EP 119
把代码变成声画的 AI | Video as Code 与生成式误读
旧金山最后一晚的录制与开场 00:00
崔胜准 今天录制时，大概是10月18日晚上。钟贤在旧金山的最后一晚又来和我们一起录制。听说你最近办了一场很有意思的活动。你似乎也接触到了最近用代码制作动态图形、视频，以及交互式视频的各种尝试，可以说是在最前沿亲身体验了。能给我们介绍一下吗？
朴钟贤 我在旧金山这段时间
在旧金山举办的 Video as Code 主题活动 00:26
朴钟贤 参加了相当多的活动，还围绕自己感兴趣的主题主办了一场活动。那场活动的报名者中，我们批准了大约100人参加，但场地没那么大，实际大约有40人到场讨论了这个主题。我们讨论的主题是 Video as Code。这个术语现在似乎还没统一。有人叫它 Code as Video，也有人叫它 Video as Code。总之，都是制作视频，但不用视频生成模型，比如很有名的 Seedance 这类模型，也不用直接生成像素的那类模型，而是让 LLM 编写动画代码，或者使用 Blender 等工具来制作视频。我们讨论了这种方法。对于这个主题，旧金山似乎也有很多人感兴趣。我们决定以此为主题办活动后，活动还登上了 Luma 活动平台的“Featured in San Francisco”栏目，也就是显示在旧金山的首页上。大概就是这个意思。大家对这个主题确实很感兴趣。
联合主持人 Sina 用代码制作的解说视频 01:51
朴钟贤 这场活动不是我一个人办的，我和目前同住的一位土耳其创业者朋友一起主办了活动。这位朋友做得特别好，我想给大家看看他的作品，先来介绍一下。这是其中一个例子。这是用 AI 写代码，再由代码生成的视频。这位朋友本来就对教育很感兴趣，所以做的是讲解概念的视频。我们打开视频看看。像这样，概念的呈现方式，还有音频、音乐等，都是用代码生成的。这段讲的是神经网络，但不是讲如何用 RL 训练它。而是构建一个最基础的神经网络，讲它如何实现驾驶，又是如何运作的，是一段解释这种 AI 的视频。他做了这样的讲解视频，这条视频获得了75万次播放。后来他又围绕不同主题制作讲解视频，一条条上传，有的还获得了96万次播放。他现在总共才发了10条视频。他每天选一个想讲解的主题，做成视频上传。从这条讲解光线追踪的视频开始，播放量就涨起来了。连续上传了10天，有的视频还达到100万次播放，他就这样积累了不少关注者。
从 Manim 发展而来的 ManimGX 与教育梦想 03:49
朴钟贤 这些就是和我一起主办活动的朋友 Sina 做的作品。他很早就开始做这件事了。听说大约是从18个月前开始的。
崔胜准 18个月就算很久了啊。
朴钟贤 按现在的标准，确实如此。从18个月前就开始了。3Blue1Brown频道的视频，大家可能都看过不少。Grant Sanderson 也为了制作那个频道的视频，开发了 Manim 这个库，再用这个 Python 库制作图形来讲解，对吧？为了把这件事做得更好，又自己开发了升级版 ManimGX，并用它亲手制作视频，做出了这样的作品。我问过为什么要做这些，因为理解复杂概念对每个人来说都不容易，如果能把概念清楚地呈现出来，让人更容易理解，大家就能更好地理解概念，也会喜欢上学习，教育也会随之进步。就是抱着这样的想法在创作。
崔胜准 我看 3Blue1Brown 的视频时，总是很惊叹，看时也觉得自己好像懂了，但事后常常觉得其实没弄明白。
朴钟贤 我们也聊到了这一点。
朴钟贤 我也问了他对此怎么看。真正让人理解，当然是最终目标。在他看来，3Blue1Brown 在这方面已经尽最大努力让观众真正理解。不过，教育类内容在 YouTube 等平台上实在太多了。大多数视频其实以播放量为目标，看时觉得自己懂了，实际上却没有深入理解。他说，这种浮于表面的视频很多。这也因为深入讲解的视频很难制作，所以难免会出现这样的内容。所以 AI 如果能在这方面帮上忙，就能帮助人们以更简单、直观的方式理解那些真正复杂的概念。他是这样解释的。
崔胜准 这确实有潜力，
崔胜准 但就像看网课一样，看过视频和真正把知识学进脑子里，似乎还是有点差距。
朴钟贤 对，这话也有道理。我也是，真有需要时会努力弄懂，反复看上两三遍；但如果只是随便看看，就很难一遍完全看懂。不过，它确实有帮助。因为我也在做类似的事，当时
从原始影像素材出发的 Kurzgesagt 风格实验 06:21
朴钟贤 Sina 做了一场分享，我也做了一场分享。我是从视频剪辑开始着手的。刚才展示的例子，真的是从零开始做的。那是从无到有制作的视频，而我关注的是原始视频素材，比如我们现在正在录制的这种原始素材，怎样才能用它做出更好的视频？我是从这个问题开始的，也尝试过类似的生成方式，现在也给大家看个例子。关于计算机运算原理的视频，我们的一位联合创始人尝试制作过。用的是一种很有名的风格，就是 Kurzgesagt 的风格。我把这些视频都看了一遍，觉得做得相当不错。所以，这样的视频是怎么做出来的？我想聊聊这个。首先，我想从自己
兼职 YouTuber 的剪辑负担与 AI 完成 99% 剪辑的频道 07:41
