一周拍完74集出海短剧，他说AI视频最贵的成本根本不是算力

归根结底，模型决定我们能做什么，创作者决定我们做出什么，市场决定什么能够留下来。

一部74集的柬埔寨短剧，从角色建模、镜头生成、合成到柬语配音，一共用了七天。

演员只有几张照片。

这是炫佳科技最近完成的一个出海项目，《Where You Belong》。放在过去，为柬埔寨这样的小语种市场单独组织一次拍摄，成本和周期都很难支撑商业回报。

现在，一个小团队加上一套AI生产流程，就把这件事跑通了。

炫佳2013年成立，做智能视听起家，手里本来就有覆盖大量家庭用户的视听业务。按理说，继续做一家稳定的内容科技公司，是一条很舒服的路。

但这几年，他们把筹码押到了最重的地方：自研视频大模型Kino，同时做创作平台、内容生产、产业基地和全球发行，到现在已经生产了超过10万分钟AI内容。

但现在的模型半年一换代，如果明天出现一个比Kino更强的通用模型，你们自己模型的价值还剩什么？

炫佳创始人秦林没有假设某个模型会永久领先。他说得很坦然，视频生成还在快速发展，未来某个阶段出现更强的通用模型，非常正常。

炫佳真正要积累的不是一组静态参数，而是四类持续增长的资产：

高质量产业数据

经过真实项目验证的工作流

理解内容生产的团队

从生产到分发形成的反馈闭环

外部模型变强，对炫佳不一定是威胁，反而可能扩大整个行业的能力边界。

他们既可以吸收和组合外部能力，也可以针对产业场景继续训练优化Kino。

听完发现，这场对话的底层逻辑从这里就分岔了。

如果你认为AI视频竞争的是模型跑分，那自研模型确实像一场豪赌。但如果你认为竞争的是稳定交付内容的能力，那模型只是入口，真正的护城河在模型身后的整条生产线上。

当然，护城河也得有个抓手。通用模型这么强，炫佳为什么还要自己训练Kino？

秦林说，通用模型很重要，他们也会保持开放，在合适的场景使用行业里最好的能力。但“能生成好看的视频”和“能稳定生产影视内容”之间，还有很长的距离。

产业项目关心的不只是单个镜头的惊艳程度：

角色能不能跨镜头保持一致

服装和场景能不能连续

镜头是否符合叙事目的

批量生成是否可控

修改能不能精确到局部

成本、速度、版权和数据安全能不能满足交付要求

“Kino的价值不是重复制造一个通用模型，而是针对影视、短剧和漫剧生产，把模型能力与剧本解析、角色资产、分镜设计、镜头调度、声音制作和后期合成连接起来。”

我又追问他，所谓“懂影视”“懂短剧”，到底体现在哪。是镜头语言，是人物一致性，还是叙事理解？

“镜头语言、人物一致性和叙事理解都很重要，但真正的‘懂影视’不是某一个单项指标，而是理解这些要素之间的关系。”

一个镜头是否优秀，不能脱离上下文判断。模型需要知道这个镜头在讲什么、人物处于什么情绪、前后镜头如何衔接，以及这个镜头是在建立信息、制造冲突，还是完成情绪释放。

短剧的要求还要再加一层：开场怎么快速建立矛盾，每一集怎么形成钩子，人物和场景怎么以较低成本反复复用。

“创作者需要的不是一次性抽奖式生成，而是角色、场景、动作、表情、运镜和声音都可以被控制、修改和复用。”

