这个正在威尼斯电影节红毯上，同时斩获两项AI影像大奖的年轻人，你或许已经听过他的名字——DiDi_OK。 前几天，DiDi_OK分享了他用Seedance 2.5创作的最新作品《Candy》（中文名《糖果》），仅仅瞥一眼，我就被深深震撼了。 我毫不犹豫地转发了，力荐每一位朋友逐帧学习。虽然在AI影视圈，DiDi_OK已经接近家喻户晓，但也许仍有朋友不熟悉这个名字，没关系，你很可能已经看过他之前的作品。 比如《箭头》、《网站》、《垃圾站》，还有更多更多。数据表现最为出色，要数今年2月那个刷屏全网的《牌子》。 这个短片，光在B站上的播放量就超过了两千万人，全网播放量更是逼近一亿。 我至今清晰地记得，第一次看到《牌子》的那个夜晚，循环播放了六七遍后，脑海中浮现出的疑问： 明明都是人类，为何在DiDi_OK面前，我却像一个只能流口水的局外人？他的思维与审美，究竟是如何构建起来的？ 这并非夸张，而是真实的感叹。DiDi_OK自那以后，在我心中，已无可争议地成为AI影像领域的翘楚。 而这次的《糖果》，更是DiDi_OK在这个主持人平行宇宙系列中，将技术与创意推向顶点，达到了令人惊叹的境地。如果你还没看过，不妨先睹为快，我保证，你会为之倾倒。 与现在许多平庸、油腻的AI作品不同，《糖果》依然保留着浓厚的Di味，散发着独特的个人风格。 它巧妙地展开了一些高维规则，蕴含着SCP的神秘感，又带着一丝黑镜式的反思，甚至能窥见刘慈欣式的科幻深度。 当然，更不可或缺的是他精湛的叙事节奏、独具匠心的镜头语言，以及对细节的极致追求。因此，我将《糖果》的发布视作一个绝佳的机会。
我渴望与他深入交流，进行一次简短的专访，了解他的创作理念与经历。 考虑到他目前身处国外，正忙于威尼斯电影节的领奖活动，我们之间存在着时差，经过几天的尝试，我们终于敲定了采访时间。 采访那天，北京时间上午十点半。他身在黑山，那边已经是凌晨四点半，他早早地起了床，因为六点多还需要前往山区拍摄… 我们畅快地交流了将近两个小时，探讨了我想知道的诸多问题。谈话结束后，我坚信必须将这些内容记录下来，与大家分享。 那么，让我们开始吧。 一. 他迎来了AI时代的崛起 DiDi_OK，是一个极具魅力的人。 他目前长期居住在伦敦，在WPP Production工作，WPP是全球最大的广告与营销传播集团之一，你或许听说过它的子公司——奥美。 而WPP Production则是WPP旗下最核心的制作团队。 在AI技术出现之前，DiDi_OK就一直在动画、3D和游戏领域潜心创作。他的本科和硕士专业都是动画。 进入WPP后，他也从动画工作做起。他去英国的故事也颇具趣味。 当时，他和朋友合伙成立了工作室，靠着拍摄广告维持生计。然而，他渐渐觉得这种生活缺乏意义。 有一天下午，他们在户外拍摄广告，他突然对朋友说：要不然，我们出国吧？ 朋友好奇地问：去哪里？ 他回答：去英国吧？
前往英国的原因也显得有些异想天开。 他们过去在拍摄完广告后，经常一起观看影视飓风的电影，而影视飓风的创始人Tim，成为了DiDi_OK的偶像。 Tim以前在英国工作… 所以，不如就去英国吧。 他真的回家学了半年英语，成功申请了伦敦艺术大学。他妈妈最初甚至没有帮他报名，认为这个孩子绝对考不上。 最终，他偷偷地报名了，结果，竟然真的考上了… 几年后，那个曾经在广告拍摄结束后熬夜观看影视飓风电影的小伙，受到了Tim的邀请，加入了影视飓风的AI课程，并分享了自己的创作心得。 你看，世界总是如此奇妙，人生有时候也像一个写得有些俗套的剧本。 在AI技术普及之前，他其实已经在创作了。 2021年，他在伦敦艺术大学创作了一部名为《Moth》的作品，已经展现出独特的Di味。 一个被迷雾笼罩的封闭世界，中央耸立着一座巨塔。所有人都认为那里禁足不得，但主角却如同飞蛾扑火般，执意前往。 即使真相令人失望，即使将面临死亡。他也渴望看清世界的真面目。 他脑海中关于科技、未知世界、以及文明的思考，实在是太多了。 然而，过去被限制的，是那个时代的生产力。 传统的动画工作流程过于冗长，几乎不可能由一个人独立完成一部影片。