朴钟贤 为什么开始做这些事说起。大家也看到了，我们是 YouTuber。这个频道也是我和别人一起主持的，我还主持 sudoremove 频道。其实我之前没说过，我还有一个运营得更久的频道，比这两个频道都早。我经营着这些频道，但这都不是我的本职工作，而是副业。我们也是抽出周末时间来拍摄的。就拿我的频道来说，一开始所有剪辑都是我自己做的，剪辑比想象中耗时得多。录下来的视频并不那么完美。我们的sudoremove频道也会做直播，直播视频也不可能尽善尽美。所以经过剪辑，当然能做出更好的内容。可以把内容讲得更清楚，弥补失误，还可以加入补充说明的视频，也可以加入补充资料。但每期至少要花20小时。自己做过就知道了。当然，每个人花的时间可能不同。所以这个项目最初的出发点是：AI能不能替我剪辑？我们就是带着这个想法开始的。我们为此做了几个月，现在sudoremove频道的视频都是由AI剪辑后上传的。开始这样上传视频到现在已经两三个月了。一开始，人工和AI剪辑的视频各占一半，
朴钟贤 播放量也差不多。我还问了几位认识的订阅者，他们说：“没想到是AI剪的，质量挺好。”很多人都这么说，所以现在上传的视频有99%是AI剪辑的。后来，播放量也增加了不少。并不是因为用了AI剪辑，单条视频的播放量就更高了。而是因为用了AI剪辑，我们能上传更多视频，总播放量也就增加了。总之，我们觉得效果和以前差不多，和人工剪辑的视频差不多。
崔胜准 红色箭头标的就是那个时间点吧。
朴钟贤 对，我们差不多从那时开始用的。
朴钟贤 一开始是试着用。后来，我们又做了些实验：
用运动员网红的粉丝频道比较 AI 剪辑效果 10:02
朴钟贤 和人工剪辑师相比，AI能做得更好吗？能不能做出让观众满意的视频？于是，我们在一位我认识的博主的频道上做了实验。他的频道大约有一万名订阅者，他也会做直播。他也会上传直播剪辑版。我们征得同意后，提出用他的直播素材剪视频，试着运营一个粉丝频道。我们说，这样能让内容传播得更广。得到许可后，就上传了AI剪辑的视频。结果播放量反而更高。
崔胜准 是吗？
崔胜准 是吗？
朴钟贤 对，其实原因很清楚。因为他原本就不是做视频的。我们当然也不是做视频出身，所以在我们的频道里，我剪的视频和专业制作人做的视频相比，剪辑技术当然差得远。他也有自己的本职工作，其实是一名运动员。作为副业，他会剪辑并上传这类视频。毕竟他不是专业制作人，这也很正常。总之，我们开了一个新频道，上传AI剪辑的视频，即使当时订阅者为零，播放量还是更高。由此看来，AI在剪辑方面确实似乎已经比非专业剪辑者做得好。
崔胜准 虽然还谈不上出类拔萃，
崔胜准 但也许能达到平均水平，甚至超过平均水平。
朴钟贤 后来，他说视频做得很好，
朴钟贤 请我们上传到他的主频道，所以现在我们也在那边上传。结果播放量明显提升了。当然，目前样本还不够多，不能断定播放量大幅提升就是因为剪辑做得好。但无论如何，我们已经看到了这样的积极结果。AI在剪辑领域也做得相当不错了。可以这么理解。
SudoCut 发布：短视频剪辑与英语自动配音 12:11
朴钟贤 所以我开发了一个叫 SudoCut 的服务，上线并开放给大家使用。那么，剪辑之后该做什么呢？接下来我开始做的是切片。也就是制作短视频。说到切片，最近我把我们做的一场直播那场直播大约有两三个小时。剪辑后，这段一两个小时的直播视频就成了长视频剪辑版。再从中挑出精彩片段，把观众可能喜欢的部分剪出来，做成短视频。因为现在这类内容很受大家欢迎，尤其是短片段。总之，我们也会把精彩瞬间一个个剪出来上传。一开始是怎么做的呢？只是把合适的片段挑出来。不加任何修饰。讲的是大家可能感兴趣的内容，接着就开始尝试制作动态图形。从这里开始，就进入了今天的主题 Video as Code，也就是让 LLM 生成制作动态图形所需的代码，再制作符合这些短视频片段内容的动态图形。顺便说一句，这段内容还配了英语版，来听听。
崔胜准 感觉和钟贤的声音差别挺大。
崔胜准 感觉和钟贤的声音差别挺大。
朴钟贤 那个声音是因为我们原本用韩语直播，后来自动配成了英语，所以听起来不太搭。不过也可以做韩语版本。用原来的声音。总之，就是这样根据内容制作相配的动态图形。我从大约两周前开始尝试这件事。
Opus 5.5 点燃 Video as Code 热潮与工具比较 14:16
朴钟贤 真正促使我开始尝试的契机是Opus 5.5。大家都知道它做得非常好。
崔胜准 没错。
崔胜准 没错。
朴钟贤 所以，Video as Code或者 Code as Video，这个概念从 Opus 5.5 开始浮现在我脑海里，于是我就测试了一下。Opus 5.5 的 medium、xhigh，还有 GPT-6.1 Sol、GPT-6 Astra，我比较了它们制作的动态图形。给它们的指令都一样。生成的动态图形大概是这样，Opus 5.5 真的做得很好。不过 GPT-6 也做得很好。也就是说，现在的模型做这些都还不错。得出这个结论后，我又做了一个实验。归根结底，我们得给 LLM 提供工具，对吧？所以我试着给它提供了几种工具。ManimGX，是刚才提到的曾和我们一起生活的朋友 Sina 开发的，是一个升级版的 Manim 库。它与 Manim 完全兼容，所以可以看作是给了模型 Manim。给它 Manim，让它用 Python 制作动态图形。再试试什么工具都不给，让它自己想办法。另外，现在还有不少这类项目已经发布在 GitHub 上。比如 Remotion 和 HyperFrames，这些都是用来制作这类图形的库。我把这些工具逐个提供给模型，让它分别用这些工具制作。最后生成的视频呈现出各不相同的图形效果，确实有些差别。