“抽奖式生成”这个词很传神。抽中了发朋友圈，抽不中烧算力。

而工业生产要的是可控、连续、可修改，画面美不美反而排在后面。

聊到工业化，秦林给了一个很干净的定义：

这中间差着一串环节：

剧本要能转换成可执行的镜头方案

角色和场景需要资产化管理

生成结果要保持连续

失败素材要快速诊断和重做

不同模型与人工环节要协同

最后还要完成配音、音乐、剪辑、审核和多平台交付

这句话建议所有被AI视频demo震撼过的朋友默念三遍。

你在发布会上看到的，永远是那十秒。剩下那些口型对不上、人物换了张脸的素材，才是生产的日常。

行业里有个很少被拿到台面上说的数据，叫有效素材率。生成100分钟素材，最终能进成片的有多少？

秦林没有给我一个漂亮的数字。他说这个比率随内容类型、画面复杂度和质量标准变化很大，连续叙事内容的要求明显更高，因为每个镜头不仅要单独成立，还要和前后镜头保持一致。

目前返工比较集中的，是这些环节：

多人互动

复杂肢体动作

人物口型和对白表演

连续调度

角色在不同景别和角度下的一致性

但他真正在意的，是返工的可预测性。能不能知道为什么失败，并通过角色资产、提示模板、镜头拆解、模型调度和人工修正，把有效率稳定提上去。

“返工不可怕，不可预测的返工才是最大的问题。”

顺着生产聊到数据。我问了一个行业里争论很多的问题：未来真正稀缺的数据，是网上的视频越多越好，还是剧本、分镜、镜头、成片之间的高质量对应关系更值钱？

秦林的答案很明确。公开网络视频能帮模型学习世界知识、视觉规律和基础运动，“但产业级视频模型最稀缺的不是简单的视频数量，而是结构化、可解释、与生产流程对应的数据”。

他举了个例子。一部作品从剧本到人物设定、分镜、镜头、表演、声音、剪辑再到成片，每一个环节为什么这样决定，修改前后发生了什么，什么结果最终被导演和市场接受。

这类对应关系，比一条孤立的成片有价值得多。

未来最稀缺的数据有两类：

版权清晰、质量稳定的高品质视听数据

来自真实制作过程的过程数据和反馈数据

“前者告诉模型什么是好内容，后者告诉模型好内容是怎样被做出来、修改出来的。”

换句话说，成片只能教模型什么是好，过程数据才能教模型怎么变好。

后者不在任何公开网络上，只在真正做生产的公司手里。

我给秦林出了一道题：如果今天一个团队拿500万元准备进入AI短剧或漫剧行业，最容易算错哪三笔账？

他的回答，几乎可以当一份避坑指南。

很多人只计算生成费用，没有计算筛选、返工、剪辑、声音、审核和项目管理，也低估了建立稳定工作流所需的时间。

“低单价不等于低总成本。”

内容做出来不代表会被看到。投流成本、平台分成、回款周期和不同市场的运营能力，往往比制作成本更影响最终利润。

商业计划容易假设每个项目都能达到平均回报，但内容行业的收入通常高度集中。

真正需要计算的是：十个项目中有多少能够回本，失败项目的成本能否被控制，成功项目能否覆盖整个组合。

“最危险的往往是把模型展示效果直接当成稳定产能，再把稳定产能直接当成市场收入。”

两层“当成”，两个坑。demo好看，不等于产能稳定；产能稳定，不等于有人买单。

顺着这个话题，我又问他怎么看“会生产”和“能爆款”之间的差距。

他说这是两种完全不同的能力。会生产解决交付问题，能爆款涉及用户洞察、情绪共鸣、节奏设计、发行时机和一定的偶然性。

AI可以分析历史内容的题材、人物关系、节奏、用户评论和转化数据，帮团队筛方向、模拟情节、快速制作多个版本测试。

“但AI提供的是概率和线索，不是爆款保证。”

生成成本一直在降，这是行业共识。但秦林提醒了一个反直觉的方向：成本不会消失，只会转移。

模型算力仍然是重要成本，但生成能力越普及，单纯获得画面的成本就越低，价值向更稀缺的环节走。未来真正昂贵的，可能是这些：

好IP、好剧本

导演和审美判断

版权合规

用户获取

全球发行能力

“当每个人都能生产时，市场更缺的就不是内容数量，而是值得用户付出时间的内容，以及把内容准确送到目标用户面前的能力。”

