AI news

腾讯T15与Adobe科学家联手推出Anijam,打造 AI 视频创作灵魂

By Z Potentials1 viewsSource: Z Potentials
腾讯T15与Adobe科学家联手推出Anijam,打造 AI 视频创作灵魂

王珏 (左)方晨(右) 推荐语 动画是一个被低估的品类。它比真人影视更早拥抱数字化工具,比短视频承载更复杂的叙事,从迪士尼到吉卜力,证明了自己能撑起全年龄段的内容消费和完整的商业闭环。但动画的产能瓶颈

The full text has not been translated yet. The Chinese original is shown below.

文章配图

王珏 (左)方晨(右)

推荐语

动画是一个被低估的品类。它比真人影视更早拥抱数字化工具,比短视频承载更复杂的叙事,从迪士尼到吉卜力,证明了自己能撑起全年龄段的内容消费和完整的商业闭环。但动画的产能瓶颈也最为残酷——一部院线级动画电影动辄需要数百人、数年时间。当生成式 AI 开始重写内容生产的成本函数,动画可能是第一个被真正改变的品类。

方晨和王珏的判断正是从这里展开的。两人均出身 Adobe Research,王珏在 Adobe 十年间做到当时华人最高职级 Principal Scientist,他做的图像去模糊技术被 FBI 用于破案,视频防抖技术被用在了奥斯卡提名影片Hugo里。他在旷视领军研发的camera raw AI夜摄成像技术成为了后来的行业通用方案。方晨从 Adobe 到字节跳动再到腾讯,做过冲上抖音历史特效 Top 2 的实时 AI 滤镜。2023 年下半年,两人从腾讯离开,投入一个他们认为将被"完全彻底洗牌"的市场。目前,公司已累计完成千万美金级别的融资,投资方包括奇绩创坛、Atypical Ventures 和元璟资本。

第一款产品 Dzine 定位 AI 时代的 Photoshop,几乎零运营投入,靠用户口碑跑到了千万美金年营收。但他们很快从用户数据中发现了更大的机会:留存最好的那批人,从Rick and Morty的制作团队到好莱坞独立导演,再到在 YouTube 上用动画讲故事的文学老师——全都在做 animation。这让他们决定以动画为切入点,做一款面向更大视频市场的产品。于是有了 Anijam:一个用 Multi-Agent 架构搭建的视频创作工具,第一步从动画开始,目标是让任何人用一句话做出一部完整的视频作品。上线两周,付费用户过千,超过一半的作品在手机上完成。

在这篇访谈中,两位创始人拆解了为什么 animation 是切入 AI 视频最务实的起点而非终点,为什么底层模型是"打印机"而 Agent 才是"灵魂",为什么当前视频模型的训练范式可能从根本上不是最优解,以及一个他们反复强调的判断:当工具足够强大之后,真正稀缺的不是技术,是人的创意。

  • 底层模型本质上就是一台打印机——你叫它打什么、怎么打,它就怎么出。作品的灵魂不在模型本身,而在上层的规划层。做出好的内容对人来说本身就是极难的技能,我们要做的是把这个技能内化到 Agent 里。”
  • 大厂还在做打印机,但评判器同样关键。现在大家都在抽卡——给一个 prompt,不行就再抽几十次。Agent 未来的进化方向是自评估、自迭代,形成闭环。”
  • 做 Animation(动画)的人一直是内容创作群体里最 tech 的那部分——日常就在用 Maya、Blender,AI 对他们来说只是又一门新软件。所以他们最先用起来,不是巧合。
  • 以前动画市场份额没那么高,不是因为需求不够,是因为产能太贵。一旦生产力被解放,动画会从一个受限品类变成一个主流品类
  • 很多 Agent 产品都在追求 Agent 多智能,但人的创意才是最稀缺的燃料。一开始能抓住真正有创意的用户,后面千万级的增长目标反而是容易的那部分。
  • “我们的目标非常明确:什么时候能做到用户从一句话开始,最终成片是一部好莱坞级别的长片——半小时到两小时——通过用户跟 Agent 协同完成。我们不敢说完全达到,但目前跑在最前面。”
  • “做长视频时上下文非常长,你不能把所有上下文都塞给一个 Sub-agent——信息太多会产生幻觉。要在合适的位置动态调整 memory,让它既看到当前所需,又大致了解故事全貌。”
  • “After Effects 的创始人就在我们楼下,自己还写 code,30 年如一日地把全身心投入到一个产品里,对其他外在的东西完全不关心。Adobe 有一批这样几十年如一日打磨产品的人,对我们影响非常大。”
  • “长视频创作不像我们之前认为的以 PC 端为主——上线两周,超过一半的内容是用户在手机上完成的,甚至有人用手机做了十分钟以上的完整动画。”
  • Animation 是起点,不是终点。用户一想到要做视频、做动画,第一个想到的就是我们——做到这样,目标就达成了。”