朴钟贤 但要说哪个真的更好，就很难选了。我发现自己不太擅长从中筛选。不过关键在于，无论给它什么工具，它都做得不错。甚至不给它任何工具，让它直接写动态图形代码，画出来的效果也不差。于是我得出了这样的结论。接着，我开始想：最开始展示的那个视频，
Codex 学习付费课程后制作的 Kurzgesagt 风格动画 16:40
朴钟贤 怎样才能做得更好？想来想去，就想到了 Kurzgesagt 风格。至于那段动画是怎么做出来的，其实非常简单。我发现有一门讲解如何制作那种动画的付费课程。我们的一位共同创始人买了课程，打开 Codex，让它去看课程。让它好好看一遍，认真学学动态图形是怎么做的。然后它就做出来了。接着又让它试着制作视频，当然，中间也反复调整了几次。让它这样试试、那样试试。觉得哪里不太理想，就让它换个做法。这样不断调整，从版本 3 改到版本 4，效果逐步提升，就做出了这种水平的视频。所以它真的做得很好。所以，解说视频。对。
崔胜准 写着 Craft Pass 的那部分是什么？
朴钟贤 那是我们在开发过程中起的一个别名。因为不是我亲自做的，所以我也不清楚具体是怎么做的。好像是改进了某个不满意的环节，然后给这一步起了个别名，叫 Craft Pass。
崔胜准 不过，做评估的也可能不是人，对吧？
崔胜准 不过，做评估的也可能不是人，对吧？
朴钟贤 这次确实是人做的。所以我想借此机会向我们的共同创始人 Jiho表示感谢。他做得太好了。他叫 Yang Jiho。
崔胜准 做得真好。
朴钟贤 所以乍一看，视频还挺不错的。
看起来像模像样的视频是 slop，还是好内容？ 18:21
朴钟贤 粗看之下是这样。那接下来的问题是，虽然做出了看着挺像样的东西，但它究竟是粗制滥造的 AI 内容，还是真正的好内容？我对此有些疑问。因为这才是真正难的问题。一开始 Claude Code 刚出来，前端做得特别好，当时我们也觉得：“哇，做得真好。”但现在回头看当时的作品、那些网页，我们常说它们是粗制滥造的 AI 内容，对吧？也就是说，当时 AI 刚开始能把网页做得像样时，做出来的那些网页，以我们现在的标准来看，并不会觉得是特别好的网页。只是以前做不到的事突然能做到了，觉得新奇而已。现在的视频会不会也处于那个阶段？所以，这真的是好内容吗？我也不禁提出同样的问题。为了回答这个问题，我做了一件事：
用不同类别的频道验证观众反应 19:13
朴钟贤 创建了一批 YouTube 频道，试着上传了一些我认为不错的视频。我先创建了不同类别的频道。虚拟主播、政治、播客、体育，还有科技评测之类的视频。这些只是举例。实际上我不是这样做的。我找来各种类别的视频，进行剪辑，并确保没有版权之类的问题：要么取得授权，要么使用本来就允许使用的视频。有些视频的作者会说：“我的视频尽管用。”我把这些视频剪辑后上传，试了试效果。还加入了动态图形，做好之后上传了。如果观众看了真的喜欢，留下友善的评论，点赞也很多，那就是好视频。我想应该是这样。最终还是由观众判断。基于这个假设，我上传视频，就是想验证这一点。没想到，大约 20% 类别的视频观众真的很喜欢。我们开始这项实验大概有一个月了。一个月前刚开始上传的视频，质量自然还有些欠缺。后来我们边改进边上传，也许是这个原因。总之，播放量渐渐上来了，订阅者增加了，评论也多了。更让我惊讶的是，我已经收到了超过 1,000 条评论。
朴钟贤 这是所有频道和视频加起来的。没仔细数，可能有几千条。大概吧。总之，能看的我都尽量看了，却没有人问：“这是用 AI 做的吗？”也就是说，似乎已经到了观众察觉不出来的程度。至于它们算不算好内容，有些算，有些则不算。所以我觉得，这是今后还需要继续解决的课题。不管怎样，无论是剪辑、动态视觉效果，还是 B-roll、补充说明或资料，AI 确实能从各个方面帮助我们做出好内容，今后也会发挥更大作用。这是我目前的结论。所以我会继续做下去。我们现在也在拍 YouTube 视频，归根结底，眼下的目标是做好内容，呈现给观众。为此，我想好好利用 AI，做出好的内容。这就是我的目标。所以我正在招募愿意和我一起尝试这些项目的创作者。有些人可能会想：“我有故事，有值得分享的故事，却因为剪辑这道门槛，没法做出来。”这样的人肯定有很多。我想帮助这些人，一起做出好内容，探索怎样才能更好地使用 AI，怎样才能让更多人把自己的宝贵知识、见解和故事好好呈现出来。
朴钟贤 如果需要帮助，欢迎联系我。
崔胜准 那您在当地做分享时，现场反响怎么样？
当地反应与因类别而异的剪辑标准 22:41
朴钟贤 当地的人主要想知道的是：
朴钟贤 首先，我当时没有讲其中的技术细节。他们想知道我是怎么做出来的，具体过程是什么。大家对此特别好奇。基本上，我是通过教 AI模仿我的剪辑风格来做的。比如，是否对模型做了微调。毕竟活动是在旧金山举办的，大家似乎对这些很感兴趣。
崔胜准 不过您也做了模型微调吗？
朴钟贤 我没有对模型做微调。
朴钟贤 不过有些地方，我明确觉得只有做了微调，效果才会更好。所以以后也许会做。
崔胜准 原来如此。