流程越繁琐，参与人数越多，想法在传递的过程中，会不可避免地损失一些信息。 而经过建模、绑定、动画、后期等一系列环节，最终呈现的效果，可能连最初的灵感都难以企及。 所以，这些年，他一直在探索一种方法，他称之为力道，力求以尽可能最低的损耗，将脑海中的创意和感受传递给观众。 终于，他迎来了属于他的时代。 AI，到来。 二. 《糖果》：罪恶终将消散 如果让我来介绍《糖果》， 我可能会认真解释半天： 这是一个关于一级文明、外星规则、暴力、秩序、人性和科技发展的科幻故事。 然而，如果让DiDi_OK来解释，他只是简单地概括了十个字： 坏人会爆炸，好人就没事。 极其朴素，却又精准到位。 故事的开端，人类的能源利用能力抵达了文明的一级门槛。 与此同时，土星的一颗卫星潘靠近了地球。
紧接着，全世界发生一件令人费解的事情： 只要有人准备伤害他人， 砰，就会发生爆炸。 这种爆炸并不会造成血肉飞溅，而是会变成： 一大堆糖果。 一开始，大家都困惑不已： 外星人？新型武器？上帝？ 渐渐地，他们发现这个规则只针对： 暴力。 DiDi_OK赋予它的底层判断标准，也充满了中国特色，那就是四个字： 起心动念。 这部短片一经发布，我就反复观看了四遍，当时我问了他一个让我感到非常矛盾的问题：这似乎是一个反对暴力的故事，但观众最大的爽点却是看到坏人被更强大的力量毁灭。 这本身不是一种暴力吗？
DiDi_OK笑了笑，说我抓住了精髓，而且，这正是他的初衷。 影片随后将屡次违反规则的人送往月球。 乍一看，似乎是文明与和平的象征。 然而，这背后同样潜藏着群体暴力。 他甚至花费了大量时间设计片子里代表大众意见的女性发言人，他希望她能够拥有特别容易被大众接受、信任的气质。 这有些类似于《三体》里的程心。 因为这件事本身就带着一种所有人都觉得这一定是正确的的危险。 DiDi自己也没有站在绝对非暴力的立场上。 他认为现实生活中，常有一个残酷的问题：善良的人，往往是那些被欺负的人。 因此，从中古世纪西方的骑士，到中国的侠客，人类几千年来一直在幻想着： 正义最好拥有力量。 于是，这个时候，《糖果》的内核变得与众不同。 一颗外星卫星拥有判断什么是恶的最终解释权，全人类因为恐惧惩罚而维持文明，然后大家集体同意，将不符合规则的人送往月球。
这究竟算是文明？还是秩序？又或者是暴政？又或者是一个比我们现在稍微好一点的世界？ DiDi_OK没有给出答案，这个问题，留给每一个观众去思考。 三. AI的真正进步 在采访之前，我反复观看了DiDi_OK的《箭头》、《牌子》、《网站》、《垃圾站》等作品。 我发现了一个显著的变化，那就是《糖果》这部作品，由于使用了Seedance 2.5，终于能够大胆地放慢节奏了。 比如，这个教科书级别的长镜头。 坦率地说，DiDi_OK以往的作品经常会快速切换镜头，比如《箭头》和《牌子》，经常5秒就会更换一个场景。 背后的原因很简单，AI影视行业的人可能都猜得到这个现实原因。 因为你不敢慢，因为模型的能力，完全达不到。 过去的模型能力，是无法支持长镜头细节不变的这种镜头叙事的。 于是呢，就只能不停用新的视觉刺激，把模型来不及暴露的问题给掩盖过去。 但是《糖果》里，第一次出现了大量安静的叙事。 比如这个镜头。
