中新网北京2月24日电(记者 王诗尧)一年前,ChatGPT在AI圈掀起惊天巨浪之时,许多人都没有想到下一波浪潮来得如此之快。2024年春节期间,OpenAI用一段60秒的视频惊艳全球。这段时尚女子漫步东京街头的短视频,由文生视频模型Sora生成。
Sora全网爆火,一时之间网络上充斥着各种声音,有人看到了机会、有人看到了担忧、有人看到了恐惧……面对首当其冲受到影响的影视行业,从业者是否真如想象中在瑟瑟发抖?

视频画面为一名时尚女子漫步在东京街头。图自OpenAI网站
Sora如何冲击影视行业?
最近一段时间,Sora持续成为互联网热门话题,几条生动逼真、画面精美的短视频,给整个影视行业带来的震撼,依旧余温未散。
摩斯AI创始人侯茂(化名)向中新网记者介绍,Sora具有三大突出亮点:一是60秒长视频,Sora可以保持视频主体与背景的高度流畅性与稳定性;二是单视频多角度镜头,Sora在一个视频内实现多角度镜头,分镜切换符合逻辑且十分流畅;三是理解真实世界的能力,Sora对于光影反射、运动方式、镜头移动等细节处理得十分优秀,极大地提升了真实感。
“自一年前OpenAI发布ChatGPT以来,从文本、图片、声音到视频领域,各种突破性人工智能不断涌现,已经超过摩尔定律所描绘的技术进步速度。”
作为AI视频模型,Sora的横空出世势必会给如今的影视行业,带来不可忽视的影响。
侯茂认为,最先受到影响的应该是动漫行业。“动漫里的人物、场景偏虚拟,对实时性与精细程度要求不高。”此外,Sora对偏写实类的电影、电视剧短期内影响不大,因为这类作品对真实场景的人物表演、惊喜度要求很高。
在他看来,Sora对于器材生产商与租赁商的打击将是毁灭性的。“比如曾经需要高价购买的摄影机、昂贵的移动器材、照明器材大概率不再被需要。后续将转为采用人类提示语来控制AI视频模型,按照自己的想法来完成运镜、影像生成等工作。”
同样的情况也会发生在特效公司。侯茂指出,原来制作一部电影或者电视剧,在特效方面的成本非常高,特别是一些需要完全从零建模的效果。现在有了Sora,可能一句话就能够生成相同质量的画面,这将会对特效公司产生非常大的冲击。
当然也有好的一面,对于导演、编剧、摄影师等影视行业专业工种会是重大利好。“过去传统的影视生产方式,从想法到成片,需要一个团队配合才能完成。以后借助AI工具,只要是有创意的人,一个人即可完成成片的生产。”
“恐惧是本能,不是终点”
2月16日,电影摄影师段纪辰在微信公众号里,刷到OpenAI发布文生视频模型Sora的消息。他在接受中新网记者采访时表示,自己看到Sora视频时,第一时间并没有意识到是AI视频。等到回过神来,脑海里只有一个字“牛”。
激动的心情渐渐平复后,他将文章转发到朋友圈并写下四个字——要失业了。
一年前OpenAI推出ChatGPT时,母亲曾问过段纪辰:“你觉得摄影师这个职业以后会消失吗?”他当时的回答是“不可能”,没想到仅仅过去一年,这个答案就发生了改变。
尽管如此,段纪辰并没有转行的打算。在他看来,距离Sora进化到威胁人类工作,还要经过一段时间。此外,Sora目前仅能按照固有思维惯性思考,想要完成更有创意、创造性的作品仍比较困难。
同一天,摄影师大硕也在第一时间观看了Sora产出的视频。“因为我们是干这个的,所以看到它以后肯定会比一般人的震撼更具象一点。”
在大硕看来,比起AI呈现出来的精美画面,更为冲击的是效率的大幅提升。“我第一个想到的就是,实际工作当中那些特别费劲的事儿,以后用它就能轻轻松松解决了。”
去年,好莱坞迎来史上首次编剧和演员联合大罢工,矛盾焦点之一就是人工智能的适用范围。
最近几天,大硕也和同行们交流了许多,意外的是没有一个人对Sora持否定态度。“大家都知道,这就是将来,而且已经到来。大家聊的都是觉得自己的认知还是太慢了。”
当整个影视产业面临技术革新,“恐惧是人的本能,但不是终点”。大硕认为,如果能赶上风口就要大胆尝新,自己对新鲜事物永远抱持着开放的态度。
对于“摄影师最终是否会被AI取代”?大硕指出,不是摄影师被取代,而是画面会被AI算法取代。“一些不需要感情的画面,或者是需要AI生成的画面,将不再需要摄影师来拍摄。”
“人是不会被效率高的机器所替代的。当使用AI可以让拍摄一部片子的成本大幅缩减后,投资方就会更快地投入到下一部作品中,我就有另一份工资可以拿,观众也多了一部电视剧或电影可以看,一举多得的事。”
艺术“感觉”不能被AI模仿?
采访中,两位摄影师不约而同地提到一个观点:AI可以辅助人类工作,甚至取代一部分低质量的工作内容,但是涉及到情感类、需要深度沟通与理解能力的工作时,AI只能做到模仿却无法超越其领域内的佼佼者们。
去年,记者在一次采访中曾向导演冯小刚询问过这个问题:“人工智能的发展会冲击影视行业吗?”
彼时的冯小刚正在为电影《非诚勿扰3》做前期筹备工作,这是一部聚焦人工智能题材的电影。
面对记者的提问,冯小刚当时的回答是,艺术领域的人物需要具备人类情感思维,所以他认为AI不能完全取代人类。“比如说剧本,它可以做一个中等水平的剧本,但是让它做一个特别独到的剧本可能还不行,当然也许有一天它就行了。”
在另一次采访中,记者也曾向演员陈若轩问过同样问题。从小就是“科幻迷”的陈若轩,对于人工智能的发展一直密切关注。他表示,虽然人工智能已经进入到许多领域,但是未来演员仍不会被AI所替代。
“虽然说人工智能是人造的,但是我看了很多资料,机器是可以比人类更加完美的,而人跟机器的不同就在于他的不完美。所以我觉得机器再怎么完美,它还是机器人,有缺点的人反而是鲜活的。”陈若轩说道。(完)