朴钟贤 然后大家还好奇的是，我特意拿不同类别的视频做了实验。因为我们的 AI Frontier 频道是讨论 AI 的播客，我另外运营的 sudoremove 频道也有类似的定位，所以我觉得其他类型的频道情况会很不一样。观众看那些内容的理由也会不同。那么，要让这些观众满意，剪辑方式，比如剪综艺节目时，肯定也得完全不同。我是这么想的，大家也都对这一点很好奇。毕竟各类视频肯定都不一样嘛。有没有找到什么共同标准？大家似乎很想知道这些。答案当然因类别而异。动态图形的风格也应该有所不同。这是我目前找到的答案。接下来我还要花更多时间，做各种尝试，找出不同类别的内容该怎么做才好，再让 AI 也能这样做，从而发布更好的内容。我想这会是今后的工作。
内容真正的价值在于原本的故事讲述 24:38
崔胜准 所以您并不追求完全自动生成，而是以原创内容为基础，无论是制作片段还是剪辑，都朝着这个方向做，对吧？
朴钟贤 这是我个人的看法，也是这项工作最初的假设。我们现在正在录制，对吧？录下的原始视频会经过剪辑，或者加上动态图形，甚至另做一些讲解视频放进去，观众看到的也会是另一种内容。因为这段原始视频，我们并不会直接发布。但观众看剪辑后的版本时，之所以想看，最大的价值其实都在这段原始视频里。归根结底，就是在原视频上加以完善。剪辑和动态图形让它变得更好，讲解视频也是为此而加入的。观众来看这段视频，大概是想听我、胜准，还有今天忙得没能来的正石说些什么、有什么想法，或是获取我们传达的信息。他们想看的就是这些。这才是最大的价值。所以，比起完全从零开始用 AI 生成的内容，我更关注真人讲述的原始故事，以及如何把它呈现得更好。这是我专注的方向。
崔胜准 我觉得这点很重要。现在似乎到了一个分岔点，把价值放在哪里、押注什么，都会影响今后的方向。
朴钟贤 当然，即使没有这样的原始视频，
朴钟贤 也能像刚才那位叫 Sina 的朋友一样，做出好的内容。只是我觉得那条路更难走。
崔胜准 身为人，难免会被人的魅力打动，
崔胜准 这似乎无可避免，但如今也不能轻易下定论。总之，我看得很有意思。您也做了很多准备。
从演示文稿设计看 Claude 与 GPT 的风格差异 26:49
崔胜准 不过我猜，这套幻灯片是用 Claude 设计的吗？就是现在这份演示资料。
朴钟贤 这套幻灯片不是。这套是用 GPT-6.1 Sol 做的。不过其中也混合了其他模型的成果。这套幻灯片不是凭空一下子生成的。我之前已经做好了设计文档、情绪板，还有各种设计系统，这些都准备好了。不过当初做这些的时候，我可能是和 Claude 一起做的。
崔胜准 那它的风格可能延续到了这里。
崔胜准 那它的风格可能延续到了这里。
朴钟贤 我混用了好几个模型，一直调整到自己满意为止，所以应该混合了各家的风格。
崔胜准 我猜是 Claude，因为 GPT 默认设计的行距会稍微紧一些。而且偏爱奶油色，似乎也是 Claude 的特点。
在纪念白南准的房子里呈现“生成式误读” 27:39
崔胜准 好，那接下来我继续讲。今天的话题从钟贤的视频剪辑开始，我也准备了一些与创作有关的内容。昨天，我久违地和几位相熟的创作者一起做了场表演。这些相识的艺术家中，有个叫 PROTOROOM 的组合，由胡尼达·金和金承范两位艺术家共同组成。我和艺术家申承伯也保持联系十多年了，今年年初还围绕“Uneven Futures”这个主题聚在一起。这次是在“纪念白南准之家”，一处位于东庙、原本就在举办展览的空间，那里偶尔也会举办表演。我作为受邀艺术家参与的作品，就是刚才屏幕上展示的“生成式误读”。我们来看一下刚才那段视频。声音。看这里，他们用刚才说的 bytebeat，也就是包含位移运算符和数字的代码来演奏，还实际制作了装置，以表演的形式呈现，也举办展览。我负责的部分，
Viznut 的 bytebeat 代码与用进化算法探索声音 28:59
崔胜准 是拿这里看到的代码，以另一种方式解读他们原本的作品，也就是“误读”。最近常谈到 misalignment，对吧？就是对齐偏差。魔术里还有 misdirection 这个说法。硬要译成英语的话，大概是 misreading。生成式误读究竟是什么？我做的作品就是想提出这个问题。这里看到的，是 t 乘以 8，再做 OR 运算，以及将 t 右移 8 位。这其实是 Viznut 发现的一段代码。这里的 t 代表时间。把随时间计算出的数值转换成音乐，也就是转换成声音，听起来就像音乐。这一段是我调整过的。原来的声音，对有些人来说要难听得多。这一段是用进化算法探索这些代码的各种组合。来听其中一个，声音可能有点吵。像这样，有脉冲声。如果这种声音的音调再低一些，也可能像鼓声。这样就能探索各种不同的声音空间。所以一开始，我想先仔细解读这两位艺术家的作品。刚才看到，这里有 n1、n2 这样可以填入常数的位置，我做的就是自动探索这些常数。点这里会发出这种声音，点那里会发出另一种声音，我做了个工具，可以快速试听。到这里还只是仔细解读，
崔胜准 其实 bytebeat 代码本身原本不是为了发声而写的，却被发现有些部分听起来像音乐。这本来就是误读代码的结果。所以接下来的内容也一直与误读有关。
朴钟贤 就像那个 y 等于 t 什么的公式对应的正弦波，
朴钟贤 不过既然用了位移运算，应该不是正弦波吧。就是生成那个波形，然后直接播放，对吧？