01 曾把AI塞进Photoshop和好莱坞电影的人

ZP:请两位分别介绍一下自己的背景。

方晨:我是 2015、2016 年 PhD 毕业之后加入 Adobe Research,主要研究课题是怎么用生成式 AI 服务最专业的创作者。在 Adobe 期间经历了生成式 AI 几代技术迭代——从最早基于对抗生成网络(GAN),到基于扩散模型(Diffusion Model)。当时也是率先在 Adobe 内部把生成式 AI 落地到 Photoshop 这样的旗舰产品里,算是职业起点。

不过 Adobe 整体还是一家比较传统的软件公司,一年只有两个 release 周期。我个人有两个诉求:第一,希望技术能普惠到更多人手上;第二,希望追求更快的产品迭代。所以后来去了字节跳动——当时字节在北美刚成立 AI Lab,有几个 Adobe 和 Snap 背景的华人朋友一起过去,我也是比较早的一批。在字节主要做的是把 AI 技术落地到手机端,既追求效果也追求计算效率。

挑一个比较有亮点的项目:2020 年春节,我们做了一个移动端实时人脸属性编辑的功能——打开摄像头就能实时编辑年龄、性别、眉毛等细节,落地成一个实时滤镜。上线后发布视频量很快过了两三千万,冲上抖音历史特效发布量 Top 2。

从字节之后去了腾讯,开始从偏 research 转向偏业务,主要支持腾讯的短视频产品和腾讯视频等长视频产品。从腾讯出来后,2023 年中下旬和王老师一起开始创业。

王珏:我 2007 年从华盛顿大学(UW)博士毕业,跟着导师一起去了 Adobe,因为我长期做图像视频编辑,专业很对口,在 Adobe 待了将近 10 年。期间服务了 Photoshop、After Effects、Premiere 等旗舰产品,每年都会贡献新技术转化为产品功能。

在 Adobe 有两件印象很深的事。第一,我们最先把图像去模糊技术做到 Photoshop 里,用的是当时最先进的 AI 技术。发布后很快被 FBI 用来破案,破了两个儿童绑架案——我们的技术把嫌疑人的模糊图片恢复清晰,找到了关键证据,FBI 还专门来 Adobe 表扬感谢。第二是视频防抖技术,2011 年上线后,被电影Hugo的导演用在了一个经典的长镜头里做相机防抖——那个导演是技术流派,率先在电影里采用了我们的技术。我个人比较喜欢既有技术突破、又能真正用到实际场景的研发。

到 2017 年,我在 Adobe 做到了 Principal Scientist,当时是华人里职级最高的。但觉得没有更多新挑战了,就应旷视科技孙剑和印奇的邀请,去美国设立旷视研究院,我是第一任负责人。到 2019 年末团队已有 20 多人,为旷视开创了手机影像产品线,在华为、小米、OPPO、vivo 都有不少落地。

之后腾讯首席科学家张正友博士邀请我去腾讯 AI Lab 负责视觉图形学方面的研究。我加入腾讯后技术职级是 T15(杰出科学家),在腾讯技术职级排名前 10。在腾讯和方晨又变成了同事,经常交流,后来就商量一块出来创业。

补充一个更早的经历:我博士期间做的视频抠图技术——把动态物体从视频里分割出来做后处理——在毕业前就被好莱坞一家叫"数字电影技术"的公司购买了 license,集成到了他们的产品里。这个产品后来在 2019 年获了奥斯卡技术奖,颁奖展示上用的就是我博士论文里的例子。算是对好莱坞电影后期制作做出了一些贡献。

02 旧的生产力被抹杀,全新的创作者在涌现

ZP:2023 年出来创业,当时看到了什么?

