编辑画布上加生成能力，Adobe 是把助手从编辑画布挪到笔记和素材沉淀的协作平台上。Frame.io 本来就是这一整类工具里最成熟的那个，逐帧批注、版本追踪、审批流一应俱全，而 Adobe 正在把它从”成片之后的关卡”往创作过程里前移。

这条路线握着的是三条里最稀缺的那一半：一套成熟的、有权限的、留痕的”这一版通过了”。它缺的是另一头。Frame.io 的粒度是交付物级的，管的是这一版剪辑过不过；而生成侧需要同一个语义在早得多、细得多的地方生效，管的是这一千个候选里哪一个进片。前移了多少，目前还看不出来。

把三条并排放：画布派的结构能涌现，但从不收敛；结构先行派能收敛，但结构是预先声明的；协作层派的收敛机制最成熟，但长在生成之外。三条各有一半，没有一条把”结构可以涌现”和”收敛是一等公民”这两件事放在同一个地方。

下一节要谈的设计，说到底就是这个缺失的组合。

十一、那么界面应该长什么样

如果前两节的诊断成立，那么被绕开的那个动作总得有地方安放。三轮自救已经把要求提得很具体：收敛应当前置，收敛的结果需要一个有 schema 的地方沉淀，血缘不能断，而且这一切要在有分工的团队里成立。剩下的问题是这些要求在界面上怎么表达。

先说一件容易被忽略的事：界面这一侧同样有现成的答案。Suh、Min、Palani 和 Xia 2023 年在 UIST 上的 Sensecape 已经做过并验证过。他们针对的是用 LLM 做复杂信息任务时的同一类困境：对话界面是线性的，而任务需要非线性地在空间中安排信息。给出的方案是通过多层抽象管理复杂度，并让用户在 foraging 和 sensemaking 之间无缝切换。系统同时提供 hierarchy view 把握概念的高层结构，以及 canvas view 做细粒度的图解。被试内实验显示，把抽象层级外化出来之后，用户能探索更多主题，并把知识组织得更有层次。

同一届 CHI 上，Autodesk Research 的 Atelier 走得更近，几乎是同题作文。Guo、Ledo、Fitzmaurice 和 Anderson 提出 protosampling 这个概念来描述生成式创作里采样与原型制作紧密交织的状态，并把它落成一个面向 AI 图像与视频创作的画布系统，明确主张工具应当保留过程、来源和控制，而不是把创作简化成输入提示词。

Cockburn、Karlson 和 Bederson 2009 年在 ACM Computing Surveys 上那篇综述提供了一个现成的坐标系。他们把这类界面归为四类：overview+detail 用空间分离聚焦视图和上下文视图，zooming 用时间分离，focus+context 把焦点嵌在上下文里以消除接缝，cue-based 则选择性地突出或抑制信息空间中的条目。

对照之下，无限画布只用了四种里的一种，它全部的组织能力就是 zooming。而前面推导出的三条要求分别落在另外几类上：子母结构是 overview+detail，未选中项的降权是 cue-based，父层不进入就能预览子层结果是 focus+context。这不是什么需要发明的新东西，是一份 2009 年就写好的清单。清单上四项，画布工具把 zooming 做透了，focus+context 有零星尝试，overview+detail 和 cue-based 基本还是空白。

具体到设计，层级可以是这样：

Project
 └─ Sequence（集 / 场）
     └─ Shot（母：一张卡，一个当前输出）
         └─ Takes（子画布：所有候选，平权、无序）
             └─ Generation（单次生成：模型 / 参数 / 父资产 / 成本）

关键在于 Shot 这一层不是”画个框”，它必须对外承诺四件事。一是唯一当前输出，父层引用的永远是这一个。二是可折叠，且折叠后内部对父层不可见，只占一张卡的面积。三是记录选择理由和决策者，为什么是它、谁定的、什么时候定的；在有分工的生产里，这是最贵的元数据，也是第五节说的那个带权限的决策唯一能留痕的地方。同一届 CHI 上的 GroundLink 做的正是相邻的事，把会议里产生的知识带进 3D 编辑工作流，好让协作者理解过去的决策、约束和创意意图。四是边界稳定，换掉内部的某个 take 不会让父层引用失效，就像函数体变了而签名没变。这四条里的前三条 LibTV 在超长视频场景下已经做到了，缺的是第三条的决策留痕，以及把这套契约从长视频推广成画布的通用结构。