对2026年这波AI短剧热，他的判断也留了一半清醒。

真实需求是存在的：用户对视频内容的消费仍在增长，大量垂直和本地市场过去因为制作成本过高没被满足，AI让小众题材、多语种内容和快速迭代第一次有了经济可行性。

但供给增长不等于需求增长，大量相似内容涌进来，用户时间仍然有限，平台会迅速提高质量门槛。

“产能红利会逐渐消失，内容价值不会消失。”

判断一家公司有没有长期能力，别只看它生产了多少分钟，要看完播、留存、付费、复购，看IP能不能持续经营。

两极分化大概率会发生：一端是靠规模、效率和精准分发赚钱的低成本内容，另一端是有创意、审美和IP价值的精品内容，中间还会长出大量过去无法成立的垂直内容。

但长期利润不一定属于最贵的内容，而属于能形成差异化、复用能力和用户关系的内容。纯粹依靠低成本的优势，很容易被复制。

再说回那部74集的柬埔寨短剧。

这个项目在一周内完成制作，基于少量演员照片完成角色建模、生成、合成和柬语配音。秦林说，它验证的不只是生成速度，而是一套跨国内容生产流程的可行性。

过去为一个相对小众的语言市场单独组织拍摄，成本和周期可能撑不起商业回报，AI让他们能用更小的团队完成角色构建、镜头生产和本地语言版本。

但项目中更难的，不是把画面做出来，是本地化。

“语言准确不等于文化准确；人物关系、表演习惯、称谓、节奏甚至服装和空间，都可能影响当地观众是否相信这个故事。”

今天比较成熟的，是翻译、配音、字幕、口型适配，以及对部分人物、场景和视觉元素的重新生成，这已经能明显降低多语种版本的制作成本。

但真正的本地化创作远不只是把中文换成另一种语言，它要求重新理解当地的社会关系、价值观、幽默、禁忌、审美和平台习惯。

同一个冲突在不同文化里可能有完全不同的接受度，甚至故事结构和人物动机也需要调整。

“未来不是一部中国内容机械地复制出几十个语言版本，而是建立一个核心故事资产，再由AI和本地创作者共同生成不同市场的适配版本。”

“AI负责降低重构成本，本地团队负责文化判断。技术距离正在快速缩短，但文化距离仍然需要人来跨越。”

这也是炫佳要做Kino Ripple分发平台的原因。工具可以告诉你一个镜头有没有生成成功，但只有市场会告诉你观众愿不愿意看、看到哪里离开、为什么付费。

发行被提前到了选题和制作环节，播放、留存和转化数据会反向参与内容决策。

秦林的判断是，影视公司会从按工种大量配置执行人员，逐渐转向以项目为中心的小型核心团队，再连接模型平台、专业服务和外部创作者。

基础分镜、部分素材制作、版本适配和初级后期的人工需求可能下降，或者转化为同时管理多个AI工具和生产环节的复合岗位。

“但真正优秀的编剧、导演、美术指导、制片人和发行人才会更有价值。因为当执行能力变得普遍，决定作品差异的就是判断力。”

“未来更贵的人，往往不是亲自完成每一个操作的人，而是能够建立世界观、定义质量、调度人和模型，并对最终结果负责的人。”

也会出现一批新岗位：

AI导演

模型与工作流设计师

角色资产管理人员

生成质量负责人

跨文化内容运营人员

岗位并非简单消失，而是在围绕新的生产方式重新组合。

聊到最后，我问秦林，三年以后希望炫佳被理解成一家什么公司。视频大模型公司，AI内容公司，还是别的什么？

他说，一家AI视听基础设施公司。视频大模型是底层能力，内容生产是验证和应用场景，全球发行让能力真正形成市场价值。

采访结束，我脑子里一直转的是他最后那句话：

“归根结底，模型决定我们能做什么，创作者决定我们做出什么，市场决定什么能够留下来。”