8 天前
西门子Xcelerator开放式数字商业平台作为正式发布生态合作伙伴"繁星计划",旨在发挥平台网络效应,与生态伙伴共享知识与技术资源,共创面向客户的解决方案,共赢数字化与低碳化新机遇。

14 天前
AI 研发已从单点 Prompt 优化迭代至Harness 工程底座 + Loop 自治闭环 + SDD 标准化规范的三位一体体系,通过重构人机协作模式,解决大模型落地不稳定、难规模化的痛点,实现企业级 AI 从原型试用走向工程化、自动化、体系化落地。

19 天前
WorkBuddy有望拿下国内独立桌面自动化办公智能体细分第一。但受企业协同生态、移动端能力等短板限制,无法成为全域企业及全球办公AI赛道第一名,将与钉钉悟空、WPS AI形成差异化竞争格局。

26 天前
OpenClaw工具与生态完整生命周期判断 本文尝试分短期、中期、长期三段,结合项目现状、风险、护城河客观测算OpenClaw这款智能体工具或者相似工具的发展趋势。 一、短期生命力(1~3年,2026–2029):完全安全、高速增长,是黄金运营窗口期 支撑理由 赛道刚需独一无二,差异化壁垒极强 OpenClaw是极少数本地系统级执行、模型无关、纯自托管的终端Agent运行框架,定位“能操作电脑文件、软件、桌面的AI助手”,区别于LangGraph/CrewAI这类后端开发框架、AutoGPT纯实验型智能体。普通办公、个人自动化、小微企业没有替代同类成熟开源工具,C端+中小企业需求持续释放。 社区与生态飞轮已经跑通 GitHub 30万+星标、近千名全球持续贡献者,日均数百条PR/Issue迭代,更新频率行业第一;创始人Peter全职维护,大厂(英伟达、Kimi、MiniMax)主动适配接入; ClawHub官方技能仓库沉淀数千标准化Skill,国内衍生生态(xia345、各类中文技能站、私有化二次改版)持续扩容,形成标准锁定; MIT宽松开源协议,允许企业二次改造、搭建托管服务,大量服务商入局完善配套生态(部署、安全加固、私有化定制)。 行业周期红利:本地终端Agent处于普及早期 2026被行业定义为桌面Agent落地元年,云端大模型成本持续下行、本地Ollama离线模型普及,完美匹配OpenClaw“本地优先”架构;未来3年,个人自动化、企业内网办公自动化需求只会扩张。 短期仅有的可控风险 Token调用成本偏高、频繁更新易出现版本兼容bug、本地高权限带来安全隐患; 以上问题官方正在持续迭代修复,企业级备份、权限沙箱、日志审计功能已逐步补齐,属于可优化痛点,不会动摇存续根基。 结论:未来1–3年是生态最繁荣、流量最大、变现最顺畅的阶段。 二、中期生命力(3~7年,2029–2033):稳定存续,但竞争加剧、增速放缓 存续核心逻辑 标准化生态具备长期锁定效应 SKILL.md、ClawHub统一技能规范、openclaw CLI命令行已经形成行业事实标准。就算出现竞品,开发者、存量数万套技能、企业定制项目迁移成本极高,生态不会短时间崩塌,会维持稳定使用人群。 分层商业模式支撑项目持续维护 原生项目开源免费,但周边商业化闭环成型:企业私有化部署服务、安全审计、托管云服务、垂直行业技能付费、模型渠道分销,持续产生现金流反哺社区开发,不会出现“没人维护停更”的局面。 使用人群分层留存 C端极客、办公自动化爱好者会长期使用; 中小企业内网自动化、数据处理场景高度依赖本地执行Agent,大厂SaaS Agent无法满足内网隐私需求; 开发者持续基于OpenClaw做二次分支、私有化改版,衍生生态会持续分流、延续整个“龙虾生态”的热度。 中期衰减变量(会降低增速,但不会淘汰项目) 微软、苹果、国产操作系统推出原生系统级AI助手,抢占普通小白用户; 新轻量化终端Agent开源框架分流开发者; 各国监管对本地高权限AI自动化工具出台更严格合规要求,提高企业落地门槛; 结论:3–7年不会消亡,但行业从爆发期进入存量竞争,流量红利收窄,平台需要深耕私有化、企业定制、垂直细分赛道才能持续盈利。 三、长期生命力(7年以上,2033之后):分两种极端走向 走向1:长期持续存活(概率60%),变成基础设施级工具 如果行业发展符合以下趋势,OpenClaw会像现在的Python、Git一样长期存续: 终端自主Agent成为电脑标配生产力工具,本地执行、离线隐私是永久刚需; OpenClaw持续完成企业级、合规化改造,成为政企内网自动化标准选型; 社区形成基金会/商业公司承接维护,摆脱单一创始人依赖,实现长久开源运营。 走向2:逐步边缘化、被新一代架构替代(概率40%) 触发条件: 操作系统底层内置标准化Agent执行层,统一API,第三方独立运行框架失去生存空间; 多模态、具身智能技术迭代,全新架构完全替代“技能+本地脚本执行”模式; 全球监管全面限制本地高权限自主AI工具,商用落地基本锁死,仅小众极客圈子留存。 