10 秒视频很惊艳，为什么 AI 做一部短剧还是这么难？

随着生成式AI技术的迅猛发展，大语言模型和多模态模型已逐渐脱离实验室环境，成为推动企业数字化转型的核心动力。然而，在确保数据安全与合规的同时，如何实现模型的高效推理与训练？如何将大模型能力无缝融入复杂的业务场景，并带来明确的业务价值？

近期，InfoQ《极客有约》X QCon直播栏目特邀快手电商智能体技术负责人鲜嘉麒担任主持人，与爱奇艺AI高级算法总监路香菊博士、阿里巴巴资深技术专家邹娟、生数科技解决方案负责人郑重一道，在QCon全球软件开发大会（https://qcon.infoq.cn/2026/shanghai/）**2026上海站**即将举办之际，深入探讨AIGC在生产环境中的稳定交付问题。

部分核心观点如下：

众多客户，关注的焦点已不再是模型能力本身，而是能否交付高质量的成片，以及围绕成片的生产链条能否落地并实现规模化。

AI能提供大量情节，拓展思路，给出框架、结构和节奏，但主题表达和情感传递仍需人工把控。

随着上下文窗口不断扩展，分维度表达、整体结构表达以及不同尺度信息的对齐，变得至关重要。

实际成本并非单次生成费用，而是每条合格成品的交付成本：生成、重试、审核、人工编辑、质检、存储、渲染、运营协同等成本总和，除以可用合格成片数，远高于“一次模型调用5秒多少钱”。

在10月22-24日于上海举办的QCon全球软件开发大会2026上海站上，我们专门设立了【AIGC内容工业化】专题。该专题聚焦AIGC技术在真实业务场景中的“工程化落地”与“价值转化”，分享源自一线实践、经过大规模业务验证的落地方法论，助力技术团队构建可落地、可参考的AIGC落地蓝图。查看大会日程解锁更多精彩内容：https://qcon.infoq.cn/2026/shanghai/schedule

以下内容基于直播速记整理，经InfoQ删减。

完整直播回放可查看：https://www.infoq.cn/video/bj4Q9E2PBJfUWIRZkutu

1模型日益强大，为何专业内容生产依然困难？

鲜嘉麒：如果用一句话概括，过去一年AIGC内容生产最大的变化是什么？

路香菊：最大的变化是，AI从演示阶段进入稳定交付、可实用的作品阶段，流程缩短，跨行业参与增多。在视频行业，AIGC参与的专业影视作品正逐步进入大众视野。AI正从小视频、短视频迈向专业作品时代。

邹娟：一句话，就是从比拼生成优质镜头，转向比拼完成可规模化的生产任务。竞争单位已从一个片段变成完整生产链，成品可能是视频文件或直播这类实时作品。过去人们易被10秒视频打动，如今进入短剧、营销、电商等工业化场景，用户会追问：人物能否一致？商品有无变形？能否按时交付？成本是否可控？这才真正进入生产阶段。

郑重：这一年最大变化，是从单点工具转向内容生产力阶段。一年前视频模型更像特效模型，仅解决娱乐互动，非严肃生产环节；如今问题变为能否理解业务目标，并稳定、批量实现。过去一年各厂商发布三四百个模型，竞争从“谁能做出更好Demo”转向三个关键：能否将创意转化为生产流程；复杂内容的一致性、稳定性、可控性是否达到工业级；能否上生产、自动化程度如何。AI是高效生产力引擎，人工节点一多就会拖累整条链路。客户不再只看模型能力，而是能否交付高质量成片，以及生产链路能否落地、规模化。

鲜嘉麒：模型已如此强大，为何真正进入专业内容生产后，大家反而觉得系统更复杂？

路香菊：我们对AI的要求越来越高。起初AI带来惊喜，用于生成灵感和创意、拓展思维；但现在我们要求它写出完整剧本。AI已学会写漫剧，因其结构简单，许多漫剧剧本已由AI替代，但戏剧剧本不同。一个易被忽略的前提是：我们很难定义好作品是什么。从主题、立意到题材，好作品问世后各维度经得起分析，但在此之前，很多角度需定义和梳理。

AI写的作品常被指人物悬浮、追看性低、缺乏共情，这些让大模型直接理解，很难得到真正想要的答案。而将需求定义清楚，本身就是一项复杂、专业的工作。大模型解数学题很厉害，因为数学题边界清晰。但作品和剧本不是，我们的工作更多是探索规范化流程，或艺术创作与工作流之间的交互边界。