方晨:我跟 Max 在腾讯时就一直在交流,都想在内容创作方向做出更大影响力的事情。2022 年底、2023 年初,我们看到生成式 AI 这一波——特别是扩散模型——把图像和视频生成的效果往上推了一大截。

上一代 GAN 技术,出来的模型应用场景很局限——针对一个小问题可以做到不错的效果,但无法泛化,从任务 A 迁移到任务 B 完全做不了。新的技术范式在泛化能力上有非常大的提升,虽然当时人脸、手、四肢这类结构化内容的生成还有很多瑕疵。

但我们判断:以前 Adobe 要解决的那些视觉编辑和生成任务,能被新一代模型大一统地解决。这种技术变革往往会带来商业变革、产品变革,用户习惯和群体都会变化,整个生产力关系和消费关系都可能转变。即使当时看这个方向怎么发展还很模糊,但我们觉得这是 10 年或 20 年才能遇到一次的机会,所以一拍即合就出来了。

王珏:我们都有 Adobe 背景,对内容创作工具技术这块比较敏感。我当时的判断是:这不是渐进式发展,而是完全彻底的洗牌。这个市场本身规模就很大;而且整个用户群体也会发生大变化——以前不是创作者的人,未来很有可能成为新的创作者。这又是一个全新的市场。

ZP:你们是 Adobe 的 insider 出身,怎么判断这次机会属于创业公司而不是巨头?

王珏:大厂有大厂的机会,创业公司也有创业公司的机会。大厂有历史产品包袱,比如 Adobe,转型和迭代速度注定不够快。创业公司在新技术潮流下可以跑得更快。

方晨:补充细致一点。Adobe 的产品壁垒本质上是一个工具集合——每个工具都是经过多年打磨的独门功夫,能解决用户创作流程中的某个需求。但新技术突破带来两种根本性改变:

第一,用户工作流程的改变。Adobe 以前做的很多工具是为了完成某种任务,但其中大量任务已经被新技术直接抹杀了——任务本身不存在了。

第二,用户群体的改变。以前内容制作是技术活,掌握在一小部分人手中。技术门槛降低之后,原先 Adobe 用户的客户——比如企业主——自己就能用新技术制作内容,不一定再找专业设计师了。这是最本质的改变:生产力和生产关系的改变。

所以创业公司要看的不是跟大厂竞争,而是新的增量市场——原先没能力制作内容的人会形成一股强大的创作力量。同时大厂看的是更大的战场、整个面上的突破,创业公司可以从局部切入,撕开口子再扩展成面。比如我们选择从 animation 切入,是一个非共识的点,但留了足够的口子往其他视频品类扩散。

ZP:2023 年做过一些战略预判,到 2026 年回头看,哪些被验证了,哪些出乎预期?

方晨:第一,我们当时判断基础模型放到三到五年维度看,属于大厂之间激烈竞争的范围,长线会变成水和电,利润空间比较薄。这也是我们没有从基础模型切入、而是选择应用层的原因。

第二,技术发展速度比我们预期要快。基础模型的进步不是线性的——更多是沉寂一阵后出现明显突破。比如 Google 推出 Imagen 这类图像编辑模型,字节做的 SeedDance——从 Sora 激发而来,已经具备一定的镜头切换和叙事能力。图片方面,生成和编辑已经可以用一个模型搞定,而且非常 general。

回想我们最早创业的时候,图片生成文字还很困难——当时北美有一家创业公司 Ideogram 主打的就是文字生成能力。但现在大厂通过数据和模型的迭代,已经把文字生成做到极致了——GPT Image 2 可以在图片里生成各种大小的文字、艺术字、广告牌,都非常好。很多我们当时讨论的基础问题已经在模型射程内被解决了,包括角色一致性也在逐步推进。当然在最后一公里——比如细节的表情控制——图像和视频模型还有较大提升空间,但我们相信同样的技术范式最终能基本解决这些问题。

王珏:还有一点:大厂之间也很难形成绝对的技术壁垒,会交替领先。一旦某项技术在某一家突破,很快全行业都会跟进。在模型竞争里长期建立技术优势是相当难的。

方晨:模型与模型之间的壁垒很薄。GPT Image 2 出来之后,我们明显感觉到 Google Imagen 那边的算力紧张被缓解了——代表用户在大量迁移。所以我们的观点很明确:创业公司要做应用,在应用里打造护城河。底层模型在交替领先、不断 cover 更多能力,这恰恰利好上层应用。

ZP:产品、商业和研发怎么分工?