AI视频的竞赛，上半场比谁生成的十秒钟更惊艳。下半场比的是，谁能在确定的时间和预算里，持续交付值得用户花时间的内容。

那十秒钟之外的十万分钟，才是真战场。

嘉宾

炫佳科技 创始人兼CEO 秦林

问题 1｜炫佳是2013年成立的，远早于这一轮生成式AI。过去十几年公司一直在智能视听领域，什么时候你第一次明确判断：AI不是给原有业务加一个功能，而是会把整个视听产业重新做一遍？

秦林：炫佳2013年成立以来一直在智能视听领域。我们最初看AI，确实也是把它当作提升推荐、制作和运营效率的工具。

真正的判断发生变化，是当生成式AI开始同时表现出对文字、图像、声音和视频的理解与生成能力之后。

我们意识到，它改变的不只是某一个制作环节，而是视听内容的基本生产方式。过去的产业链建立在“拍摄资源稀缺、制作能力稀缺”的前提上；生成式AI则有可能把内容生产从以拍摄为中心，变成以创意、数据和模型为中心。

剧本如何形成镜头、角色如何保持一致、内容如何批量本地化，以及制作完成后如何触达全球用户，都会被重新组织。

因此，我们不是在原有业务里增加一个AI功能，而是开始重新思考：如果今天从零设计一家视听公司，它的模型、工具、生产流程和发行体系应该是什么样的。

问题 2｜过去你们已经有覆盖大量家庭用户的视听业务，理论上完全可以继续做一家稳定的内容科技公司。为什么后来选择投入成本非常高的视频大模型？这个决定当时最难的是什么？

秦林：继续做原有业务当然是一条更稳妥的路。但稳定并不代表未来仍然有竞争力。当底层生产方式变化时，过去积累的渠道、内容和用户规模，既是优势，也可能使企业对变化反应迟缓。

我们决定投入视频大模型，是因为视听行业最核心的生产资料正在发生变化。过去的核心资源是摄影棚、设备和制作团队；未来很大一部分核心资源会变成模型、训练数据、工作流和审美判断。

如果不进入这一层，我们即使拥有内容和渠道，也可能越来越依赖别人的能力和成本结构。

这个决定最难的不是单纯的资金投入，而是不确定性：模型迭代很快，技术路线可能变化，投入也不一定立即形成收入。

我们要同时处理短期经营和长期研发，避免把AI做成展示技术，同时也不能因为短期回报不清晰，就错过产业转换的窗口。

问题 3｜炫佳现在同时做底层模型、创作平台、内容生产、产业基地和出海。很多创业公司会强调“只做最擅长的一层”，为什么你们反而选择这么长的产业链？

秦林：视频大模型与文本模型有一个很大的不同：它距离最终交付非常远。生成一段效果不错的视频，不等于能够完成一部内容，更不等于形成一门生意。

如果只做模型，我们很难从真实生产中知道人物一致性、镜头衔接、对白表演和修改成本到底哪里有问题；如果只做工具，就很难建立行业所需的数据闭环；如果只做内容，又会受制于模型能力和成本；如果只生产而没有分发，也无法通过市场反馈判断内容是否真正有效。

所以，我们的产业链看起来比较长，但不是为了什么都做，而是为了形成闭环：模型提升生产能力，平台把能力组织成工作流，真实项目验证模型和流程，产业基地承接规模化交付，全球发行再把用户反馈带回选题、制作和模型训练。

长期来看，每一个环节未必都由炫佳独立完成，我们也希望和行业伙伴共同建设。但决定内容生产效率和质量的关键闭环，我们必须真正跑通。

问题 4｜今天外部已经有大量非常强的视频模型，内容公司完全可以直接调用。炫佳为什么还要自己训练Kino？哪些产业问题是仅仅调用通用模型解决不了的？

秦林：通用模型非常重要，我们也会保持开放，在合适的场景使用行业里最好的能力。但“能生成好看的视频”和“能稳定生产影视内容”之间，还有很长的距离。

产业项目关心的不只是单个镜头的惊艳程度，还包括角色能否跨镜头保持一致，服装和场景能否连续，镜头是否符合叙事目的，批量生成是否可控，修改能否精确到局部，以及成本、速度、版权和数据安全能否满足交付要求。

