当 AI 科学家和电影人一起重写工具

6 月 22 日，Google DeepMind 与独立电影公司 A24 宣布一项多年期研究合作：双方将围绕电影制作探索新的工作流和创作技术。另据媒体报道，Google 将向 A24 投资约 7500 万美元。

对关心学习的人来说，这条新闻有意思的地方不在「电影要拥抱 AI」，而在它提示了另一种人和技术的关系：从使用 AI，到共同塑造 AI。

一、一条值得留意的合作信号

我们习惯上理解的 AI 应用路径是这样的：技术公司先做出工具，行业用户再学习怎么用。

DeepMind × A24 走的是另一条路：官方定义为「研究合作」，DeepMind 的研究能力将与 A24 的创作现场相互靠近，在具体项目和工作流中测试、迭代、共建，而不是等产品发布后再让电影人去适配。

用哈萨比斯的话说，开发能真正赋能艺术家的工具，「最好的办法是从一开始就与他们直接合作」。A24 方面则强调，相关工具不会像让人不舒服的「提示词生成型 AI」，而是希望保留创作控制、支持冒险。

这项合作非独家，也不允许 Google 访问 A24 的影视片库数据。换句话说，重点不在「喂更多数据」，而在「改工作流」。

电影只是一个足够清晰的观察窗口——创作流程长、环节多、专业判断密，AI 能不能用、该用在哪里，分歧一眼就能看见。但这条线要回答的问题，并不只属于好莱坞。

这不是「先有工具，再找场景」，而是「先进入场景，再重新理解工具应该长成什么样」。

二、工具该长在哪里，只有现场能回答

任何专业现场都不是均匀的生产线。一个 AI 工具如果只是生成分镜，可能很好看，却未必服务导演真正想要的节奏；如果只是补画面，可能提升完成度，却打乱创作者原本想要保留的意境。电影现场的难点不只是「生成画面」，而是生成什么、在哪个阶段生成、由谁决定是否保留。

问题从来不只是「AI 能不能生成」，而是：什么样的 AI 形态，才不会破坏专业人的工作方式，反而能进入他的节奏？

这些问题，换到课堂、写作、研究、设计里同样存在。AI 要真正进入工作流，必须先回答它们。

片场是一个好例子。导演知道某个镜头「不对」，剪辑师知道某段节奏「太满了」，但规则并不总是写进手册。通用工具往往假设用户知道自己要什么，只差一个输入框；专业现场却常常是反过来的——人往往先感到不对，再慢慢把「不对」说清楚——科学家只有进场，这些边界才能被挖出来。

这个过程本身就在改写工具。真正有用的 AI，不是先做好再让专业人适应，而是在专业人的反馈中被塑造。 共塑不是对技术欢呼拥抱，而是在真实任务里把边界谈清楚——即使持批评态度的创作者也可以参与。

三、不要只做工具使用者

对学习和成长来说，这条合作线至少带来三层启发。

第一层：从「会用工具」到「设计自己的工作流」。

很多 AI 学习还停留在产品层：学一个提示词、学一个功能、学一套操作步骤。这只是入门。更深一层是：你能不能看见自己的真实工作流——哪里需要 AI，哪里不该让它介入，哪里只是看起来能自动化、其实会破坏质量。

很多时候，问题不在于工具够不够强，而在于它该从流程的哪一扇门进来。

第二层：从「追版本」到「参与定义问题」。

如果一个人只在工具发布之后学用法，他永远是在追版本——今天学这个按钮，明天学那个插件，后天又换一个模型。工具越多，人越容易疲惫。

但如果他能从自己的任务出发，知道要解决什么问题、保留什么价值、让 AI 介入哪个环节，他就不是被工具牵着走，而是在参与定义工具应该怎样服务自己。当你必须向工具解释「为什么这里不行」，专业能力反而被重新看见。

AI 时代的学习，不是追着工具跑，而是越来越清楚自己真正要解决什么问题。

第三层：教育不能只教「使用现成 AI」。

落到课堂里，启发也很直接。AI 素养不只是教学生使用某个现成工具，还需要让他们理解：工具是怎样围绕问题、流程和反馈被设计出来的。

一个学生用 AI 做项目，不只是问 AI 要答案，而是学会：先描述自己的目标；发现任务中的卡点；判断哪些环节需要帮助；给 AI 反馈哪里不合适；修改流程，而不只是修改提示词；最后说清楚——这个工具到底帮了我什么，又没有帮到什么。

重点不是教孩子成为熟练用户，而是让孩子理解：工具不是外在给定的东西，工具可以被人根据真实问题重新塑造。

结语

DeepMind × A24 的具体成果，还需要时间验证。版权、劳工、创作控制、风格同质化等争议，也不会因为一句「研究合作」就自动消失。

但它提供了一个值得留意的信号：当 AI 还在快速变化，人和技术的关系不必固定为「发布—学习—追赶」。技术变化越快，越不能只把自己训练成某个产品的熟练工。

未来人与 AI 的关系，不只是使用，而是共同塑造。