崔胜准 对。
崔胜准 基本上，改变那些参数就能做到。有一些艺术家们演奏过的样本。我拿到了其中大约 12 个样本，我觉得 3 号挺有意思。3 号有意思，9 号也挺有意思。如果不只演奏其中一个，而是用多个声道，就可能听起来像有各种乐器在演奏。现在这个是运行 UMAP 得到的，我没有另外写代码。只是看了看 latent，到这里为止，还只是仔细解读。
把声音重新误读为图像和表情符号 32:03
崔胜准 接下来，我试着把刚才的 3 号当作图像来看。我们听一下。这样就会出现奇妙的图像，原本的代码被转换成声音，现在又被转换成了图像。不过编程久了就会发现，名称是可以随意取的。符号学里也是这样，就像能指和所指，我被称为崔胜准，并不是因为这个名字代表我的原子结构，这种关系是任意的。对，变量也是如此。所以，能够处理名称在编程中非常重要。给事物命名后，就能像魔法师一样操控它。有位作家叫 Ursula Le Guin，写过一部很棒的奇幻小说《地海传奇》，书里也讲到，知道名字就能干预，就能发号施令。所以，知道名字后，其实就能通过代码操纵某些东西。而这又能实际作用于物理世界中的光或马达之类的东西，所以在我心里，它是一种能干预现象的语言。我做的，就是尝试用原本未曾设想的方式去解读它。刚才展示的那些内容，我来播放一小段。现在这里显示的部分被解读成了一只熊。这是通过回归分析，找出了像素与这部分相似的表情符号。其实两者毫无关联，就像我们看云时，会从云里看出人脸一样。有个概念叫“空想性错视”（pareidolia），我就是用这种方式让它强行解读。
崔胜准 可一旦这样强行解读，它就有了“熊”的含义，这里也有了“流星”的含义。这里呈现的，是把这个结构表示成一种数学上的结，然后生成了它的轨迹。这也是任意的。所以我想探索的是，能怎样解读它。
朴钟贤 总之，先用代码设计声音，
朴钟贤 再把生成的声音呈现为图像，然后把图像与相似的东西匹配，做成表情符号，就像给它起别名一样，最后表情符号就成了别名。
崔胜准 对。原本完全没有这样的名字，但表情符号里不只有事物的名称，也有概念的名称。这次又用这些名称强行解读。我不断尝试误读，想看看从最初的 bytebeat 代码出发，究竟能走多远。
朴钟贤 那我想问一个问题：您用代码生成声音，而那些代码是多位艺术家
只看代码能预测声音吗？verifiability 问题 35:14
朴钟贤 设计的，对吧？我想除了我，大家可能也有同感：光看那些代码，根本想象不出会是什么声音。
崔胜准 多做就会了。
崔胜准 多试几次就行，不过刚开始通常确实不知道。而且很难完全预测整体结果。比如 t 到一万左右时会是什么值，也很难预料。实际上得算过才知道，但大致会是什么感觉，倒是可以培养出一些直觉。只要多试试。
朴钟贤 那艺术家们设计那些公式时，
朴钟贤 是先凭感觉设计公式，听过之后，如果觉得不太好，就修改公式再听，是这样反复尝试的吗？
崔胜准 对。有个可以反复调试的界面，
崔胜准 实物硬件上有 A、B 之类的滑块。不过那只能改变常数。要改变代码的结构，就得经过多次试错。但如果像我刚才那样使用进化算法，就可以在可能性的空间里，预先探索运算符会以什么方式组合。不过就我的尝试来看，质量比人花心思做出来的差得多。
朴钟贤 归根结底，这也涉及是否可验证的问题，
朴钟贤 我一直在想这个问题，进化算法也是如此。听过声音后判断它好不好，归根结底，现在还是由人来做，对吧？
崔胜准 对。其实除了这个实验，
崔胜准 我还在其他实验中好奇，Opus 之类的模型能不能作曲，也试着弄清它们能不能听声音。但无论是 ChatGPT 还是 Opus，它们自己都说：“我们目前还听不了。”“不过可以绘制声谱图，查看图像。”声谱图能呈现声音的形态，不只是做频率分析，还可以用其他方式展现。比如用声谱图而不是 FFT 来绘制，模仿某种乐器时，就能进行回归分析或优化。所以可以把好音乐的某种感觉经过一层转换，表达成某种形式，再以此为目标进行优化。将来，如果模型能听声音、形成偏好，并将这种能力内化，性能会大幅提升，也会更擅长这种探索。
朴钟贤 我做视频时也觉得，评判什么是好视频非常难。所以我也很好奇，在这里，人们是怎么判断一个声音好不好听的。看来这里也在逐步解决一个类似的、至今尚未彻底解决的难题。我是这么感觉的。
崔胜准 除了我的作品，申承柏艺术家还
YAMNet 声音分类、表情符号合成与像素画游戏 38:07
崔胜准 使用了名为 YAMNet 的声音分类器，研究刚才那些“哔哔哔”的声音与二十万个音频样本中的哪些相似。他做了这类实验。也就是看模型把那些声音听成了什么鸟鸣、乐器声或奇怪的杂音。他还反过来做了一个实验，让模型试着演奏那些声音，也很有意思。而我探索的是更偏符号层面的东西。比如算盘、熊这些元素出现时，如果算盘遇上软盘，就会变成一台计算机器。这种元素合成的思路，来自一款叫 Little Alchemy、意为“小小炼金术师”的炼金游戏。我让模型据此制定合成规则，接着看看还能走多远：既然它是 LLM，就让它依照规则，基于带有提示词的模板，把模板中出现的表情符号当作角色或情境元素，试着生成提示词本身。于是生成了这么长的提示词，让刚才的新月、熊等元素登场，描述它们如何相遇、会发生什么。再让模型根据这些内容自行选择形式，创作出某种作品。我就是想把这件事也交给模型。最后得到的，大概就是这个。我当时也不知道它是做什么的。
