从可灵到 Gemini，AI 视频集体告别“抽卡模式”：导演模型要火？

抽卡时代，要过去了。

过去一年多，我们对 AI 视频的体感其实可以用两个字概括：抽卡。输入一段 prompt，点下生成，盯着进度条等模型吐出几秒钟的画面，出来好看就留下，不好看就改改词再来一发。它确实能产出惊艳的片段，可它给创作者的，从来不是一段能接着干活的素材，而是一张抽到了就走、抽不到就重抽的卡。

抽卡最难受的地方，其实不是画面不够真，而是不可控。你要的是一个九分的成片，模型给你的是十个各有七八分却彼此对不上的片段，你没法跟它商量「这个镜头别动，只把人物的动作换一下」，能做的只有重新摇一次骰子，赌下一发更好。

但这套玩法，最近开始有变化了。这一两个月里，几款新视频模型几乎前后脚出现，产品形态、技术路线、面向的市场都不一样，可它们释放出来的信号却出奇地一致，竞争的重点不再是谁能一次性生成一段更好看的视频，而是谁生成出来的东西能被持续地修改、控制和复用。换句话说，AI 视频正在从一个出片机器，变成一套生产工具。

（图源：Google）

问题也就来了，AI 视频走到这一步，创作者的核心竞争力，会不会从剪辑，变成一种更接近导演的东西，毕竟我们已经不用再去“赌”视频生成的内容了，那么更好地表达与镜头设计，会不会才是未来的 AI 视频创作重点？

不能二次编辑的视频模型不是好AI

AI 视频「能编辑」最近热度最高的，可能是谷歌和 Runway 这两家。

Runway 端出来的是 Aleph 2.0，它主打的能力是基于原视频语境去做修改。说白了，它不再把每次生成都当成一张白纸，而是认得你手上这段素材里有什么，能在理解原片的前提下做局部改动，而不是动一下就推倒重来。谷歌这边是 Gemini Omni，走的是另一条路，主打对话式的继续编辑，你可以像跟人聊天一样一句句往下提要求，让模型在上一版的基础上接着改，而不是每提一个新需求就从头再摇一次。

（图源：Runway ）

比如我们在 Gemini 上要求它生成一段一只白色陶瓷杯放在木桌上，镜头缓慢推进。杯子旁边有一本笔记本和一支黑色钢笔，自然日光，真实手机拍摄感，背景是普通工作室的广告质感视频，在第一轮里 Gemini 生的效果就已经很让人满意。

（图源：雷科技制图 ）

Gemini 生成了一段白色陶瓷杯、笔记本、黑色钢笔放在木桌上的空镜视频，画面主体明确，有白色陶瓷杯、笔记本、钢笔、木桌，镜头从中远景缓慢推近到近景，很符合我们的需求。但它看起来并不像一段广告片。

（图源：雷科技制图 ）

于是我们直接让 Gemini 基于这段素材，让画面更像咖啡品牌广告片，比如给杯中咖啡增加细微热气，在杯壁加入柔和高光等等。

（图源：雷科技制图 ）

不难看出，杯子、钢笔、笔记本，甚至背后的场景都没有变，变得是什么呢？是咖啡出现的时间、是运镜的手法，是热气萦绕的效果。

这恰好就是 AI 视频从生成走向编辑的中间状态，过去是写一句提示词等模型出片，现在变成了先生成一条基础素材，再告诉模型哪里还不够好，创作者开始像导演一样给修改方向，只是模型还没法像剪辑软件那样精确服从。它不再只是抽卡，但也还没长成真正的后期工具。

Gemini 这种对话式的改法只是其中一条路。国内的可灵和 Seedance 2.0，则在把「能改」这件事往更系统的方向推，只是各自挑的切口不太一样。

可灵 O1 的打法，是把一整套活儿收进一个引擎。生成、修改、参考、风格重绘、镜头延展，这些过去要么做不到、要么得在好几个工具之间来回倒腾的事，它想让你在一个地方就从头做到尾。这个思路聪明在，它没把自己当成一个单点功能很强的生成器，而是想做成一张创作台。对创作者来说，最磨人的从来不是某一步有多难，而是一支片子得在七八个工具之间搬来搬去、导入导出反复横跳，可灵想啃的正是这块衔接上的内耗。

（图源：可灵）

Seedance 2.0 挑的切口则是多模态。它把文字、图片、视频、音频都变成能喂进去的参考，用来增强参考生成、视频延展和音画同步。过去我们谈视频模型，下意识只盯着画面好不好看，可视频从来不只是会动的画面，它是画面、动作、声音、节奏几样东西咬合在一起的结果。Seedance 把声音和动作也拉进可控的范围，等于在提醒一件事，视频模型不能只会画画，它还得听得懂节奏，知道这一刀该剪在哪一拍上。