邹娟：模型越强，工程和系统能做的事不是更少，而是更多。AI参与环节增多，客户要求更高；模型升级后，第一代配套系统部分会被模型吃掉，但第二代系统范围更大、要求更高。系统需承担更多约束、编排和验证。专业内容生产受脚本、人物、镜头、品牌规范、版权、成片规格、交付时间等约束；模型调用有随机性，单次不错不代表几十个镜头组合仍成立。因此系统需解决需求规范化、可规模结构化、任务拆解编排、每步合格判断、失败重试。越接近真实生产，越不能只靠单点能力，而要建立完善体系。

郑重：AIGC已从单点Demo进入生产力场景，专业内容约束更多。娱乐玩法中数字人、特效七八分像算成功；但内容生产需满足品牌规范、角色商品一致性、叙事节奏与镜头逻辑、版权审核、甲方需求变化等，这些都进入生产链路。模型越强，能解决的问题越多，也越复杂。视频模型未来需对标CG，甚至解决更复杂问题；当前主要落地AI剧、影视、广告、互联网泛娱乐，未来场景更宽。生产力场景需解决连续镜头与多分镜中人物一致性、多机位站位一致、商品比例形状及logo中英文异形文字一致、多镜头拼接跳帧与丝滑衔接——这些都要靠AIGC模型和配套系统。

鲜嘉麒：我们说模型能完成一个任务，往往默认任务已被清楚定义。但创作经常不是，对方说“我要一个能打动人的故事”，这句话听上去明确，但打动谁？靠什么打动？哪些表达是项目不能接受的？这一句话里藏着大量未做的决定。

2AI究竟应为创作者做什么？

鲜嘉麒：在专业剧本创作中，今天哪些工作适合交给AI，哪些判断必须留给创作者本人？

路香菊：从两方面判断：它能否被清楚交代，以及完成后能否评判。若能评判，AI完全可以做；若不能，AI就难，需与人交互，让人做决定。

如剧本评估中拆解类工作AI很擅长：信息抽取、AIGC/真人混拍拆解、场景表、实体表、世界观抽取，以及情感线、情绪、节奏线、类型画面判断，甚至短剧爆款预判。但在创作中，它只能提供框架或锚点，搭出骨架：网络故事片是什么结构，短剧是什么结构、什么节奏，具体情绪锚点在哪。拿喜剧来说，喜剧不能单纯用笑点评判好坏，它往往体现主题，即对生活、对灾难的释然，调侃自己，面对生活。但这种领悟到什么，可能需要人去回答。AI可提供大量情节，拓展思路，给出框架、结构、节奏，但主题表达和情感传递需人把控。AI可提供土壤，但土壤上长什么，需你去回答。

鲜嘉麒：未来模型在创作过程中更像“执行工具”，还是会进一步承担导演、编剧甚至创意决策？其自主性应到何种程度？

郑重：这不是简单的二选一。模型目前仍以执行工具为主，但角色正在变化，未来会向导演、编剧和创意执行渗透；不过创意责任和价值判断，最终仍主要由人把控。模型擅长快速生成多个创意、自主规划、将抽象想法做视觉验证，转成脚本、分镜或demo，并结合需求快速修改。创意设定、质检、生成等环节，模型确实可闭环。

但实际做项目时，许多重要环节在系统化之外：品牌叙事逻辑是什么？故事线是否符合企业长期规划？多地本地化是否符合当下语境？这些都不是技术问题。可预见阶段，人更负责目标、审美、边界、最终选择和结果兜底；模型更多负责探索、执行、量产。边界会不断变化，模型会向导演和编剧渗透，但还不能对端到端结果完全负责。

鲜嘉麒：在实际生产系统中，你们如何判断一件事应交给Agent自主决策，还是固化成确定性Workflow？

邹娟：首先，整个基于任务目标结果的实现路径是否开放。例如理解需求、确定素材、提出分镜或剧本方案，往往没有唯一正确执行路径，此时适合用Agent，在小领域做规划和探索。其次，结果能否验证。不同行业对结果要求不同，有的行业规模化程度高，通过确定规则可放过；有时需ReAct loop，通过有限步迭代优化生成效果。越难自动验证的决策，越不能轻易放大自主权。最后，还要看做错代价，相对可控、低成本的尝试，可给Agent更多空间；但涉及核心资产，如人物主体设定、超预算调用、资产删除或重要环节状态更新，需明确规则或Workflow保证。

