应用软件爆发,以及 AI 视频正在占领我们的屏幕

有两件事情已经发生改变：一个是软件的生产，另一个是内容的传播。

前者让越来越多的人有能力开发自己的应用（甚至出现许多无编程经验的人也能一手拿捏），后者则让越来越多过去需要拍摄、表演和制作才能完成的画面，可以直接通过生成的方式得到。更重要的是，真实性的判断和娱乐性消耗是得考虑的问题。

这两件事看起来没什么关系，但放在一起看，会发现一些有意思的地方。

软件开发的门槛，正在快速消失

过去，如果一个人想开发一款软件，即使想法很简单，也需要跨过不少门槛。

做一个网站，需要懂前端、后端、数据库和部署；做一个移动应用，需要考虑不同的系统、设备适配和应用商店审核；如果想做一个桌面应用，又是另一套开发工具和发布流程。

这些事情不一定有多么高深，但足以劝退大多数没有技术背景的人。

这些事情所完成的时间消耗，已经降低了非常多倍。

现在情况不一样了。

只要能够把需求描述清楚，AI 就可以帮你搭建项目、编写代码、修复错误，甚至把应用部署上线。你不一定需要先成为一个合格的程序员，才能把自己的想法变成一个可以使用的软件。

从一个想法到一个能够运行的应用，中间的距离已经缩短了很多。

以前，一个普通人发现现有软件不好用，或者被垄断，可能只能忍受，或者期待软件厂商改进。现在，他可以尝试自己做一个。

这已经非常了不得了，比如说你愿意下载安装 1 个 G 的办公软件，还是用网页版的Office工具，一样可以打开，一样可以用。

上图用 pwa 打开的 Office 2003 风格办公三件套，开源：https://github.com/tcchen2026/VibeOffice

第一波热潮，可能是重新做一遍过去的软件

观察现在的 AI 开发，会发现一个很有意思的现象：很多人开始尝试复刻那些已经存在多年的软件。

一些成熟产品功能复杂、体量庞大，用户早已习惯它们的使用方式。但它们也可能有复杂的界面、卡慢、不合理的交互，或者一堆用户根本用不上的功能。

过去很长的一段时间里面，即使有人看到了这些问题，也很难真正做出替代品。

因为开发一款功能相近的软件，需要投入大量时间和人力。即使你认为自己可以做得更好，也未必有能力把它完成。

AI 改变了这笔账。

现在，一个开发者可以尝试用新的技术栈，重新实现一个旧产品。过去需要团队花费数月甚至更久才能完成的初版，可能只需要一个人配合 AI，在相对短的时间内就能做出来。

而且，新产品未必只是照搬功能。

它可以采用更轻量、性能更高的架构、更快的运行方式、更现代的交互设计，甚至直接抛弃过去为了兼容历史用户而积累下来的包袱。

这里有一个值得注意的区别：复刻的成本降低了，但做好一个产品的成本并没有消失，只是换了位置。

把已有功能重新写一遍，和真正取代一个成熟产品，是两回事。

成熟软件拥有多年积累的用户习惯、数据、生态、兼容性，以及大量不容易被注意到的边界处理。一个看起来功能齐全的新应用，可能在真正使用几个月后，才暴露出各种问题。

但我并不认为这些复刻没有意义。

恰恰相反，它们可能会让一些长期缺乏竞争的市场重新出现活力。

过去，某些软件能够维持自己的地位，不一定是因为它们始终做得最好，也有可能是因为重新开发一套替代品实在太贵了。

当 AI 把这部分成本大幅压低，原本没有机会进入市场的人，就有可能开始挑战它们。

有些软件过去的优势，可能确实没有想象中那么牢固。

如果用户只需要其中的几个核心功能，那么一个更轻、更快、更便宜的替代品，就有机会满足他们。

接下来，我们可能会看到大量规模不大、功能聚焦、由个人或小团队维护的软件出现。它们未必会成为下一个行业巨头，却可能让一些细分需求第一次得到认真对待。

对用户来说，这未必是坏事。

当所有人都能开发软件，什么才真正值钱？

如果开发应用越来越容易，那么接下来一个自然的问题是：软件本身还值钱吗？

我觉得这个问题不能简单地回答是或不是。

代码的生产成本正在下降，但用户真正需要的，从来不只是代码。

用户需要的是一个能解决问题的产品。它要符合自己的使用习惯，要足够稳定，要能处理各种意外情况，还要有人持续修复问题、更新功能。

AI 可以帮助完成这些事情，但不能保证它们自动发生。

甚至在某些情况下，AI 越容易生成代码，越可能让开发者低估维护的难度。一个晚上做出来的应用，也许只需要几分钟就能展示给别人看；但要让它可靠地服务几万人，可能是另一项完全不同的工作。