方晨:我负责产品和商业化,王老师负责研发——包括算法研发、Agent 研发和产品开发。团队整体偏年轻化,特别是产品设计和运营,我们招的都是非常年轻的同学,甚至有重要的产品同学是从实习生中筛选留下来的——对这块非常有热情,自我学习能力很强。

03 AI时代的Photoshop 到千万美金

ZP:Dzine 做到了千万美金年营收,从零到这个数字经历了什么?

方晨:Dzine 的初心是做一款 AI 时代的 Photoshop。2023 年底上线,2024 年初开始商业化。营收的增长本质上是随着我们不断解决用户痛点而发展的,运营成本非常低,更多靠用户之间的口碑传播。

切入点是 Image-to-Image。当时 Midjourney 这样的文生图产品已经很多了,但通过文字控制图像生成还有巨大的 gap——描述一张图像,很难用几句话说清楚。专业用户希望输入不光有文字,还要有多张参考图。我们基于开源的 Foundation Model 自研了一套图像生成能力,从这个点切入打开了局面。

YouTube 上有个 500 万粉丝的频道叫 PIXImperfect,全网最大的图像编辑教程博主。他看到我们的产品后,主动做了一集 20 分钟的专题视频介绍 Dzine。当天晚上服务器就崩了,我们紧急加服务器,在视频下面给用户留言道歉。注册用户涌入,不得不转成 Waitlist,一天只放几百个名额,每次 10 秒钟之内就被抢光。这件事说明:如果认真解决用户痛点,产品是能做到自传播、自增长的。

后续我们每周大概访谈十几个海外用户,围绕用户反馈不断打造新功能——颜色控制、角色一致性、场景一致性、在已有场景中放置角色等等。Dzine 的营收增长跟功能迭代的节奏高度相关。

ZP:Dzine 和 Anijam 在技术层面分别面临什么挑战?

王珏:Dzine 的核心竞争力是在一站式创作编辑平台上自研了很多独特功能——从风格精确控制、风格训练,到局部图像编辑、角色一致性,再到现在用户用得多的多角色对口型和视频局部修改。Dzine 始终在为用户提供其他平台体验不到的功能,使创作更准确、更可控。这些功能建立在团队深厚的技术积累和对用户需求的敏锐洞察之上。



文章配图

但 Dzine 面向的是相对专业的用户。Anijam 完全不同——既要覆盖专业用户,还要兼顾没有设计或编辑经验的入门用户,面向的是一个更大的市场。

技术挑战也更全面。第一,Dzine 做的是图片或短视频,Anijam 做的是更长的视频——长视频的难度比短视频高很多。第二,要让普通用户零培训就能快速上手并产出结果,Agent 技术就至关重要。Dzine 目前完全没有 Agent,但 Anijam 里 Agent 就是产品的灵魂和核心。要实现"让任何人在任何时间、任何地方都能创作",Agent 系统就是核心。

ZP:Agent 跟普通的模型套壳应用,本质区别在哪?

王珏:两个方面。

第一是上手门槛。工具型产品随着工具增多,复杂度和上手门槛也在增加——传统 Photoshop 如此,Dzine 作为 AI 版 Photoshop 也有这个问题。有了 Agent 之后,所有工具都埋在 Agent 下面,用户只跟 Agent 交互。不是用户去学工具,而是工具在创作流程中恰当的时机自动送到你手边。Agent 使得"人人都能创作"成为可能。

第二是个性化。Agent 作为智能体,可以阅读用户、洞察创作流程、理解创作偏好甚至创作意图,越来越像个人助手。这种个性化在传统工具软件里很难形成。它跟应用层壁垒是有联系的——通过低门槛吸引用户,再通过协助创作形成个性化助手,用户粘性自然就更高。

04 Anijam:押注动画,一条少数派路线

文章配图

用Anijam 制作的动画

ZP:为什么选择从动画切入视频,而不是真人视频?