另外，当前系统并非要么Agent要么工作流，两者非二选一。Workflow可包含Agent节点；Agent本身也可调用经过验证的Workflow。因此实现中，往往是两者结合。与创意、不确定性相关的路径可很灵活，但执行过程需有边界，关键决策可追溯。一句话，让Agent在边界内探索，让Workflow保证执行。若涉及人，人需负责关键取舍。

鲜嘉麒：AIGC专业创作的终局，会是“AI替人创作”，还是“人把创作判断往更上游移动”？

路香菊：我倾向于人会把更多创作判断往上移动，去决定表达什么、为什么表达，以及愿意为这种表达做出何种选择。创作中最难的部分，往往是几种都有道理的选择，或多种路径、多种情节表达放在一起，我们必须做出决定：作品需要是什么样子？

接着刚才的喜剧来说，一个非常困窘的人，他假装上班，结局是什么？是虚荣？体面的努力？可怜可笑？还是中年人的无奈？这是作品的气质，要传达的情绪，藏在我们制作人或编剧心里。所以当AI能承担越来越多具体生产，人需更清楚回答：我要把观众目光引向哪里？在哪里感到释然，哪里升华，哪里缓冲？这些情绪表达，AI可探索不同路径，但真正取舍抉择仍靠创作者，即我们一直强调的审美和边界。

郑重：人的判断会往上移动。但人与模型或AIGC的边界会不断变化。过去一两年实际发生的情况是，创作者大量时间花在执行层，如找素材、改尺寸、调美学、调画面、做剪辑，随着模型能力上升，这些工作会逐步自动化。我举切身例子，去年做剧时，还需处理音视频TTS、音频与视频画面匹配、切镜、拼接琐碎镜头。但随着模型能力提升，现在模型音视频直出，切镜、运镜理解到位，在分镜内自主规划运镜，这些内容被模型内化。

但这不意味人价值消失，人的角色会转型，可能更多转向定义创作目标：做这个剧、广告，要达成什么目的？然后选内容表达策略。以及审美标准是什么，因为AIGC生产的内容，最终消费者大概率还是人。所以人能建立良好审美标准，理解受众喜好，以及内容边界设定，最终人对生成结果负责。

邹娟：人的创作判断向上游移动，但不是只出现在开头和结尾，说定义目标、最后验收结果即可。而是需深入、始终保留在各个环节，保留进入细节、局部修改和重新决定方向的权利。从工程系统角度，真正的人机协同，不是只允许人审批、review，而是让人的判断、创意和想法准确作用在作品上。

3专业生产需要更强模型，还是更可控模型？

鲜嘉麒：对于专业内容生产，现阶段我们真正需要的是“更强的模型”，还是“更可控的模型”？假设一个模型十次里能生成一次惊艳结果，另一个十次里有八次稳定满足要求，生产场景会如何选？

郑重：这或许不是选择题，因为更可控本身就是评价模型是否更强的重要维度。若模型输出效果不可控、随机，说明上下线gap大，即神鬼莫测，输出带极大不确定性。

这会带来许多生产实际问题。第一，更多抽卡。稳定模型可能2抽1或3抽2，不稳定模型可能10抽1、20抽1，而模型或工作流成本按调用次数收费，这会产生大量成本。第二，无法自动化、流程化，无法沉淀SOP，因每次相同输入，效果随机，流程无法自动跑通，中间产出物质量无法保证或标准化。第三，不同阶段内容质量参差不齐，无法整合成完整高质量内容。

一个模型十次抽卡中一次惊艳，九次无法用，本质仍是手搓单模、做能力探索，不适合做生产力。若十次中有八九次稳定满足要求，上下限明确，更适合做生产，可通过工程手段、提示词要求扬长避短。因此真实场景中，可控一定比单次效果重要，它是评价模型能否作生产力的重要指标。

鲜嘉麒：当每次模型调用都带一定随机性时，如何将几十次概率性生成，变成一次相对确定的成片交付？

邹娟：确定性结果和确定性交付不是一回事。我们并不要求每次生成画面一样，但要求在约定质量、时间和预算范围内，能交付满足要求的作品。这不是靠一个prompt保证的，以实践经验看，是靠分层设计。

第一层是生成前，明确约束，如人物、场景、道具、风格、镜头目标，形成经确认的参考资产和结构化约束，而非让每一步重新猜需求。

第二层，视频任务通常为长程任务，需拆成可验收阶段，先确定各环节及依赖关系，越靠前、影响越大问题，越应早发现，避免最后整篇返工。

第三层是区分调用成功和内容OK。文件生成仅说明API调通，还需检查片子是否符合预期，包括人物一致性、商品可靠性、画面动作有无穿帮。客观指标可自动检测，但关键语义和审美问题，可能需要大模型多轮迭代解决。

