AI幫我省了時間，也幫我燒光了Token

AI視頻最神奇的地方，在于它總能用最認真的方式，把事情做得非常離譜。

比如輸入一句樸素的指令：

“生成一個小貓做飯的視頻。”

在人類世界里，這句話沒有理解難度。小貓站在溫暖的廚房里，用貓爪扒拉兩下鍋里的煎蛋，畫面可愛、童話，動作笨拙但合理。

AI卻會告訴你，事情沒這么簡單。

它生成了小貓、廚房和鍋鏟，也讓小貓開始做飯。唯一的問題是，這只貓長出了一雙人類的手。

你甚至很難說AI完全錯了。你要小貓，它給了小貓；你要做飯，它也安排了做飯。它只是順手解決了一個更底層的問題：小貓怎么拿鍋鏟？

答案是，給它安一雙手。        

AI生成視頻讓人崩潰的地方就在這里。它不是完全聽不懂，而是聽懂了一半。小貓負責(zé)可愛，做飯負責(zé)動作。至于人手能不能長在貓身上，用戶如果沒寫，它就可能自己補。

AI的補全能力有時像一個過度熱心的實習(xí)生。它不會停下來問：“這只貓要用貓爪，還是需要五根手指？”它只會默默生成，然后把一只長著人手的小貓端到你面前。

用戶只能深呼吸，開始補提示詞：

不要人手。

不要人類手指。

保持貓爪。

不要半人半貓。

不要多余肢體。

不要把鍋鏟插進貓爪。

到這里，一個六個字就能說清的需求，變成了一份創(chuàng)意合同。用戶不再像創(chuàng)作者，更像風(fēng)險控制專員。每一個“不要”背后，往往都對應(yīng)一次已經(jīng)發(fā)生的事故。

問題還不止于此。

AI視頻有一種近似抽卡的機制。同一句提示詞，第一版小貓可愛，但是手壞了；第二版手正常了，鍋飛了；第三版廚房質(zhì)感不錯，小貓的臉卻像通宵了三天；第四版貓和鍋終于都沒問題，下一秒又多出一條胳膊。

于是用戶進入一種熟悉的狀態(tài)：

再來一次。

剛才那一版已經(jīng)很接近了。眼神不錯，光線也可以，只要手別那么像成年人就行。用戶又點了一次生成。

然后Token沒了。

更麻煩的是，修改未必讓結(jié)果越來越好。第一次只是小貓長了人手；第二次強調(diào)不要人手，它可能直接不做飯；第三次要求做飯但不能有人手，鍋鏟開始懸浮；第四次要求貓爪握住鍋鏟，它又在貓爪和人手之間反復(fù)橫跳。

你以為自己在修Bug，AI以為你在增加劇情。

這也是很多人使用AI視頻后的感受：它確實快，但快得不穩(wěn)定；它確實能生成，結(jié)果卻總差一口氣。

完全不能用，用戶會直接放棄。差一點能用，用戶就會想：是不是再加一句就好了？是不是換個詞就好了？是不是再抽一次就好了？

差一點，才是最貴的。

笑完之后，小貓長出人手這件事，暴露了AI創(chuàng)作里的一個基礎(chǔ)問題：模型不能穩(wěn)定理解人類省略掉的常識。

人類說“小貓做飯”時，不會想到人手。我們知道貓的身體結(jié)構(gòu)，也知道童話里的擬人化有邊界。貓可以站起來、戴圍裙、拿迷你鍋鏟，但它最好還是一只貓。

這些前提，人類不需要說出來。

AI可以識別“小貓”，也能識別“做飯”，卻未必能處理好兩者之間的關(guān)系。做飯這個動作，在大量圖像和視頻中都和人類手部綁定。模型需要完成翻炒動作時，便可能調(diào)用最常見的方案：一雙能握住鍋鏟的手。