方晨:灵感来自我们跟 Dzine 用户的深度访谈。我们发现 Dzine 里有一部分留存非常好的用户,共性是都在做 animation,而且从 professional 到 consumer 全频谱都有。

Professional 方面:我们访谈到了Rick and Morty制作团队的成员、Disney TV 的老员工,他们把 Dzine 放进工作流程跟团队一起做动画创作。还有 LA 的好莱坞导演,在工作之余用 Dzine 在网上打造自己的 IP 和频道。Consumer 方面:比如 LA 的一个文学老师,热爱动漫,会把自己喜欢或自己设计的角色做成故事发到频道里。所以 animation 有从专业到 C 端全频谱的需求,用户对算力的需求量非常大,创作流程足够复杂但有共性。

为什么做 animation 的用户会最先把 AI 产品用起来?因为这群人一直是内容创作群体里最 tech 的那部分——技术流派,日常就在用 Maya、Blender 这些软件,天然对新技术敏感。AI 对他们来说只是一门新工具,能很快过渡。相比之下,拍电影拍电视剧的人还是更遵循到片场实际拍摄的模式,AI 落地更难。而且目前 AI 技术对写实内容——特别是演员——还需要时间才能做到以假乱真。从应用创业角度,更务实的选择是从 animation 切入。同时我们坚信,最终 animation 之外的视频品类也会被 AI 攻克。

Anijam 的目标用一句话说:让任何人能够在任何时间、任何地方创作一个 animation,把创作门槛拉到最低。

ZP:动画在内容行业里是一个什么样的品类?

王珏:动画容易被狭义理解——有人一听就想到日本动漫或者短剧。但动画是一种长期的叙事形式,从计算机诞生之前就存在了,表现力在某些方面比真人更强——比如讲虚幻的、天马行空的故事时,动画更容易打动人。它老少咸宜,小朋友不用说,成年人也很喜欢看,动画电影也一直很火。以前动画的市场份额没那么高,主要是受产能限制——生产动画需要专业团队,门槛很高。随着生产力的解放,我们预期动画会变成一个更大的品类,市场空间会显著扩大。

方晨:动画代表一种个性化的内容载体。对生成式 AI 来说,动画不会被某种风格绑住,在 AI 加持下能呈现出更大的内容多样性。而且动画极具传播性——ChatGPT 刚出图像功能的时候,传播就是通过吉卜力工作室的风格实现的。无论是持久性、消费需求还是传播手段,动画都有比较独特的优势。

05 打印机与灵魂:Agent 架构怎么搭

ZP:同类产品不少,你们在技术上的核心优势是什么?

王珏:Agent 不是说加一味调料菜就好吃了——它是各部分配合均匀的结果,某种程度上是系统工程。需要在各方面打磨:理解用户的能力、工具调度能力、反馈速度等等。目前在业内我们的 Agent 是打造得最好的。最直观的表现是:同样的输入,我们的 Agent 能做出质量更高的片子。这就是一个硬指标,用户会为此买单。同时我们的 Agent 会调用 Dzine 和 Anijam 积累的很多底层 skills,有些是竞品不具备的。

方晨:补充两点。第一,底层模型本质上就是一台打印机——你叫它打什么、怎么打,它就怎么出。模型可以画高质量的东西,也可以画很差的东西。作品的灵魂不在模型本身,而在上层的规划层——这就是我们在做的事情。做出好的内容对人来说本身就是极难的技能,我们要做的是把这个技能内化到 Agent 里。

第二,我们的目标非常明确:什么时候能做到用户从一句话开始,最终成片是一部好莱坞级别的长片——半小时到两小时——通过用户跟 Agent 协同完成。我们一直在跟竞品做横向评估,目前从内部技术来看,我们是跑在最前面的。

ZP:用户输入一句话到拿到一条完整动画,中间发生了什么?

王珏:中间发生了很多事情。它是一个多 Agent 组成的虚拟创作团队,大概三层——一个 Multi-Agent 架构,有一个总控 Manager Agent,下面有多个执行 Agent,每个 Agent 又有不同的 skills 可以调用。

关键挑战之一是场景一致性。长视频的上下文非常长,一方面每个镜头都要兼顾到长上下文;另一方面做局部创作时又不能把所有上下文都塞给某个 Sub-agent——信息太多会导致幻觉或混乱。所以需要在合适的位置动态调整上下文,让每个 Sub-agent 既能看到当前创作所需的元素,又能大致了解故事全貌。这里面 memory 管理非常重要——给每个 Sub-agent 精确控制 memory,使它能遵从创作意图,背后有大量工作。

方晨:从另一个角度补充。真正要把视频做好,最终要解决的是多模态协同——视觉的美感、背景音乐、动效音、角色台词等等。就像导演在片场从顶层规划到拍摄细节都要把控一样,好的视频是多个模态共同打造的沉浸式影音体验。

现在行业里基本停留在视觉层面或者把故事讲完就行,但没有真正上升到追求观众体验的程度。我们做 Agent 的第一优先级,不仅是服务我们的用户,更要服务用户的观众。所以我们不只从视频维度出发,还会从背景音效、音乐协同等方面去打磨。比如演员台词也不是简单调用 TTS,而是会把说话的情绪、节奏等细节都让 Agent 来设计。

06 行业误区与下一个技术拐点

ZP:这个行业里,有没有大家都在追、但可能走偏了的技术方向?