崔胜准 现在知道了，但第一次看到它时，我在表演现场还不清楚，就试着玩了。只能靠自己猜。比如刚才那个该怎么玩。刚才里面有个算盘，大概是要拿算盘珠做些什么，等窗户里的灯全部亮起，故事就结束。最后呈现的是这样的形式。不过，这是刻意以像素画为目标，才做成这样的。但如果是 Opus 5.5，无论提示词是什么，就像刚才钟贤在开头展示的那样，它都能编出故事。所以起初虽然只是简单的代码，但一再误读、误读、再误读，就成了这样的创作。回顾媒体艺术史，
John Cage 与白南准：对偶然的诠释和大规模生产假说 40:47
崔胜准 John Cage、白南准都是如此，再往前追溯，Mozart 也是如此。借助随机性，或把自己的想法外化后，解读偶然产生的结果，这样的创作已经持续了很久。我也是沿着这条脉络做的尝试。模型其实并没有真正的创造力或好奇心，但如果假设它有，把任务交给它，它会做什么？所以我的假设是，虽然需要模板，但如果有大量这样的提示词，而我们又能衡量生成故事的质量，是不是就能大规模地创作？做得多了，其中或许也会有好作品。模型的能力已经提升到让人能这样设想的程度。我当时就是这么想的。
朴钟贤 嗯，我明白了。
朴钟贤 来到这里之后，关于创造力，
难以走出训练分布的 LLM 创造力 41:45
朴钟贤 我也到处问了很多这类问题。因为我见了很多开发视频生成模型的朋友。说到底，不管是 LLM，还是基于扩散模型的视频生成模型，只要训练数据中有人类数据的分布，它们就会从中选出概率上最像样的内容，然后输出。所以它们很难跳出那个分布。我们让它们写什么，写出来都大同小异，就是我们所说的那种带着一股金属味的表达。而且刚才，看到我做的演示文稿时，胜准还说：“这像是 Claude 做的吧？”说明这种相似的模式已经能被认出来了。AI 总是产出这种显而易见、与创造力相去甚远的东西。那么，LLM 虽然很聪明，怎样才能让它们发挥创造力呢？说到创造力，在我看来，假如人类迄今创作的作品所形成的分布是这么大一块，创造力是不是在于创作出跳出这个范围的作品？如果这样想，要怎样跳出这个范围，又不至于做出太离谱的东西？这么想来，误读，也就是故意读错，让作品跳到那个范围之外。这样的尝试，在发挥创造力时，也许能提供一些启发。听了您刚才的话，我有了这样的想法。
崔胜准 上次录制时，我们
崔胜准 聊过数学中的 convex hull of ideas，也就是“想法的凸包”，对吧？这项工作的标题本身叫作“生成式误读”，如果看“误读”之外的“生成式”部分，在机器学习中，严格来说，我们用数据训练出模型，而模型最终能够生成处于这些数据分布中的新数据，这才是“生成”，也就是 generative 更严格的含义。所以，想超越归纳数据规律、生成类似内容的范畴，过去一直让人觉得很难。可看看数学领域发生的事，模型又太擅长这个了，有时会把看似毫不相干的东西联系起来解题。比如数学领域 A 和领域 B，也就是数学内部的两个领域，人们通常不会想到把它们联系起来，模型却把它们联系起来，通过这种联系解决那个难题。这让我觉得，即便仍在 convex hull 之内，在组合这些东西时，也可能产生某种出人意料的创造力。但如果把这样的尝试推到极致，能靠大量尝试做到吗？这让我开始思考这些问题。
朴钟贤 我也有类似的想法。
interpolation、out of distribution 与不断扩大的探索疆域 44:37
朴钟贤 最初 DALL-E 之类的模型刚出现时，最早的例子好像是“骑马”、“宇航员”之类的。就是穿着宇航服的宇航员骑着马。那是 DALL-E 2 的时候。我觉得这正好就是那个例子。骑马的人是很常见的形象，宇航员，穿着宇航服的宇航员，这也是很常见的形象，但把两者组合起来，就是插值，对吧？就生成了一张看起来很像那么回事、按当时的标准还颇有创意的图像。那么，当时那张图像似乎是在我们至今见过的无数图像的分布中，找到了一个原本空缺的插值位置。那这能算创造力吗？如果让我现在给它起个名字，或许可以叫作由组合产生的第一阶段创造力。但如果既不是马，也不是宇航服，而是把我们从未见过的元素组合起来，创造出一张此前从未见过、处于分布之外的图像，那或许就是下一阶段的创造力。不过，它还得值得一看才算有创造力，否则就只是随机噪声了。那么，怎样才能走出这个范围，既不变成随机噪声，又能保有创造力？这会是答案吗？
朴钟贤 还是说，这种生成式误读归根结底也是在这个分布中，寻找隐藏的插值位置的创造力？我有这样的疑问。
崔胜准 我的直觉是，会先摘附近那些容易摘的果子。也就是说，即使没有真正跨到外面去，附近肯定还有一些您刚才说的那种有待填补的空白。填补这些空白，应该会有一段容易取得成果的时期。在这段时间里，模型的能力也会提升。但之后会怎样，谁也说不准。而且探索空间也会扩大，于是又会出现新的空白。那些空白又可能成为下一代容易摘的果子。我脑海里有一幅版图就这样不断扩张的图景。我之所以一直
受到冲击的数学界，以及 Terence Tao 和 Grant Sanderson 的视角 47:04