实验室里，一位年长的官员缓缓走上前，身后的年轻研究员一路紧随，态度极其谄媚，期盼着得到关注。 然而官员始终保持冷淡，直到突然搭理了他一句。 那个年轻人的身体立刻微微弯曲了一点，眼神也变得明亮起来。 这时候，你能清晰地感受到： 诶，他听到了我说话。 DiDi说，这才是他认为模型真正突破的地方，便是表演。 以前他一直觉得AI表演无法超越人类，那些表演的细节度不够，所以，一直少了一些叙事空间。 现在Seedance 2.5在他眼里，这个鸿沟已经正式跨越了。 开头那个女孩吃糖的镜头也是如此。 他特别在意女孩脸上的一个小痘痘。 我甚至第一次看的时候都没有注意。 但是对DiDi_OK来说，这是一个极其重要的信息锚点。 因为这个极小的细节，会让观众第一眼看到的时候，觉得，这是一个真实存在的人。
当演员的脸本身可以提供信息的时候，导演才敢把镜头停在那里。 还有这个手指甲超近特写下，皮肤和指甲的质感。 还有这个超近景特写中，角色呈现出来的高精度皮肤微观细节，包括毛孔、细纹、皮脂光泽及受光变化；同时细微表演如眼神、呼吸、肌肉牵动与微表情均具备可信度。 而这种细节度和精细度，DiDi_OK说，只有Seedance 2.5才能达到。 他认为，这个模型至少为他节省了60%的叙事成本。 我特别喜欢这个词。 大家天天讨论AI能降低多少制作成本。 他谈论的是叙事成本。 我认为，真正改变叙事的，从来都不是所谓的分辨率更高或者价格更便宜。 是我们过去只能绕着模型的缺陷去讲我们的故事。 但现在，模型开始允许我们，按照脑海中的想法去讲故事。 这才是，真正的进步。
四. Seedance 2.5 改变的一切 对于Seedance 2.5这个模型，我们聊了很多。 DiDi_OK说，如果有人现在告诉他，以后这辈子都不会再有新的视频模型，只能永远使用Seedance 2.5， 他觉得，也足够了。 因为坦率地讲，从我的视角来看，Seedance 2.0发布的时候，全网的反响远比这一次2.5大。 但那时候，DiDi_OK觉得，2.0还可以，确实震撼，但是好像没有那么大的变革。 直到这次Seedance 2.5。 也许很多人第一眼觉得，啊？不还是AI视频吗？跟2.0区别也不是很大啊。 但是DiDi_OK觉得，这反而是一次真正意义上的跨时代升级。 我问他：到底跨在哪？ 他说了两个词。 高度定制化。 高精度的运动规律。 这两个词听起来特别技术化，尤其是运动规律，实在是没有电影感、1080P、一镜到底听起来性感。
但观众的眼睛特别诚实。 比如一辆车拐弯，车身应该有侧倾，悬挂应该有压缩，刹车和加速应该产生不同的俯仰。 一颗糖果从人体里面炸出去，它应该有质量，有初速度，撞到东西以后会反弹，几百颗糖果之间还会互相碰撞，跟镜头的距离不同，虚实也不一样。 所谓运动规律，其实就是：这个世界到底符不符合我们从认知到的物理规律。 所以《糖果》里面那个最核心的糖果爆炸，其实也是AI能力的一次极限测试。 DiDi_OK说，现在Seedance 2.5生成的视觉效果，已经可以经得起慢放和暂停了。 他甚至故意设计了那种让大家来暂停看看的镜头。 比如警察局的这场戏，画面里面同时有很多人，DiDi_OK给后面一个黑人角色单独设计了一条故事线。 先挣脱、然后推桌子、拿起电视，再准备攻击警察，随后灯光闪烁，所有人的动作短暂停顿，特定的人同时炸成糖果。 DiDi_OK借助模型的能力，同时指挥十几个人的动作，每个人都有自己的故事线。 这就是DiDi所谓的第二个特点，定制化。 因为过去，我们用AI做一个怪兽啥的，其实真的都不算难。