所以，我更愿意把这次变化理解为：软件开发的部分门槛正在消失，而产品竞争的重心会逐渐转移。

谁更了解用户，谁能发现那些没有被满足的需求，谁能把产品长期做好，谁就更有机会。

另一边，AI 视频正在占领我们的屏幕

上图为：赵本山 Dangerous AI 二创。

如果说 AI 编程降低了软件的生产门槛，那么 AI 视频降低的，就是影像内容的生产门槛。

最近在各种视频平台上，我们已经能看到越来越多的 AI 生成内容。

有些视频是为了娱乐，有些用来讲故事，有些制造奇观，还有一些刻意模仿新闻现场或真实生活。它们的共同点是，不再需要完整的拍摄过程，就能生成一段具有相当强视觉冲击力的画面。

为什么视频特别容易成为 AI 内容扩散的出口？

因为人类本来就是非常依赖视觉信息的动物。

文字需要阅读，观点需要理解，知识需要一定的背景。画面却不一样。这也是短视频能风靡全球的核心因素。

一个不可思议的场景、一段离奇的故事、一只做出人类动作的动物，即使观众没有任何相关背景，也可能在几秒钟内被吸引。

而短视频平台的传播机制，又恰好适合这种内容。

它不要求观众投入太多时间，也不要求创作者具备完整的制作能力。只要画面足够吸引人，故事足够直接，足够爽，就可能得到大量播放和转发。

过去，制作这类内容需要摄影、演员、场地、道具、后期等一系列工作。现在，生成工具把其中很大一部分流程压缩了。

这意味着，能够被生产出来的影像数量，还会继续增加。

但我更在意的，不只是我们以后能看到多少精彩的视频，而是当视频越来越容易生成，它会对真正需要大量人力思考的影视创作者来说有什么影响，它会对我们的注意力和判断力造成什么影响。

娱乐正在成为一台巨大的算力消耗机器

AI 视频的普及，也让我想到一个不太容易被注意到的问题：算力最终会被用在哪里？

谈论 AI 基础设施时，我们经常关注模型能力、芯片性能、推理成本和企业应用。这些当然重要，但还有一个很现实的方向，就是娱乐。

人们愿意花时间看有趣的内容，也愿意为能带来情绪刺激的内容停留。现在，AI 又让这类内容的制作成本不断下降。

当创作成本下降，供给自然可能变多；当供给变多，平台就有更多内容争夺用户的注意力；当某种内容形式能够带来流量，就会有更多创作者尝试生产它。

这个过程可能形成一个循环：生成工具让内容更容易制作，内容争夺更多注意力，而为了持续生产和消费这些内容，又需要消耗更多的计算资源。

这件事有些矛盾。

AI 可以帮助我们写程序、研究问题、提高生产效率，也可以花费大量计算资源，生成一段几秒钟的搞笑视频，只为了让人多看一眼。

这并不是说娱乐不值得被创造。娱乐本身就是人的需求，过去人类也一直在投入大量资源制作电影、游戏和其他内容。

只是，当内容生产的边际成本越来越低，我们可能会第一次如此直观地看到：技术能够创造多少内容，与这些内容究竟有没有价值，并不是同一个问题。

对平台来说，能够吸引用户停留的内容就有价值；对用户来说，一段视频可能只是几秒钟的消遣；对整个系统来说，它背后却可能是一次真实的模型推理和计算资源消耗。

未来的 AI 发展，或许不只取决于我们能制造多强的模型，也取决于我们愿意把这些模型用来做什么。

当视频不再意味着真实

比算力更值得担心的，是视频与真实性之间的关系。

在很长一段时间里，视频拥有一种特殊的说服力，会动的视频怎么会是假的呢？

一件事如果只是被人讲述，我们可以怀疑它；如果有照片，我们可能会更相信一点；如果有一段看起来完整、连贯的视频，很多人就更容易认为事情确实发生过。

这不代表视频过去就一定可靠。剪辑、摆拍、断章取义早已存在。但传统视频的制作成本，以及它与现实世界之间相对紧密的联系，让很多人仍然把它当作重要的证据。

AI 正在改变这种关系。

以后，一段画面可能非常逼真，人物的动作、表情、环境和声音也都自然得近乎没有破绽。但它所展示的事情，可能从来没有发生过。

更麻烦的是，普通人未必有能力判断。

技术人员可以分析生成痕迹、查看来源，或者借助专业工具进行检测。AI从业者可能一眼看出有问题，但对于大多数人来说，他们接触到的只是一个视频，以及发布者附带的几句话。

尤其是对不熟悉 AI 技术的老人来说，过去积累的判断经验可能正在失效。

他们也许习惯了通过电视新闻、手机视频或者亲友转发来了解外面的世界。面对一段看起来真实的画面，如果没有足够的理由怀疑，就可能直接相信，甚至进一步转发给其他人。

这才是问题所在。

当真实的画面和生成的画面越来越难以区分时，单纯依靠肉眼判断，可能不再是一种可靠的方法。

未来我们可能需要更加重视内容来源、生成标识、可信的传播渠道，以及能够追溯原始材料的机制。它们未必能彻底解决问题，但至少可以让人们不必仅仅凭直觉决定是否相信一段视频。

我们过去经常说，眼见为实。

这个成语已经慢慢失效了，至少在屏幕上看到的内容，是人都得提高三分警惕去分辨真实性。