崔胜准 关注数学领域，是因为早在十年前，围棋就先让我受到了冲击。围棋这片人类前沿受到冲击，本身就很有象征意义。而这次数学也是如此。它与其他学科、与科学有些不同：数学家往往独自钻研，同时又有一个在社群内部不断推动它发展的生态。我感觉这一点和围棋很像。而这些人如今率先受到了强烈的冲击。看 Terence Tao 最近的样子，撇开这里讨论的内容不谈，他看起来也太辛苦了。看着让人担心，我有这样的感觉。
朴钟贤 光看脸就知道他憔悴了，确实让人感慨。
朴钟贤 光看脸就知道他憔悴了，确实让人感慨。
崔胜准 所以他在这里也用了“浪漫的时代已经过去”这样的说法。数学的浪漫时代已经过去，我们现在必须迈入工业革命的时代。不能再像以前那样做，而要用新的方式向前走。不过，我记得他也说过，这里面似乎带着苦涩和遗憾。但 Grant Sanderson，我们刚才也提到过，Grant Sanderson 的神情很明朗。所处的位置不同嘛。他在这段视频里谈的是乐观主义。那好像是昨天发布的视频。无论模型进步多少，数学仍有值得探索的东西，也还有很多人想了解这些东西。我也没有把这段视频完整看完，只是通过 AI 看了摘要。所以，他因为表达了乐观态度，也在社交平台的动态中受到批评。现在不是谈希望的时候，而是该对数学家们正在经历的事多些共情。在共情的同时，也该为他们感到难过，大概是这个意思吧。从时间线上的反应也能看出这一点。
AI 时代，解说者和传播者还能安稳吗？ 49:08
崔胜准 不过，照钟贤刚才的介绍，他们安全吗？我是说那些讲解者或传播者。
朴钟贤 恐怕不安全吧。不过，讲解者也一样，和我一起主办活动的朋友Sina，最终追求的是3Blue1Brown那样的角色。成为向广大公众提供优质讲解的平台。其实Sina并不打算止步于视频，还想做能让人互动的内容。那么，这个平台的价值从哪里来？无论工具多好，想要讲解的主题、想法和核心概念，创作者终究都得弄明白。Sina似乎是这么想的。但我并不赞同。当然，Sina也认为将来AI能把这一切都做好。比如想学习的人说：“我对这个好奇。”刚才提到了傅里叶变换，那就说：“我想了解傅里叶变换。”这时，能讲清傅里叶变换的视觉材料就会当场生成，帮助我理解。Sina向往的就是这样的平台。那么，现在这些讲解者安全吗？或者说，用户是否都会通过这种即时生成的内容，边互动边学习？这么一想，讲解者的发挥空间肯定会变大。我觉得他们也不会因此消失。因为很多时候，连我自己究竟好奇什么都不太清楚。
崔胜准 没错。
崔胜准 没错。
朴钟贤 讲解者可以说：“你可能会对这个好奇。”“这些概念和知识真的很有价值，你不妨看看。”从推荐的角度来看，讲解者还是有事可做的。这么一想，3Blue1Brown那副兴奋的表情就说得通了。因为他仿佛插上了翅膀，很快就能尽情讲解一直想讲的东西。
崔胜准 他以前就做得很好，以后应该也会做得很好。他现在想表达的，大概也是别只顾着悲观，还要寻找新的可能性。不过，刚才录制前我们也聊过：那么，导演工作还安全吗？当时也简单谈到了这个问题。说到底，无论是钟贤现在的做法，还是我刚才做的作品，都是先有某种意图，即使没写剧本，也能形成故事；先有想传达的信息和构想，再用AI把它做出来。可是，这种构思本身，构思故事结构这件事，还安全吗？钟贤采用的做法，虽然不是我熟悉的领域，但让我觉得和增长黑客有点相似。也就是说，既然有消费者或用户，就针对他们优化，再交由市场判断。那么，故事结构本身也交由市场判断，这种说法也是成立的吧。
朴钟贤 对，对。AI似乎已经能
朴钟贤 一口气创作出各种各样的故事。但这些故事到底好不好，我也说不准。有的好，有的似乎不怎么样。如果我看过故事后，能明确判断“这个故事好”，我应该就会自己筛选了。问题是，我无法保证自己的判断一定正确。所以我最终把判断交给市场，看市场认为哪些作品好，然后再回过头来分析。“原来用户喜欢这些东西。为什么喜欢？”这会是弄清用户喜好的一个更重要的线索。比如讲解视频，人们可能因为喜欢某个主题，才喜欢那支讲解视频。也可能是因为讲得实在太好，才喜欢那段讲解。总之，只要人们喜欢，点赞就会多，感谢的评论也会多。如果开放赞助，赞助金额也会不同。归根结底，这是个探索问题。但到目前为止，对探索结果的评价确实只能由真人来做，我认为现状就是如此。所以才要把它推向市场。如果将来AI能代替人，看过之后准确判断它的好坏，那就没必要这么做了。把这件事也交给AI就行。可那一天真的会到来吗？
价值流向 AI 无法判断的稀缺之处 53:46
朴钟贤 上周正石也说过，价值最终会流向稀缺之处。而稀缺之处，很可能正是AI无法判断的地方。因为如果AI什么都能判断，它选出的东西就会充斥着相似的内容，而与之不同的内容又必然会受到人们喜爱。所以，AI最终一定能把一切都做好吗？我认为绝对不会。我们频道，还有我、胜准和正石，都比较乐观地认为AI将来什么都能做，但即便如此，我还是觉得这件事恐怕做不到。
幼儿园歌曲视频与 Opus 制作的手写文字动画 54:30
崔胜准 我们的意见未必完全一致。最后，我想顺带介绍一下我本职工作中要做的一件事。我也得制作视频，我们幼儿园有一首园歌。园歌叫《游戏是孩子的生活》，乐谱是有的，但只有钢琴录制的版本。所以我从乐谱中提取了音乐，一会儿会听到一点声音。我做了这么一个工具。现在还做了典型的Tracker之类的音乐处理工具，可以从这里导出MP3音乐文件。不过，它的音质比SoundFont或采样音源差，所以我最后用Suno完成了制作。我试着做了这样一个视频。这里像手写字一样出现的文字，是Opus写的。上次做字体时，我发现包括Opus在内的现有模型，都很理解韩文字的笔画等细节，就试了一下。这些画是孩子们画的，但动画本身都是Opus做的。做起来还挺有意思的。
