作为一名常驻硅谷的风险投资人，我在听取创业项目路演时，几乎总能听到同一个词：摩擦。付款多一步是摩擦，程序员自己写测试是摩擦，销售花半天整理客户记录也是摩擦。硅谷的秘诀在于找到这些摩擦，并用软件将其消除。过去二十年，许多成功的商业模式正是基于此。正如 a16z 联合创始人 Marc Andreessen 所言：“软件正在吞噬世界。”而软件吞噬世界，往往始于吞掉这些摩擦。
这套打法在硅谷屡试不爽，用久了难免手痒，看什么都想优化一番。然而，电影工业偏偏经不起这种“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，以打造独具文艺气息的小众电影著称，其代表作包括奥斯卡最佳影片《月光男孩》和《瞬息全宇宙》、全球热卖的《瞬息全宇宙》，以及今年大热的恐怖片《后室》。短短 14 年，A24 已将片厂名字打造成品牌，三个字母本身就是人气的保证。这笔交易最令人意外之处在于，Google 并未获得 A24 的片库访问权。按硅谷的投资惯例，这显得有些反常。
初看之下，Google 看中的似乎应该是 A24 积累的优质电影素材。Google 正在大力押注 Veo，而国内的 Seedance、可灵等视频模型也在不断逼近。让 Veo 学习《月光男孩》或《瞬息全宇宙》，听起来合情合理。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。双方真正合作的地方，在于电影的创作过程：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：在电影制作中，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，一家全球广告集团将某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，覆盖视频生成、语音克隆和口型同步。制作周期从数月压到数小时，原本进不了预算表的视频需求也随之释放。我早期参与投资的 Higgsfield，去年 9 月 ARR 约为 5000 万美元；截至今年 6 月，据报道 ARR 已超过 5 亿美元。十个月，十倍。新鲜感能制造流量，只有进入品牌与代理商的日常预算，才能长出这样的收入曲线。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。影片《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
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。