即便被边缘化,存量存量技能、配套站点、私有部署项目仍会维持5–10年长尾生命周期,不会瞬间彻底消失。 四、关键风险:会大幅缩短生命周期的致命隐患 安全重大事故 若出现大规模Skill供应链投毒、批量本地数据泄露事件,企业端市场会快速萎缩,仅保留个人玩家生态;官方正在完善自动病毒扫描、技能审核机制,风险持续降低。 创始人断更、无承接主体 当前项目由Peter单人主导,若后续精力转移、无商业公司接手维护,迭代速度断崖式下滑,竞争力快速落后竞品;目前已有多家AI服务商、模型厂商深度合作,存在接手预期。 算力成本长期居高不下 如果大模型API按量价格无法大幅下降,普通用户长期使用成本过高,会劝退大众用户,仅留存企业付费群体。 国内政策监管收紧 国内针对本地自主自动化工具出台限制,国内衍生生态、配套导航平台流量大幅下滑,但海外生态不受影响。 五、综合最终总结 0–3年(黄金期):放心投入建站、填充内容、运营变现,生态高速扩张,流量红利充足; 3–7年(平稳期):生态稳定存在,竞争变多,需要走差异化(私有化、离线、海外双语)路线维持竞争力; 7年以上(分化期):要么成为长期基础设施永续存在,要么逐步小众长尾,即便衰退也有数年缓冲时间; 整体安全底线:至少拥有5年以上稳定商业运营周期,足够覆盖站点开发、回本、盈利完整周期;中长期只要避开通用综合赛道,主打本地离线私有化细分,生命周期会进一步拉长。

2 个月前
马斯克旗下 xAI 静默上线 Grok 4.3,API 价格下调约 60%,引发行业连锁降价,大模型商业化进入 “低价普惠” 阶段。

3 个月前
AiPPT: 一句话、一分钟、一键搞定

3 个月前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制,特别适合复杂的编程任务,解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 ? 前置准备 你需要准备以下内容: 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API ?️ 搭建步骤 方法一:使用 Claude Code 插件(推荐) Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json: { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成,请继续迭代修复问题" } 方法二:手动搭建(完全控制) Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if || || ; then echo "BLOCK: 任务未完成,继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": , "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": , "status": "pending" } ] } ? 使用方法 启动 RALPH 循环 # 方法一:插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二:Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log ? 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } ? 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过? │ │ • 无类型错误? │ │ • PRD 要求满足? │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 ? 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证,避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境,避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报,避免超支 ⚠️ 注意事项 成本控制:每次迭代消耗 tokens,长时间运行成本较高 质量检查:AI 可能"认为"完成但实际有 bug,需要严格测试 安全边界:在沙盒环境运行,避免 AI 误删重要文件 人工介入:复杂任务仍需人工审查结果

3 个月前
Ralph Loop 是一种让 AI 自主迭代的机制,主要用于解决 AI 编程助手"半途而废"的问题。