第四层是让失败可局部恢复。一个镜头失败不应拖着整条链路重跑，应在最小范围内重跑并保存已确定结果，同时支持局部重试替换，以及有预算和次数上限时的降级处理。

第五层，是将不确定性变成数据积累资产，记录每次模型调用版本、输入约束、参数、耗时、验收结果，做成可观测系统，为下次生成做更好优化。

我们并非要消灭概率性，而是设置边界，并为不达标结果准备处理路径。若时间、质量、预算不能同时满足，应明确升级给人决策，而非无限重试。

鲜嘉麒：若Agent在创作早期理解错人物设定，后续Agent不断引用错误，会不会出现“看起来越来越一致，但越来越错”的情况？

路香菊：若写一个角色，给定义如小气或谨慎性格，模型肯定能记住，所有情节安排得非常谨慎。但好剧本中，每人都有自己的人物弧光。若仅小气一个特质，基本叫工具人，工具人多，戏不好看。

因此一致性应理解为符合人性、符合剧主题、符合戏剧功能，这才叫一致。简单输入标签或指令，这不叫一致。在大模型中，告知机械设定，大模型会特别遵循指令，但实际不好看。而且一致性，很多时候是剧本传递的气质。如《低智商犯罪》，两个笨贼遇精明警察，戏没法拍。《隐秘的角落》中，朱朝阳必须碰张东升，才有博弈、对抗、揣摩。所以更多是一组极致的人，每人有自己目标、弧光，部分观众代入、共情。这种一致性在作品中特别难。

越来越错，可能指写飞了。让大模型连续写三五集剧情，可能写得很好，但整体剧情交给它肯定会飞，单独一段能看明白，放到剧集中不知在干嘛。所以整体结构性，就是防止写飞。

4从一段内容到最终交付，系统还缺什么？

鲜嘉麒：把模型能力先放一边，从一个Clip到最终可交付成片，中间最易被低估的工程问题是什么？

邹娟：从clip到成片，prompt优化、稳定性、效果和性能优化、质检等问题显而易见，但最易被低估的，是让成片成为可持续修改的工程。生产中，成片只是输出结果，本身应由可编辑、可追溯的工程代表：包含素材、clip编排、音视频图文叠加、剪辑点、音轨、配音、字幕及素材关系。它不只是视频展示界面，而是对最终作品的明确描述——什么素材何时出现、持续多久、如何搭配。例如1.5分钟短剧一集约30个镜头，一句台词从3秒改5秒，可能影响前后clip、口型、镜头长度、字幕时间甚至BGM节奏；系统若不知依赖关系，就会改一处、坏多处。

因此，从clip到成片最易被低估的工程问题，是完整工程的回溯：资产与版本管理、时间线与依赖管理、修改后更新范围、预览与最终渲染一致、增量更新与局部重生成、只处理受影响部分，以及交付规格和质量检查。拼接只是第一步，能反复修改且不失控，才是规模化生产平台目标。

鲜嘉麒：为何长内容生产不能只靠“更大的Context Window”解决？当内容越来越长，系统到底需哪些新能力？

路香菊：现在AI时代，把许多传统工作流、任务，越来越快变成闭环。影视制作上，最初只能参与镜头分析或拆解，但现在做技术、导演、编剧的新人群会组织在一起。我们常说人成为瓶颈，但我不这么认为，人不会成为瓶颈。

我觉得系统需有快速对齐能力。如编剧上剧本时，要给出品人、高层决策团队快速对齐作品，与编剧老师探讨修改问题。但若大家改多个版本，如何快速对齐？所以除更大context window外，AI还要做高层次帮人对齐的能力。

因我本身做剧本，公司各平台剧本可能涉及与我探讨，我可用3分钟快速对齐剧本，问题是什么、情况是什么，用一张图表达。长剧本也是如此，若怀疑某人物线有问题，我们会单独拉出快速对齐。所以当context window越来越长时，这种分维度表达、整体结构表达，或不同尺度信息对齐，非常重要。

再如两个版本有差异，差异是什么？剧本前期工作室常有问题：主角判断不对。我们写的男二应是男一，就会从主要功能、戏份探讨。

鲜嘉麒：多Agent是在解决复杂问题，还是也在制造新复杂度？

**郑重