Figma 提供了一个现成的对照。group 只是视觉框，不承诺任何输出，所以嵌套 group 很快会失控；component 承诺了对外接口，所以可以放心嵌套。区别从来不在能不能装东西，在对外承诺什么。

结构必须涌现，这一条是死线。只有两条路可选：先建镜头再生成，结构清晰但要求用户在信息最少的时候做最确定的决策；或者先自由生成，再框选折叠。第一条不是假想的对手，上一节的 LTX Studio 就是这么做的，而且做得不错，只是它换来的收敛是用探索空间付的账。所以第二条才对，而且工业界已经有成熟先例。ComfyUI 的 Subgraph 就是选中一批节点、折叠为子图、内部保持完全可编辑，参数可以在外部面板直接改而不必进去，还能发布成 Blueprint 复用。涌现式折叠、参数外露、容器复用，正好是这套设计需要的三件事。

衰减机制解决第四节的第一个症状。定稿的瞬间，未被选中的 take 自动收进该 Shot 的历史抽屉，不再占用画布面积；较长时间未访问的分支降级为缩略图或半透明。这里做的是降权而非删除，信息仍在，只是不再消耗注意力，也就是 Cockburn 分类里的 cue-based 技术。熵之所以能减少，是因为存在状态迁移。在平画布上，所有对象永远停在候选态。

检索这一块，需要的能力其实已经就位了，只是装错了方向。元数据本来就是免费的：每个产物出生时就带着模型、seed、提示词、参数、父资产、时间戳、时长、分辨率和消耗。而理解层的能力，第九节已经说过，逐帧拉片能拆出画面风格、关键帧、运镜和叙事节奏，智能引用能匹配角色、场景、道具和风格。要做的只是把这套能力从参考片掉转到自己的产出上，给每个 take 打上景别、运镜、主体、光线、情绪的标，再叠一层视觉 embedding 用于”找和这张构图色调接近的”。然后就可以查询”所有推镜头、人物特写、模型 X 生成、被否决的 take”。HistoryPalette 给出的组织方式正好落在三个分面上：空间位置、主题分类、创建时间。再往上，Hearst 在 Flamenco 项目里总结的分面检索设计原则可以直接套用：分面是正交的类别集合，界面要支持在收窄和放宽之间流畅切换，并且始终避免空结果集。

这条路和 Shipman & Marshall 的药方完全吻合。自动打标就是”识别用户未曾声明的结构”，它把形式化的成本从用户身上移走了。用户唯一需要手动维护的信息只剩一条：哪个是 current。

最后回到分工。母层和子层的分野，与其说是两种心智模式，不如说是两个岗位的工作台。子画布是抽卡师的，无序、平权、高密度网格，默认操作是再抽一次；母画布是导演的，有序、每镜一卡、时间线或看板，默认操作是换掉这一镜。而在收敛前置成为主流之后，母层终于有了天然的内容物，不再是”某个被选中的 take”，而是白模预演和素材库里定好的资产。母层是意图，子层是实现。

十二、几个反对意见

嵌套有真实代价。AE 的预合成地狱、”我现在在第几层”的导航税，都不是想象出来的痛苦。可行的缓解是面包屑常驻、层级硬性限制在三层以内、父层不进入就能实时预览子层结果，也就是 focus+context 那一类做法。ComfyUI 把子图参数提到外部面板正是这个思路。

结构就是门槛。节点式工具至今仍是少数专业用户的领地，因为它同时要求创作判断力和工具编排理解力。任何增加结构的方案都会抬高门槛，这也是”结构必须涌现”那条是死线的原因。结构只能是用户行为的副产品，不能是前置作业。

也许根本不需要嵌套。诚实地说，只加”定稿”和”衰减”这两件事，平画布也能被救回来很多，嵌套的收益要到多镜头成片的规模才兑现。边界是清楚的：做单条十五秒片段的用户不需要子母画布，做连载短剧、漫剧和广告成片的团队需要，而后者恰好是付费主力。

三轮自救做下去就不需要这些结构了，这是最值得回应的一条，因为抽卡次数确实在下降。但有三重理由让总量未必减少。第一，Dow 等人 2010 年在 TOCHI 上的研究显示，先并行做多个方案再收反馈的设计者，其结果显著优于每做一个就收一次反馈的对照组，方案多样性和自我效能也更高。多方案比较是创作行为本身，不是模型缺陷的补丁，命中率提升只会改变常数。第二，单镜成本下降会推高镜头数和项目数，这是杰文斯悖论的标准形态；组织问题的严重性取决于产物总量，而不是单镜抽卡次数。第三，三轮自救各自都新增了要管理的东西：角色库和风格模板要维护版本，白模要迭代，局部编辑会积累出同一条片子的许多个变体。压缩掉的是一部分候选，换来的是另一批需要被组织的资产。