（图源：Seedance 2.0 ）

更直白地说，从整个视频模型的方向来看，抽卡时代已经彻底结束了，接下来是「可编辑时代」，也就是说，哪家模型能够把整个流程打通、给用户最直观的优化提示词、二次编辑修改方案，谁就能继续占领高地。

AI视频不再碰运气，人类要干的活也变了

绕了一圈，回到开头那个问题。当 AI 生视频已经不是抽卡，人在整个工作流里的角色，到底会不会变？我的判断是，会。

过去一个优秀的视频创作者，靠的是剪辑、调色、转场、配乐这些手上功夫，一帧帧抠出自己的风格。这些能力不会作废，但当模型能听懂「保留这个运镜，只把质感往广告片靠」的时候，真正拉开差距的，开始变成另一套东西，会不会描述镜头、能不能控制节奏、判不判断得出哪一处该留、哪一处该推倒重做。说白了，是「导演模型」的能力。

AI 视频不会立刻取代剪辑，也不会让创作者沦为只会写 prompt 的提示词工人，这两种极端说法都太省事了。更准确的变化是，视频生产的重心正在从「素材加工」挪向「意图调度」。过去你是亲手把素材一刀刀拼成成片，往后你更多是在告诉模型，我要什么、不要什么、这一版哪里还差口气。

（图源：雷科技制图 ）

而这套调度能力，恰恰是有门槛的，谁能把脑子里那个模糊的创意，拆成模型听得懂的镜头语言，谁能在模型吐出一版结果时一眼判断出它到底可不可用、还差在哪，谁就更像未来那个「模型导演」。导演自己未必扛摄影机、未必剪每一刀，但他清楚整部片子要什么，知道每个岔路口该往哪边走。AI 视频成熟之后，创作者要做的也是这件事。

工具换了，门槛自然也不一样了，可创作最核心的东西其实没变，依然是你脑子里那个清晰的成片，以及你愿不愿意一遍遍把模型调到位。抽卡的时代要过去了，赌徒会越来越少，真正稀缺的，是那个知道自己想要什么、并且有本事让模型把它交出来的人。

AI不会取代打工人，但会推着他们向前走

每次有个新工具把某项手艺活自动化掉，总有人喊饭碗要没了，可回头看，工具升级真正干掉的从来不是这群人，而是他们工作里最机械的那部分。

最经典的是电子表格。VisiCalc 和后来的 Excel 出现之前，会计和财务一天里大把时间耗在拿计算器一格格算、一笔笔记账上。表格软件把这些重复计算全包了，结果不是会计失业，而是他们从「算数的人」变成了「做模型、看趋势、给决策当参谋的人」。最枯燥的执行被收走，腾出来的精力反而让这份工作更值钱了。

非线性剪辑软件普及之前，剪辑是真要拿刀片去切胶片、对着磁带一帧帧倒的，所以才有“剪视频”这种话术，然而 Premiere、Final Cut 这类软件出来后，物理意义上的「剪」消失了，可剪辑师并没有消失，他们从体力活里抽身，把注意力放到了节奏、叙事和情绪这些更高一层的判断上。工具替掉的是手上的苦力，留下的是脑子里的取舍。

（图源：seedance 2.0 ）

AI 编程助手出来之后，程序员里最先慌的是「以后是不是不用我写代码了」，可真实的变化是，他们花在一行行敲样板代码上的时间被压缩了，更多精力转去审模型写得对不对、把架构和边界想清楚、判断哪段能信哪段得返工。会写代码依然重要，但更稀缺的能力，变成了知道该让模型写什么。如今流行的 Vibe Coding，某种意义上的确降低了「入门」的门槛，但真正要从 0 开发到交付， Vibe Coding 出来的作品往往很难过关。

回到 AI 视频本身，它的下一阶段，比的不再是谁画面更真，而是谁更稳定、更可控、更可编辑。创作者也不会只剩写提示词这一件事，反而更像一个模型导演，知道该保留什么、改什么、用什么参考去约束模型、怎么让它连续改到可用为止。剪辑这门手艺不会消失，但创作者最值钱的能力，正在从「把软件用得多熟」，换成「把模型调度得多准」。

工具一直在往上走，打工人要做的是努力让自己始终站在 AI 工具无法取代的位置上。抽卡的时代要过去了，赌徒会越来越少，而真正稀缺的，永远是那个知道自己想要什么、并且有本事让模型把它交出来的人。

本文来自微信公众号“雷科技AGI”，作者：雷科技，36氪经授权发布。