你在看一期播客。
两个人聊得正起劲,你突然没听懂一句话。平时你只能暂停、倒回去再听一遍,或者干脆算了。
现在换一种看法:你点一下屏幕,问一句「刚才那个是什么意思?」画面里的人转过头来,看着镜头,给你解释一遍,顺手在旁边画了张示意图。解释完,节目从刚才断开的地方接着往下放,就像什么都没发生过。
这就是 ACTx486 想做的事。
*
先说是谁在做。
两个人。一个叫 Jakub Zegzulka,设计师,也是做原型的工程师。他在 Meta 的 Reality Labs 做了四年多,参与过 Ray-Ban Meta 智能眼镜和 Orion AR 眼镜;再往前,在亚马逊做过「在手机里试摆沙发、试口红、试眼镜」的那一类体验。说白了,他这些年一直在琢磨同一件事:让屏幕里的东西跟你有来有回。
另一个叫 Karina Nguyen。她是 Anthropic 早期的第一位设计师兼前端工程师,后来转去做研究,参与过 Claude 3 的训练和评估;二〇二四年去了 OpenAI,做过 ChatGPT 的 Canvas 和推理模型;现在自己开了一家做 AI 产品研究的公司,叫 Thoughtful。
她身上有个细节我很喜欢:在伯克利读书的时候,她跟人权中心和调查记者一起,用卫星图像和公开资料去核验证据的真假。
一个做过「辨别真假」工作的人,现在做了一个能让假的更像真的的东西。这个细节,后面还会用到。
*
再说它到底是什么。
他们拿了一期真实的节目:乔·罗根的播客,嘉宾是马斯克。然后让这期节目能听、能回应、能跟着你变。
官网上放了十二段演示,挑几段说:
问马斯克喷火器是怎么工作的,他边讲,旁边边长出一张示意图,图的节奏跟着他说话的节奏走;
说「讲意大利语」,他就用自己的声音、自己的语气改说意大利语,而节目的其他部分照样是英语;
说「把星舰拿出来拆开讲」,一个 3D 的星舰模型出现在桌上,你接着问别的,模型还在原地;
说「带我去火星」,两个人就坐到了火星上,原来的对话一句不落地继续;
甚至可以用手机摄像头,把你自己放进画面里,坐在他俩旁边。
它会记住你是谁,推荐洛杉矶的餐厅时按你的口味来,值得留的信息做成一张卡片发到你手机上。你问得含糊,它还会反过来问你:你是想问这个,还是那个?
听起来像魔法。但有一件事要先说清楚,因为转述的人大多没说:
这些演示全是事先生成好的。
团队在官网上写得很老实:一次完整的互动,现在要好几分钟。他们的目标是六秒以内,还没做到。所以你看到的「点一下,马上回答」,是剪出来的效果,不是今天就能用的体验。
另一件事他们也写在了最显眼的地方:插话之后的那些片段里,马斯克和罗根的脸、声音、说的话,全是合成的。他们本人一句也没说过。
*
那么,要是做成了,会用在哪?
我想了一圈,按落地的难易排:
先落地的,是讲东西的视频。讲座、课程、纪录片、播客。这类视频,观众本来就会走神、会听不懂,最想要的就是「再讲一遍」「换个例子」「画个图」「跟我有什么关系」。晚几秒回答也没人在意。
然后是学语言。看一段剧,随时让人物慢一点再说一遍,或者换成简单的说法。对在海外生活的人,这可能是最诱人的用法。
再然后是带货。看直播的时候问一句「有没有大号」「跟上一款差在哪」,主播当场回答。钱在这里,麻烦也在这里:AI 替一个真人主播承诺了一件本来没有的事,算谁的?
最干净的,反而是企业内部的培训视频和产品说明。员工卡在哪一步问哪一步,没有版权问题,也没有肖像问题。
挡在前面的,是三件事:钱,现在的视频拍一次给一百万人看,它是每个观众每问一句就要现做一段;慢,六秒还没做到;还有最难的那件,授权。
*
最后说说我觉得有趣的地方。
第一个,是他们为什么偏偏选了马斯克。
团队在官网上直说了:我们用了两个全世界最好认的人,而且没有事先问过他们。故意的。因为你一眼就认得出他俩,这个问题也就一眼看得清楚:当一个系统能把新的话,放进一个你本来就信任的人嘴里,会发生什么?
他们没有假装这个问题不存在,而是把它摆到了最前面。演示里真话和合成的话混在一起,画面角落的标签就在真实片段和生成片段之间准确地来回切换;涉及个人立场和政治的问题,系统会拒绝替真人回答。有一段演示,观众让两个人亲一下,他们在旁边写了一句:我们还在摸索,应该允许用户做到哪一步。
这就是前面那个细节的用处。一个做过核验证据的人,做出一个能让假话更可信的东西,她最先做的,是给真和假之间画一条看得见的线。
第二个,是他们自己回答了那个最多人会问的问题:以后看剧,还要编剧吗?
他们的说法是,与其给你一个空白的对话框,让你从零开始,不如从一部已经做好的作品出发,它已经有了故事、节奏和来龙去脉,你只是在里面问一问、改一改,或者干脆接着看下去。他们给观众起了个名字,叫「微导演」:能影响体验,但不用决定故事往哪走。
然后在官网最后,他们写了一句我觉得全篇最清醒的话,大意是:一部作品之所以值得看,有一部分正是因为里面的选择,是别人替你做的。
观众该有多少控制权,创作者该留下多少,他们说自己还在想。
我想这个问题,大概会比六秒的延迟,更难解决。