Kino的价值不是重复制造一个通用模型，而是针对影视、短剧和漫剧生产，把模型能力与剧本解析、角色资产、分镜设计、镜头调度、声音制作和后期合成连接起来。

只有掌握这一层，我们才能围绕真实生产目标持续优化，而不是完全跟随外部模型的产品边界。

问题 5｜Kino定位的是视频垂类模型。和一个通用视频模型相比，真正所谓的“懂影视”“懂短剧”应该体现在哪里？是镜头语言、人物一致性、叙事理解，还是对完整生产流程的理解？

秦林：镜头语言、人物一致性和叙事理解都很重要，但真正的“懂影视”不是某一个单项指标，而是理解这些要素之间的关系。

一个镜头是否优秀，不能脱离上下文判断。模型需要知道这个镜头在讲什么、人物处于什么情绪、前后镜头如何衔接，以及这个镜头是在建立信息、制造冲突，还是完成情绪释放。

短剧还要求模型理解更强的节奏：开场如何快速建立矛盾，每一集如何形成钩子，人物和场景如何以较低成本反复复用。

更进一步，模型还要理解生产流程。创作者需要的不是一次性抽奖式生成，而是角色、场景、动作、表情、运镜和声音都可以被控制、修改和复用。

我们认为，“懂影视”最终要体现为可控性、连续性和可修改性，而不只是生成画面的美感。

问题 6｜视频模型半年甚至几个月就会发生明显变化。如果明天出现一个效果比Kino更强的通用模型，你们自己的模型价值还剩什么？炫佳真正希望积累的是模型参数，还是数据、工作流和产业Know-how？

秦林：我们并不假设某一个模型会永久领先。视频生成仍在快速发展，未来某个阶段出现更强的通用模型是非常正常的。

因此，炫佳真正要积累的不是一组静态参数，而是四类持续增长的资产：高质量产业数据、经过真实项目验证的工作流、理解内容生产的团队，以及从生产到分发形成的反馈闭环。

外部模型能力增强，对我们不一定是威胁，也可能扩大整个行业的能力边界。我们既可以吸收和组合外部能力，也可以针对产业场景继续训练和优化Kino。

最终竞争不是某一次模型榜单的高低，而是谁能更稳定地把技术转化为合格内容，并控制质量、周期和成本。

问题 7｜你们积累了多模态训练语料和大量视听业务数据。在AI视听行业里，未来真正稀缺的数据究竟是什么？“网上的视频越多越好”，还是高质量的剧本—分镜—镜头—成片之间的对应关系更有价值？

秦林：公开网络视频能够帮助模型学习世界知识、视觉规律和基础运动，但产业级视频模型最稀缺的不是简单的视频数量，而是结构化、可解释、与生产流程对应的数据。

例如，一部作品从剧本到人物设定、分镜、镜头、表演、声音、剪辑再到成片，每一个环节为什么这样决定，修改前后发生了什么，什么结果最终被导演和市场接受——这类对应关系比一条孤立的成片更有价值。

未来最稀缺的数据，一类是版权清晰、质量稳定的高品质视听数据；另一类是来自真实制作过程的过程数据和反馈数据。

前者告诉模型什么是好内容，后者告诉模型好内容是怎样被做出来、修改出来的。

问题 8｜现在几乎每一家AI视频公司都在讲“工业化”。站在你们已经生产超过10万分钟AI内容的经验看，一条视频能够被生成，和真正进入工业生产，中间到底差了哪些东西？

秦林：我们已经生产超过10万分钟AI内容。最大的体会是：工业化不是把很多视频生成出来，而是能够在确定的时间、预算和质量标准下持续交付。

中间至少差着几个环节：剧本要能够转换为可执行的镜头方案；角色和场景需要资产化管理；生成结果需要保持连续；失败素材需要快速诊断和重做；不同模型与人工环节需要协同；最终还要完成配音、音乐、剪辑、审核和多平台交付。