王珏:我最近在思考 World Model,有一个质疑:现在视频模型的训练方法是不是最优的?

现在的做法是收集大量高质量视频,打精细的文本标签,扔进去训练,优化目标是让输出接近训练视频。但这种方法本质上没有区分不同维度——物理是否正确、渲染是否逼真——所有维度都揉在一起。所以现在的视频模型经常穿帮:每一帧渲染得很精美,但连起来看物体运动就违反物理规律。

一种可能更优的解法是把物理层和渲染层分开训练。物理层专注整体动态的合理性和流畅性,确保接近真实世界;在此基础上再用精细的渲染层把画面变得逼真精美。这样也许能训练出既精美又符合物理规律的视频生成模型。沿着视频生成这条路做下去,可能最终殊途同归,大家都做到 World Model 里面去了。

方晨:换句话说,在视频生成领域一味 scale 数据规模是不够的,需要从模型架构和生成 pipeline 的 framework 角度去解构这个问题。最终我们想要的是一个理解物理规律和因果律的模型。

ZP:你们选了 Agent 多模型编排这条路,这个优势能持续多久?

王珏:创业公司最难的是找到一条可行路径。我们的策略是从上往下打——先在 Agent 应用层站稳,再往下扩展到模型,最终贯穿到基础模型。一个系统要达到最优,各环节需要相互感知、相互配合。基础模型在特定场景下也需要做优化。所以长期规划里,我们还是要从 Agent 到基模都自己能做——这是最优解。当然基模不会从零开始,有开源工作在不断演进,我们的用户数据也在持续积累,合适的时间点就会着手。

Agent 本身带来的是一定时间段内效果上的优势,但只有持续往下深入,优势才能保持,壁垒才会更深。

方晨:我们采取的是类似 Cursor 的执行路径——先从应用层做起。短中期来看,视频领域应用层能做的事情非常多,甚至比 Coding Agents 多得多。用 token 消耗量来粗估市场天花板的话,视频领域会比 Coding 大很多——用户群体也大很多。如果我们能做到行业里最大的 Video Agent,就有能力从用户视角往下一步步深入到模型层面。团队随着扩张,也具备从基础模型层面优化的能力。

ZP:Agent 接下来的进化方向是什么?

王珏:现在视频模型大家都在"抽卡"——给一个 prompt,模型生成,用户看行不行,不行就再抽几十次,碰巧一次可以算成功。整体流程效率很低。

未来一个重要方向是"自评估、自迭代"。以前做 GAN 时有对抗的概念,我觉得这个方法论很好——我们需要一个多模态模型去审视生成出来的片子有哪些问题,全部指出来,然后 Agent 根据反馈自己回去调整,形成闭环。这样 Agent 可以用更多时间和迭代去思考、演化,最终呈现给用户的是质量达标的作品。

具体来说,“评判器"是一个非常重要但目前没有好的解决方案的东西——大厂还在做"打印机”,但评判器同样关键。这个模型要变成优秀的视频阅读者,能从各个层面审视视频——故事连贯性、转场自然度、核心表达是否到位、动作协调性、声音和音乐的匹配——都能做准确的打分或标记问题,然后返回给 Agent 做下一轮修改。评判器是我们即将发力的方向。

07 上线两周:手机上做出的十分钟动画

ZP:Anijam 上线两周、收费一周,观察到了什么?

方晨:第一个发现:用户在手机端制作内容的数量和热情远超预期。一半以上的内容是在手机端完成的,甚至有用户用手机做了 10 分钟以上的长视频,从头到尾完整地讲了一个故事。长视频创作不像我们之前认为的以 PC 端为主——随着门槛降低,移动端这种保有量更大的设备上,用户的创作热情非常高。

第二个发现:有一个 YouTube 账号完全用我们的产品从零起号,一周做了十几条长短视频,粉丝从零涨到了约 2000。验证了一个明确的场景:自媒体可以用 Video Agent 快速制作视频来涨粉。

付费方面,收费两周付费用户已过千,很多用户的 credit 消耗速度非常快——创作过程中有大量想法、有的在做很长的视频。这代表了后续的创作需求和付费基础。

08 终局:从 animation 到入口级产品

ZP:Dzine 加 Anijam 两条线放在一起,长期指向什么?