它知道貓長什么樣，也知道做飯長什么樣，卻不一定知道貓該怎樣以貓的身體結(jié)構(gòu)做飯。

視頻又比圖片麻煩。

圖片只要一個瞬間看起來正確。視頻則要在幾秒內(nèi)保持主體、動作、道具和空間連續(xù)。第一幀出了錯，錯誤還會沿著時間延續(xù)。貓開始有點像人，后面可能越來越像人；鍋鏟開始握得不對，下一秒便可能穿過爪子。

因此，AI視頻真正的問題并非生成能力不足，而是可控性不夠。

這也解釋了為什么用戶明明在使用一種效率工具，最后卻覺得更累。

過去，視頻創(chuàng)作的成本主要在拍攝、剪輯、繪制和建模。AI壓低了部分執(zhí)行成本，一句提示詞就能迅速生成雛形。但成本沒有消失，只是換了地方。

一部分轉(zhuǎn)移到了提示詞里。用戶要把默認常識寫出來，把主體結(jié)構(gòu)、動作方式和禁止事項逐項說明。

一部分轉(zhuǎn)移到了試錯里。同一句提示詞可能產(chǎn)生完全不同的結(jié)果，用戶需要不斷生成、篩選、比較和放棄。

還有一部分轉(zhuǎn)移到了質(zhì)檢里。手指數(shù)量、物體穿模、動作漂移、鏡頭跳變和角色一致性，都要重新檢查。

AI讓人更快看到結(jié)果，也讓人更快看到錯誤。它降低了制作門檻，同時抬高了控制門檻；省掉了一些執(zhí)行勞動，又增加了提示詞勞動、抽卡勞動和返工勞動。

很多人為了節(jié)省Token，會下意識地縮短指令。但在AI視頻里，短指令省掉的往往不是錢，而是約束。

“小貓做飯”很便宜，卻把所有關(guān)鍵判斷都留給了模型。更可靠的提示詞需要說明：保持貓科身體結(jié)構(gòu)，使用貓爪操作尺寸合適的鍋鏟，不出現(xiàn)人類手指和多余肢體，動作輕微，鏡頭固定。

這段話更長，卻可能比抽十次便宜。

真正貴的從來不是第一行提示詞，而是為了糾正它付出的后續(xù)成本。氣氛和風(fēng)格可以少寫，主體結(jié)構(gòu)、動作邊界和禁止事項卻很難省。

復(fù)雜視頻也不適合塞進一條提示詞。一個鏡頭先解決一個動作，先保證小貓仍然是貓，再討論光線、運鏡和節(jié)奏。先低成本試方向，再鎖定主體、擴展動作，最后檢查不能出錯的部分。

AI視頻生產(chǎn)更接近“測試、篩選、修正、再生成”，而非輸入一句話后坐等成片。

這多少有些諷刺。

AI出現(xiàn)時，人們以為它會讓創(chuàng)作變簡單。現(xiàn)在看，變簡單的是生成，控制仍然很難。人確實少做了一部分執(zhí)行工作，卻被調(diào)到了提示詞、質(zhì)檢和返工崗位。

那只長著人手的小貓，正好說明了這一點。

AI聽懂的可能只是“小貓”和“做飯”。至于怎樣讓一只貓以貓的方式做飯，仍需要用戶把常識翻譯成約束。

否則，省下來的時間會花在抽卡里，省下來的Token會燒在返工里，省下來的人工成本，最后可能變成用戶自己的精神成本。

最荒誕的是，AI生成失敗時不會覺得不好意思。

不好意思的只有用戶。

因為錢已經(jīng)花了，Token已經(jīng)燒了，小貓也已經(jīng)長出手了。

（歡迎關(guān)注家電網(wǎng)微信jiadianwangHEA,點擊閱讀 家電網(wǎng)頭條，最新家電、科技資訊，最專業(yè)的新聞資訊解讀，我們期待與您分享交流）

(家電網(wǎng)? HEA.CN)