一个演示可以只展示最好的十秒钟，工业生产却必须处理剩下那些不合格的结果。

能不能降低返工率、提高有效素材率、让不同人员复用同一套标准，才是判断工业化程度的重要依据。

问题 9｜公开资料提到，一些过去需要数十人、数十天完成的工作，现在可以压缩到1—3个人、7天左右。如果把一部真实项目拆开，AI到底替掉了哪些环节？还有哪些事情依然必须由人完成？

秦林：AI替代的首先是大量执行性、重复性和资源密集型工作，例如部分概念设计、角色与场景预演、分镜草图、镜头素材生成、部分动画制作、多语种配音和基础后期。

它也缩短了从创意到样片的周期。过去一个想法可能需要搭景、选角、拍摄后才能判断，现在可以较早看到接近成片的结果，降低试错成本。

但人的工作没有消失，而是向判断和统筹集中。

选题是否成立、人物是否可信、冲突是否有效、表演是否准确、镜头是否服务叙事，以及最终应该保留哪一个版本，仍然需要编剧、导演和制片人的判断。

AI擅长快速提供大量可能性，人要负责确定方向、建立标准并做最终选择。

问题 10｜AI视频现在一个经常被忽视的数据是“有效素材率”。生成100分钟素材，最终真正能进入成片的大概有多少？目前最容易返工的是人物、动作、运镜、对白，还是剧情衔接？

秦林：有效素材率会随着内容类型、画面复杂度和质量标准发生很大变化，很难用一个数字代表所有项目。

相较于展示类项目，连续叙事内容的要求明显更高，因为每个镜头不仅要单独成立，还要和前后镜头保持一致。

目前返工比较集中的环节，通常包括多人互动、复杂肢体动作、人物口型和对白表演、连续调度，以及角色在不同景别和角度下的一致性。

剧情衔接本身还涉及分镜与剪辑，不完全是生成模型单方面能够解决的问题。

对工业生产而言，比某一次有效率更重要的是能否知道为什么失败，并通过角色资产、提示模板、镜头拆解、模型调度和人工修正稳定提升有效率。

返工不可怕，不可预测的返工才是最大的问题。

问题 11｜当生成成本不断下降以后，真正昂贵的部分是不是正在发生转移？未来一部AI短剧最大的成本会变成IP、编剧、导演、审核、买量、发行，还是模型算力？

秦林：模型算力仍然是重要成本，但随着生成能力普及，单纯获得画面的成本会持续下降，价值会向更稀缺的环节转移。

未来真正昂贵的，可能是好IP、好剧本、导演和审美判断、版权合规、用户获取以及全球发行能力。

原因很简单：当每个人都能生产时，市场更缺的就不是内容数量，而是值得用户付出时间的内容，以及把内容准确送到目标用户面前的能力。

因此，AI不会让内容变成零成本。它会重构成本：执行成本下降，创意、决策、合规和发行的重要性上升。

问题 12｜2026年AI短剧和漫剧特别热，但越热的赛道往往越容易出现大量低质量供给。你现在怎么判断这个行业到底是真需求，还是阶段性的产能红利？

秦林：我们认为真实需求是存在的，但当前市场中也确实包含阶段性的产能红利。

真实需求来自几个方面：用户对视频内容的消费仍在增长；大量垂直和本地市场过去因为制作成本过高没有得到满足；AI让小众题材、多语种内容和快速迭代第一次具有经济可行性。