方晨:Animation 是起点,不是终点。我们希望产品最终不光覆盖 animation,也覆盖写实内容。视频是非常多样化的——讲故事、做广告、用于教育——我们希望围绕这些丰富的类型和消费场景,打造出具备不同 skills 的 Agent。这件事天花板很高。最终我们想做的是一个非常容易上手的、做视频的入口级工具。

王珏:入口级产品就是我们的定位。用户一想到要做视频、做动画,第一个想到的就是我们——做到这样,目标就达成了。

方晨:Animation 的制作流程和工具能够很自然地迁移到其他类型视频的制作中——这个工作流范式具备很强的可迁移性。服务好 animation 用户的过程中,自然也能为写实视频用户带来很大收益。

ZP:模型公司在往上做应用,你们在往下做模型,要赢的话首先要抓住什么?

王珏:更快速地获得用户——特别是占领早期用户的心智。Anijam 的打法跟 Dzine 明显不同:我们会比较激进地做各个端(手机端、Web 端),用各种渠道尽早接触潜在用户。在这个领域刚开始的时候尽快占领心智,让早期用户进来跟我们一块迭代产品,这样才能跑得更快。

基模厂商现阶段的优先级是在基模战争中不掉队、活下来,然后再逐步往上做 Agent 和应用层探索。对我们来说就是先占领用户心智,迅速形成自己的 community。

ZP:今年的具体目标?

方晨:以今年为时间节点,我们希望 Anijam 在全球的注册用户达到千万量级。

快问快答

ZP:这个行业里被严重高估的东西?

方晨:模型的榜单评测被严重高估了。现在常见的逻辑是——某个模型在 benchmark 上又刷新了 SOTA,大家就认定它"更强"。但榜单覆盖的任务高度标准化,跟用户真实创作流里的问题完全是两回事。被严重低估的,是把一个通用模型 adapt 到具体任务上的能力:同样一个底模,能不能稳定生成一致的角色、能不能在指定构图里放进指定风格、能不能跟上下文里的剧情对齐——这些才是用户买不买单的地方。AI 行业整体也有类似问题,各种新概念来得快去得也快,真正能落到具体场景里解决问题的很少。要把 Agent 产品做好,比拼的不是谁家底模榜单分高,而是谁更懂行业、更懂用户、更会把模型调成趁手的工具。

ZP:大家都忽略了但很重要的变量?

王珏:人本身的创意。很多 Agent 产品都在追求 Agent 多智能,但做创意产品,人的创意才是最关键的——创意在人群中很稀缺,但真正有价值。怎么尽快抓住有创意的用户,可能是最关键的。一开始能吸收到真正有创意的用户、做出有创意的作品,后面的增长目标就相对容易达成了。

ZP:对两位影响最大的人?

王珏:我们觉得 Adobe 的两位技术派创始人John Warnock和Charles Geschke跟我们挺像。两位也是博士毕业,先是在现代计算机与互联网时代最重要的“创新发源地” Xerox PARC一起做前沿研究工作,然后怀着将技术真正推向市场的雄心一起出来创业。

方晨:Adobe 做得最好的一点是能够持续倾听用户和 community 的需求去改进产品——围绕一群用户在几十年维度上做出那么多精细的工具和功能。这种专注和匠心精神,对 AI 应用公司来说是非常宝贵的可迁移经验。

王珏:专注和纯粹,这是对我影响最大的。我在 Adobe 跟 After Effects 团队合作,创始人David Simons就在我们楼下,自己还写 code。30 年如一日地把全身心投入到一个产品里,对其他外在的东西完全不关心。Photoshop 那边的 Jeff Chien 也是 20 多年的老员工,很早的代码自己写的,一直还在维护。Adobe 有一批这样几十年如一日打磨产品的人,对我们的影响非常大。

请注意,此次访谈内容已经过精心编辑,并得到了方晨和王珏的认可 。有兴趣加入公司的读者可以通过 yuanmin@seekoo.io 联系公司 。公司目前正在招牌的岗位包括 agent 工程师,前后端工程师,海外增长等。我们也欢迎读者通过留言互动,分享您对本访谈的看法。

文章来自于微信公众号 "Z Potentials",作者 "Z Potentials"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)