不该生成的领域与无法规模化的意义 56:22
崔胜准 不过有一个很重要的点：这些画或许也完全可以生成出来。但我意识到，那是不该做的。这是我的一个重要领悟。有些部分可以借助AI，但有些部分如果也让它代劳，事情本身就会失去意义。这次制作时我深有体会，身边的人也给了我这样的反馈。如果连那些画也生成了，那这作品还有什么价值？我收到过这样的反馈。
朴钟贤 这一点我完全赞同。毕竟有亲手画出那些画的孩子，说得极端一点，对那些孩子来说，光是自己的画被放进去了，它就成了一件有价值的作品。因为那是我画的。
崔胜准 而且，对业内看到它的人来说，如果连那些画也是生成的，就毫无价值，甚至可能有害。所以在某些领域，这些环节必须有一定的阻力，或者我觉得有些部分需要慢慢来。因此，这种事没法大规模地做。因为孩子画画是一个有意义的过程，所以没法扩大规模。
朴钟贤 撇开这个不说，那种手写字风格，
朴钟贤 模仿儿童手写字的动画，做得相当不错。我觉得这就是目前的状态。但光靠那些字本身，能让这段内容变得有价值吗？我觉得也不能。如果真是孩子写的字，那当然有它独特的价值。但看到这些字，我也说不准。至少我看着不觉得奇怪。就算有人说是孩子写的，我可能也会信。
崔胜准 不过孩子
崔胜准 未必能把字写得这么好。满三岁的孩子还不会写字。满五岁的话，练习后或许能写一些。所以这部分，从某种意义上说，或许可以请大家谅解。而我不得不这么做，是因为要让这些字出现的时间对上，光靠录音无法精确对齐；以乐谱为依据，所有时间点就都能对上。所以这部分难免有些机械化。当然，也可以扫描后转换成笔画来制作，但那样会费力得多。所以这部分我选了省事一些的做法。
朴钟贤 总之，这段内容本身没有明显不及格的地方。也就是说，已经足够好了。再加上一点孩子亲手画的画，再把这些画加以增强，就成了家长和同班的小朋友都能一起欣赏的内容。
崔胜准 不过说到我自己的困扰，就像上次介绍过的，
组合式韩文字体与只用 Claude Code 做设计 59:20
崔胜准 有时会有设计工作交到我手上，我就想怎样才能做得轻松一些。我完成了夏天左右制作的组合式韩文字体。现在已经做完了。一共是 11,172 个字吧？我已经能在一定程度上按照空间来排布它们，现在也在使用。不过我还是不太确定。它到底是不是一款好字体，我心里仍有疑问。虽然比上次做的时候有所改进。所以我自己还有不满意的地方。比如最近做设计时，刚才制作那个视频时也是，我一次都没打开视频剪辑软件；做设计时，我也一次都没打开矢量编辑软件。所以现在做出来的这些排版虽然带着 Claude 的风格，但都是在 Claude Code 应用里完成的。拆分照片、安排版面，这些都是我和模型一起做的。
没有减少的工作时间与自动生成幻灯片、海报的局限 1:00:38
崔胜准 只是花的时间并没有缩短多少。为什么没缩短？因为做出来的东西我不满意。而且在征求反馈的时候，有些地方该放的不是那张照片，而是这张；有些文案该用的不是那句话，而是这一句。像这样的决定都得逐一做，没法轻松带过。最后花的时间和亲自设计差不多，我现在就是这么做的。所以有些环节这样做效果不错，有些内容可以直接交给模型，让它顺畅地做出来；但有些地方还得自己盯紧。我现在也还说不准。我觉得这还是一个不断试错的过程。不过到了明年这个时候，我还会不会有这样的困扰，就不知道了。
朴钟贤 我想我和大家
朴钟贤 可能都处在差不多的阶段。
崔胜准 眼下的机会大得难以想象，我也说不准。
崔胜准 眼下的机会大得难以想象，我也说不准。
朴钟贤 不过，我确实觉得发展速度有所不同。朝这个方向发展的速度，我并不觉得特别快。比如自动做好PPT，自动做好海报，以我的感受来说，和一年前相比，至少在这方面，似乎没有太大变化。
崔胜准 是啊。
朴钟贤 说到底，可能是因为很难给出恰当的奖励信号。因为这类问题没有标准答案。
风格趋同带来的 slop 与越来越相似的动态图形 1:01:56
崔胜准 就像刚才说的，如果一眼就被看出“这是AI做的”，而内容又不是真的好，就算是AI做的，只要内容好，就像有些剧在中国很受欢迎一样，也能产生价值。但在风格很重要的情况下，如果风格都差不多，那就完全没有稀缺性了。反而只会沦为粗制滥造的AI内容。一开始可能还不错，但一旦趋于同质化，人们的鉴赏标准也会提高，就可能像刚才说的那样，达不到及格线。最近动效领域已经有点这种迹象了。做出来的动态图形似乎都差不多。
朴钟贤 没错，没错。
收尾与下期预告 1:02:39
崔胜准 今天正石又很忙，我们就聊了不少。正石也该回来了。
朴钟贤 我明天坐飞机回韩国。这段时间，我把时间都用在这边的活动上，没能及时跟上各种消息。回去之后，我也会补上这些消息，下周再和大家见面。
崔胜准 今天没聊新闻，其实新闻也不少。DeepSeek的Flash也推出了10月17日版本，Muse Wonder也发布了。有人说两者都在威胁前沿模型，最近有不少这样的说法。我想类似的消息还会不断出现。这些话题就留到下次聊吧。今天辛苦了，谢谢。
朴钟贤 您辛苦了。
朴钟贤 您辛苦了。