但供给增长并不等于需求增长。大量相似内容进入市场以后，用户时间仍然有限，平台也会迅速提高质量门槛。

判断一家公司是否建立了长期能力，不能只看它生产了多少分钟，而要看完播、留存、付费、复购以及IP能否持续经营。

产能红利会逐渐消失，内容价值不会消失。

问题 13｜炫佳既有模型又真正做内容。你们怎么看“会生产”和“能爆款”之间的差距？AI能不能帮助判断什么题材、什么剧情值得做，还是爆款到今天仍然主要是人的判断？

秦林：这是两种完全不同的能力。会生产解决的是交付问题，能爆款涉及用户洞察、情绪共鸣、节奏设计、发行时机和一定的偶然性。

AI可以提高判断效率。例如，它可以分析历史内容的题材、人物关系、节奏、用户评论和转化数据，帮助团队筛选方向、模拟不同情节，甚至快速制作多个版本进行测试。

但AI提供的是概率和线索，不是爆款保证。

今天的爆款判断仍然主要依赖懂用户、懂叙事的人。我们更愿意把AI看作放大优秀创作者判断力的工具：它能让一次判断获得更多验证机会，但不能替代创作者对人性和情绪的理解。

问题 14｜如果今天一个团队拿500万元准备进入AI短剧或者漫剧行业，你觉得最容易算错哪三笔账？制作成本、版权、获客、发行、平台分成还是团队成本？

秦林：第一笔是有效制作成本。很多人只计算生成费用，没有计算筛选、返工、剪辑、声音、审核和项目管理，也低估了建立稳定工作流所需的时间。低单价不等于低总成本。

第二笔是获客与发行成本。内容做出来不代表会被看到。投流成本、平台分成、回款周期和不同市场的运营能力，往往比制作成本更影响最终利润。

第三笔是命中率。商业计划容易假设每个项目都能达到平均回报，但内容行业的收入通常高度集中。

真正需要计算的是：十个项目中有多少能够回本，失败项目的成本能否被控制，成功项目能否覆盖整个组合。

版权和团队成本同样重要，但最危险的往往是把模型展示效果直接当成稳定产能，再把稳定产能直接当成市场收入。

问题 15｜AI内容行业最终会不会出现明显的两极分化：一边是大量低成本流水线内容，一边是高投入精品内容？炫佳认为真正长期有利润的会是哪一层？

秦林：两极分化大概率会发生，但中间也会出现新的内容形态。

一端是满足即时消费需求的低成本内容，依靠规模、效率和精准分发获得收益；另一端是具有较高创意、审美和IP价值的精品内容，AI主要用于提高表达能力和降低试错成本。

中间还会出现大量过去无法成立的垂直内容，例如为特定地区、语言、兴趣群体甚至个人定制的内容。

长期利润不一定只属于最贵的内容，而属于能够形成差异化、复用能力和用户关系的内容。

纯粹依靠低成本的优势很容易被复制；纯粹追求高投入也不一定获得回报。真正可持续的，是兼具稳定效率、内容判断和发行能力的平台及团队。

问题 16｜你们用AI在一周内完成了74集柬埔寨短剧《Where You Belong》，只基于几位演员照片完成角色建模、生成、合成和柬语配音。这个项目真正验证了什么？最难的其实是制作，还是本地化？

秦林：这个项目在一周内完成74集柬埔寨短剧制作，并基于少量演员照片完成角色建模、生成、合成和柬语配音。

它验证的不只是生成速度，而是一套跨国内容生产流程的可行性。

过去，为一个相对小众的语言市场单独组织拍摄，成本和周期可能难以支撑商业回报。AI使我们能够降低前期资源门槛，以更小团队完成角色构建、镜头生产和本地语言版本。

项目中更难的并不只是把画面做出来，而是本地化。

语言准确不等于文化准确；人物关系、表演习惯、称谓、节奏甚至服装和空间，都可能影响当地观众是否相信这个故事。

制作能力使项目成为可能，本地化能力决定项目能不能真正进入市场。

问题 17｜AI内容出海有一个很吸引人的想象：一部中国内容可以非常低成本地重新生成不同语言、人物甚至文化版本。这个方向今天真正能做到什么程度？“翻译”与真正的“本地化创作”之间还有多远？