厂商把力气压在生成那一侧，是理性的，理性到很难指责。根本原因是计费边界：生成有计量事件，选择没有。一次抽卡消耗积分，一次拍板不消耗任何东西。产品团队的每一次优化都会自然流向有计量的那一侧，因为那一侧的收益立刻可见，也立刻可归因。还有一层时间差：生成侧的改进当场就能看见，这张脸不塑料了、这个表情对了；组织侧的改进要几周后才显现，等你回头去找三个月前那一镜的时候才知道值不值。用户愿意为前者付费，在被过载压垮之前不会为后者付费。

这条边界还解释了第十节那三条路线为什么会分岔。画布这一路做的是积分生意，只有生成才产生计量，力气自然往生成那侧使；Adobe 卖的是订阅席位和协作存储，组织本身就是它的计费对象，所以它从审阅那一侧往回长。各家不是审美不同，是账本不同。

还有一股力量来自监管。《人工智能生成合成内容标识办法》由国家网信办、工信部、公安部和广电总局联合发布，2025 年 9 月 1 日起施行，配套的强制性国家标准同步实施。它要求服务提供者对文本、音频、图片、视频和虚拟场景等生成合成内容添加显式标识和隐式标识，而隐式标识里要包含内容属性信息、服务提供者名称或编码、内容编号这类制作要素信息，以便在发现违法内容时快速追溯来源。

更贴近本文场景的是第二条。国家广电总局网络视听司 2026 年 6 月 25 日发布《管理提示（AI 微短剧分类分层标准）》，7 月 1 日起施行，按投资额度与题材把 AI 微短剧分成重点、普通、其他三层；剧本撰写、画面渲染、配音合成三个环节里只要任一环的 AI 使用占比触到红线，片头就必须标注”AI 辅助制作”；而备案要提交完整的版权链路文件，未备案的存量作品强制下线。

版权链路这四个字值得留意。它要的正是本文一直在说的那条血缘：这一镜从哪来、中间经过了什么、用了谁的素材。而第六节讲过，血缘在素材入库那一刻就断了。到这里，断掉的血缘不再只是复盘时的效率损失，它会让备案交不出材料。

《标识办法》管的是”这是 AI 生成的、由谁生成”，管不到”这一镜为什么选它”。但两条规定合起来把一件事变成了法定前提：每一件产物都必须带着稳定标识和制作元数据存在，而且要能串成一条链。第十一节说的那份免费元数据，现在不只是免费，是必须有。决策留痕欠缺的那一半，地基已经被监管替它打好了。

而商业侧的平衡也正在被规模打破。据 LiblibAI 披露，LibTV 2026 年 3 月 18 日上线，首日涌入超过十万用户，首月单产品单日收入突破一百万美元，目前有三百多家来自短剧、快消、教育、文化传媒的企业客户在上面做生产。行业整体的量级更说明问题。按中国网络视听协会的《微短剧创作指引》，2026 年一季度全行业上线微短剧约十二万八千部，其中 AI 微短剧约十二万二千部，占比超过九成五。另一面是红果短剧一家就已下架超过一万部低质 AI 短剧，下架理由是画面粗糙、剧情逻辑混乱、情绪渲染极端。规模化阶段正在结束，精品化阶段的入场券是质量。当付费主力从尝鲜的个人变成有分工、要考核、做连载的生产团队，竞争就会从生成质量转向生产效率，而生产效率的瓶颈从来不在模型，在信息组织。

十三、如果只能做三件事

给”定稿”一等公民的地位。一个快捷键，选中即 current，未选中项自动折叠，并记录是谁在什么时候定的。这一条同时解决了熵和权限两个问题。

把素材库和画布之间的血缘接上。用户已经在手工做前置收敛了，系统要做的只是让入库的资产带着它的生成历史，让成片能一路回溯到那次抽卡。

把已有的内容理解能力掉转方向。逐帧拉片和智能引用已经证明平台能读懂运镜、景别和角色，现在它们只朝向输入侧；让同一套能力去给自己的产出打标，分面检索就是顺带的事，不需要用户建任何目录。