难的东西往往都很日常，比如让左边第三个人先往后看。然后拿起电视。右边警察继续保持现在动作。灯闪以后第二个人爆炸。 AI真正进入工业生产以后，最需要的能力，恰恰是这种定制化。 DiDi_OK说，他感觉，几乎没有什么是他想实现，但是实现不了的了。 比如一堆糖果组成马蒂斯的《舞蹈》。 微缩景观下的移轴动画。 等等等等。 因为模型能力的增强，运动规律和可定制化都变得极强，所以也带来了一个变化，过去的工作流很多就有点跟不上版本了。 比如过去，为了一个镜头，可能要垫好几张图，来让模型理解。 所以，他说那时候，他有一个明确的优先级： 参考图，大于提示词，大于模型选择。 甚至为了让模型完成它能力本身完成不了的动画和运镜效果，他会大量使用Blender来建模进行参考。
比如角色和表面之间的运动追踪，就像手机屏幕上的字，以前AI生不准。那就一个字一个字追，全是后期进行人工修复的。 基本就是能工智人。 本质上很简单，都是因为模型能力达不到，而DiDi_OK又不想降低自己的作品效果，就会用很多其他手法来进行弥补。 然后，就来到了《糖果》。 他说，这套逻辑明显开始反过来了。 参考图的重要性明显下降。 Prompt的重要性开始疯狂上升。 因为模型理解能力变强了。 很多过去必须先做好的关键帧才能做的动画，现在可以直接用嘴说了。 所有的传统辅助工具都变得不再重要，很多过去要额外做两个星期的后期，也消失了。 DiDi_OK说，这是他第一个，几乎百分百纯度的AI片子。 甚至他用上Seedance 2.5之前，他已经用2.0做了3分钟的《糖果》了，做了将近40%，在他用上2.5之后，毅然决然，全部推翻重来。 这也是这个AI时代非常操蛋的一点。 你的苦心经营的半年的技巧，还有很多所谓保持一致性的工作流，可能就会被一次模型发布直接吞噬。
DiDi_OK说，那些都属于小数点后面的技术，他现在也越来越没有兴趣了，真正决定你上限的，还是你的个人能力，还有模型本身的理解力。 当模型开始吞掉工作流。 创作者剩下来的，才是真正属于创作者的东西。 五. 创作到底是什么？ 我问DiDi_OK：你觉得AI真的能算创作吗？很多人说，不就是抽卡吗？创作在哪里呢？ 他给我讲了一个特别好的例子。 2023年，他参与过一个F1赛车宣传片，实拍加虚拟制作。 那时候，很多镜头可能要NG500多次。 一天光场地费，就是10万英镑。 赛车漂移过去，轮胎擦地，然后烟冒出来了，导演觉得，那个烟不好看，再来。 所有调度一切归位，然后再来一遍。 就这样，不断的Roll，不断的挑选。 直到导演觉得，这个第397次的烟最好，就用这个第397次的镜头。 所以，DiDi_OK说，创作，从来都不是生成多少次的事，也不是AI不AI的事，因为本质上，传统影视，也是抽来抽去的逻辑。
真正的创作，是那个不要。 为什么这个导演，要第397次呢？前面那396次，为什么都不要呢？ 这个不要，才是审美，才是判断，才是经验，才是那个真正的。 创作。 只不过，在AI加持之下，抽卡的速度变得越来越快，质量越来越高，是以前的传统影视，远远不可企及的。 但是反常识的是，模型越来越强以后。 DiDi一点都没有更轻松，反而更痛苦了。 过去一颗8秒镜头，磨两三天就差不多了，因为你知道，模型就那样了，上限就在那，可以安慰自己，这不是自己的问题。 但现在，有了Seedance 2.5这种级别的模型，第三次就能给你一个特别牛逼的结果。 那说明，它能做。 这时候，压力就全部给到DiDi_OK的身上了。 为什么我调度不出来？ 为什么没想到那个机位？ 为什么还不够好？
以前两三天一个镜头