秦林：今天比较成熟的是翻译、配音、字幕、口型适配，以及对部分人物、场景和视觉元素进行重新生成。这已经可以明显降低多语种版本制作成本。

但真正的本地化创作远不只是把中文换成另一种语言。它要求重新理解当地的社会关系、价值观、幽默、禁忌、审美和平台习惯。

同一个冲突在不同文化里可能有完全不同的接受度，甚至故事结构和人物动机也需要调整。

我们认为，未来不是一部中国内容机械地复制出几十个语言版本，而是建立一个核心故事资产，再由AI和本地创作者共同生成不同市场的适配版本。

AI负责降低重构成本，本地团队负责文化判断。技术距离正在快速缩小，但文化距离仍然需要人来跨越。

问题 18｜炫佳还在布局Kino Ripple这样的内容工业化分发平台，把生产、多语种译制和全球渠道连接起来。为什么你认为仅仅把制作工具做好还不够，必须继续做到分发？

秦林：如果没有分发反馈，生产系统就不知道什么是真正有效的内容。

工具可以告诉我们一个镜头有没有生成成功，但只有市场会告诉我们观众愿不愿意看、看到哪里离开、为什么付费。

Kino Ripple这类平台希望连接生产、多语种译制与全球渠道，使一项内容资产可以针对不同市场快速形成版本，并根据播放、留存和转化数据持续调整。

这样，发行就不再是生产完成后的最后一步，而是反向参与选题和制作。

另外，AI会使内容供给快速增加，未来更稀缺的是匹配能力：在正确的时间，把正确的内容交给正确的人。

仅仅降低制作成本，容易陷入同质化竞争；把生产与分发连接起来，才能形成持续优化的商业闭环。

问题 19｜如果未来一个三五人的团队就能完成过去一家几十人影视公司的产能，影视公司的组织结构会怎么变化？哪些岗位会明显减少，哪些人反而会越来越贵？

秦林：影视公司会从按工种大量配置执行人员，逐渐转向以项目为中心的小型核心团队，再连接模型平台、专业服务和外部创作者。

部分重复性较高的执行岗位会减少，或者转化为同时管理多个AI工具和生产环节的复合岗位。例如，基础分镜、部分素材制作、版本适配和初级后期的人工需求可能下降。

但真正优秀的编剧、导演、美术指导、制片人和发行人才会更有价值。因为当执行能力变得普遍，决定作品差异的就是判断力。

未来更贵的人，往往不是亲自完成每一个操作的人，而是能够建立世界观、定义质量、调度人和模型，并对最终结果负责的人。

也会出现一批新的岗位，比如AI导演、模型与工作流设计师、角色资产管理人员、生成质量负责人和跨文化内容运营人员。

岗位并不是简单消失，而是在围绕新的生产方式重新组合。

问题 20｜如果三年以后我们再来看炫佳，你希望它被理解成一家视频大模型公司、一家AI内容公司，还是一个从模型、生产到全球发行的AI视听基础设施公司？你认为未来AI文娱行业真正最大的公司会出现在产业链哪一层？

秦林：三年以后，我们希望炫佳被理解为一家AI视听基础设施公司。

视频大模型是底层能力，内容生产是验证和应用场景，全球发行则让能力真正形成市场价值。三者不是彼此分离的业务，而是一套系统的不同部分。

我们不会回避“视频大模型公司”或“AI内容公司”的身份，但如果只用其中一个标签，都不足以描述我们想做的事情。

我们的目标是让视听内容从创意、生产、本地化到全球触达，形成一套可规模化、可持续优化的基础设施。

未来AI文娱行业最大的公司未必只出现在某一个单点环节。单纯模型层可能产生很强的技术公司，内容层可能产生新的全球IP公司，分发层也可能形成巨大的平台。

我们更看好能够连接其中几个关键环节、同时掌握技术效率与用户反馈的企业。

归根结底，模型决定我们能做什么，创作者决定我们做出什么，市场决定什么能够留下来。炫佳希望做的，是把这三件事真正连接起来。