三件事都不需要重写画布，甚至不需要新的模型能力，都是叠在现有基础之上的增量。这也是我判断它会被某家厂商先悄悄做掉的原因，成本实在太低了。

十四、结语

AE 配得上时间线，因为它是确定的。生成模型的随机性逼出了画布，这一步没有错，后来的三轮自救也没有错。锁住主体、锁住机位、把重试缩到一处，每一轮都推得又快又准，而且方向明确。

问题在于三轮做的是同一件事：减少需要被组织的东西，而不是组织已经生成出来的东西。

零件其实也已经造得差不多了。拆运镜、匹配角色、编排结构、定位到秒、保留节点关系，这些能力平台都有，只是每一件都朝着”再生成一次”装。缺的不是能力，是让其中一件转过身来，朝向”这一条定了”。

而且连这个动作长什么样都不用猜。结构先行的那一路已经证明了收敛可以做得很干净，只是不该用预先声明去换；Adobe 手里那套逐帧批注、版本追踪和审批流已经成熟了十年，只是还站在成片之后。三条路线各握着一半，谁先把”结构可以涌现”和”收敛是一等公民”放进同一个地方，谁就走完了 1997 年留下的那半程。

Design Galleries 在 1997 年就把问题拆成了 dispersion 和 arrangement 两半。生成模型用了不到三十年把前一半做到近乎免费，也往后一半投了大量精力，只是投的时候把它读成了”让下一次生成更准”。而 Shipman 和 Marshall 1999 年给出的药方，让系统承担形式化的成本、去识别用户未曾声明的结构，今天第一次具备了实现条件，因为能承担这个成本的东西，恰好就是造成这场过载的同一批模型。

参考文献

  • Marks, J. et al. (1997). Design Galleries: A General Approach to Setting Parameters for Computer Graphics and Animation. SIGGRAPH ’97, 389–400.
  • Russell, D. M., Stefik, M. J., Pirolli, P., & Card, S. K. (1993). The Cost Structure of Sensemaking. INTERACT ’93 & CHI ’93, 269–276.
  • Shipman, F. M., & Marshall, C. C. (1999). Formality Considered Harmful: Experiences, Emerging Themes, and Directions on the Use of Formal Representations in Interactive Systems. CSCW 8(4), 333–352.
  • Hartmann, B. et al. (2008). Juxtapose: Design as Exploration — Creating Interface Alternatives through Parallel Authoring and Runtime Tuning. UIST ’08.
  • Cockburn, A., Karlson, A., & Bederson, B. B. (2009). A Review of Overview+Detail, Zooming, and Focus+Context Interfaces. ACM Computing Surveys 41(1).
  • Dow, S. P. et al. (2010). Parallel Prototyping Leads to Better Design Results, More Divergence, and Increased Self-Efficacy. ACM TOCHI 17(4).
  • Kery, M. B., Horvath, A., & Myers, B. (2017). Variolite: Supporting Exploratory Programming by Data Scientists. CHI ’17.
  • Wu, T., Terry, M., & Cai, C. J. (2022). AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts. CHI ’22.
  • Suh, S., Min, B., Palani, S., & Xia, H. (2023). Sensecape: Enabling Multilevel Exploration and Sensemaking with Large Language Models. UIST ’23.
  • Hu, E., Brudy, F., Ledo, D., Fitzmaurice, G., & Anderson, F. (2026). PrevizWhiz: Combining Rough 3D Scenes and 2D Video to Guide Generative Video Previsualization. CHI ’26. DOI 10.1145/3772318.3790534
  • Benharrak, K., & Pavel, A. (2026). HistoryPalette: Supporting Exploration and Reuse of Past Alternatives in Image Generation and Editing. CHI ’26. arXiv:2501.04163
  • Guo, A., Ledo, D., Fitzmaurice, G., & Anderson, F. (2026). Protosampling / Atelier. CHI ’26, Autodesk Research.
  • Park, W., Brudy, F., Fitzmaurice, G., & Anderson, F. (2026). GroundLink. CHI ’26, Autodesk Research.
  • Hearst, M. (2006). Design Recommendations for Hierarchical Faceted Search Interfaces. SIGIR Workshop on Faceted Search.

法规

  • 《人工智能生成合成内容标识办法》，国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局，2025 年 3 月发布，2025 年 9 月 1 日起施行；配套强制性国家标准《网络安全技术 人工智能生成合成内容标识方法》同步实施。
  • 《管理提示（AI 微短剧分类分层标准）》，国家广播电视总局网络视听司，2026 年 6 月 25 日发布，2026 年 7 月 1 日起施行。

行业资料

开始在上面输入您的搜索词，然后按回车进行搜索。按ESC取消。

返回顶部