AI-Automated Film Making
43:02 Share

《综艺》杂志最近的一篇文章标题为：“由西尔维斯特·史泰龙支持的Largo.ai与Brilliant Pictures合作，打造‘世界首家全AI自动化电影公司’”。这显然引起了我们的注意！我们与Largo.ai的首席执行官Sami Arpa坐下来，探讨如何利用AI开发、资助和制作电影。我们发现，诸如剧本分析、财务预测和数字孪生之类的工具如何帮助创作者和工作室做出更明智的决策。 特色：Sami Arpa – 领英Daniel Whitenack – 网站、GitHub、X链接：Largo AI由西尔维斯特·史泰龙支持的Largo.ai与Brilliant Pictures合作，打造‘世界首家全AI自动化电影公司’赞助商：思科的Outshift：AGNTCY是一个开源集体，正在构建代理互联网。这是一个协作层，AI代理可以在其中进行通信、相互发现并在框架之间工作。对于开发人员来说，这意味着标准化的代理发现工具、无缝的代理间通信协议以及用于组合和扩展多代理工作流的模块化组件。</context> <raw_text>0 欢迎收听Practical AI播客，本播客旨在使人工智能对所有人来说都实用、高效且易于访问。如果您喜欢这个节目，您会喜欢The Change Log。周一发布新闻，周三进行深入的技术访谈，周五则是一个适合您周末休闲的精彩脱口秀节目。您可以在收听播客的任何地方搜索The Change Log来找到我们。

欢迎收听Practical AI播客的另一期节目。我是Daniel Witenack，PredictionGuard.com的首席执行官。

今天，我们非常高兴能与Sami Arpa讨论电影制作和内容制作中的AI，他是Largo AI的首席执行官兼联合创始人。欢迎，Sami。谢谢。感谢您的邀请。是的，是的。很高兴您能来。我记得具体来说，你知道，当然，我们一直在寻找

寻找有趣的人加入我们的节目，并讨论AI是如何被使用、在各个垂直领域和行业中被使用的。我记得看到一篇关于……的《综艺》杂志文章，

这个由西尔维斯特·史泰龙支持的Largo AI团队。你知道，它谈到了世界首家全AI自动化电影公司，这对我来说非常有趣。我相信我们会深入探讨很多细节，但在我们深入了解Largo AI的具体情况之前，我知道你们在这个行业已经工作了一段时间了，并且一直在做这项工作。你能给我们一个

也许是一个关于AI和先进技术最近在电影行业如何发展的高层次的描述。当然，

长期以来，也许许多人都知道CGI和某些实际上相当先进的技术，这些技术在电影制作中已经使用了一段时间了。但也许请您告诉我们您对电影制作中AI现状的看法以及它近年来是如何发展的。

是的，当然。电影行业一直以来都在技术方面处于领先地位。但是，AI的进步和采用并不容易。在过去的六七年里，我可以通过我们的旅程来证明这一点。所以，我的意思是，我们可以认为AI在行业中的主要原因

是Netflix和亚马逊，因为它们开始将AI用于推荐系统。那已经是20年前的事了。

然后他们开始创作自己的原创内容。这也为AI提供了另一个发展步骤，因为他们可以分析内容并选择、订购他们已经知道会起作用的内容类型。这也与AI有关，因为特别是对于Netflix来说，他们拥有微内容系统。

流派，他们仍然拥有这种系统，了解观众行为以及在早期阶段使用AI工具来理解内容，您可以从一开始就订购正确的内容。通过这种方式，他们可以用更窄的目录获得更大的受众。因此，如果您将其视为两个阶段，那么我们还可以命名第三个阶段。这是

我们看到从Chat GPT开始的阶段，就像电影行业的每个行业一样，我们看到了更多应用。这也改变了行业的采用率。我们在过去的六七年里衡量了行业对AI工具使用率的采用情况。采用率为1%到2%。

当我们开始Largo AI时，现在大约是30%。这是一个巨大的进步。这是一个进步，尽管发生了像罢工这样的事情。好莱坞也发生了两次大罢工，部分原因也是针对AI的。是的。而且，你知道，也许只是为了稍微深入一点，有些人可能会认为是某种

或者首先出现在他们脑海中关于AI和电影的东西，也许是他们在实际的视频生成方面或改变视觉效果方面看到的东西。但听起来你谈论的范围更广一些，在电影行业的运营方面。所以你能给我们描绘一下……也许问题是……

AI如何在AI行业的各个部分使用的一种总体分类。我知道你正在深入研究其中的某些部分，但也许你可以帮助我们更普遍地理解它可以使用的不同类别或方式。是的，我认为为此，了解电影发展的链条很重要。电影是一个非常大的项目，需要很多年才能

作为观众，我们只在屏幕上看到最终结果。但任何电影都有四个主要发展阶段。第一部分是整体故事的发展，然后是前期制作，我们将人们与故事联系起来并筹集预算的阶段。

然后我们有制作和后期制作以及发行阶段。所以在任何阶段，都有很多人参与其中，有很多工作要做，许多项目无法完成所有这些过程。实际上，例如，从开发到前期制作，已经有90%的电影被淘汰了。

甚至在开发阶段，也有大量的项目被淘汰。例如，有一些编剧创作的剧本从未被制片人选中。但在每一个步骤中，都有很多工作要做。最终，显然，目标是将它搬上银幕。但只有少数项目能够达到这个阶段。

所以在这里，当然，最吸引人的部分是文本到视频，视觉部分。但对于所有其他部分，都有AI的应用，实际上AI的使用有很大的好处。这也是我们关注的重点。我们更关注AI在早期阶段的使用，了解内容、角色、演员阵容等。

并预测财务结果，以帮助为项目筹集预算。但当然，后期制作、制作方面也有强大的应用，使用新的文本到图像工具，我们还会看到更多有前景的应用，我们最近也看到了。最近，谷歌VO3已经发布，它

令人惊叹。实际上，结果看起来令人惊叹。这仍然会显著改变后期制作和制作部分。我们仍然会观察到，尤其是在真人电影方面，在这个阶段还没有足够的强大应用。但这里的重点是总结一下，对于每一个步骤来说，

都有重要的努力。有些部分对观众来说是不可见的。对于每一个步骤，都有我们可以应用的AI工具类型。是的。而且，当然，对于可能大多数没有直接参与电影制作任何这些阶段的观众来说，

也许除了在Netflix或任何其他场所观看之外。但你能让我们了解一下在每个阶段投入的投资以及在时间和

人员和规模方面投入的努力吗？是的。就资金而言，最大的投资是在制作和发行阶段，在制作阶段，只是为了在片场制作内容。然后我还包括后期制作预算在内。然后发行是用于支出营销预算的部分。好的。

所以这些是，从投资的角度来看，这些是最大的部分。但就时间而言，对于大多数电影来说，它们实际上并非如此。对于许多项目来说，开发和前期制作阶段需要更多的时间。有些项目甚至需要六七年时间进行开发或前期制作。

这里最大的挑战是说服许多人参与一个项目。在这样做的过程中，你需要进行大量的迭代。制片人、编剧甚至导演都可能参与到这个阶段。所以你创造了一个故事。

如果让周围的人参与到这个故事中，你需要找到人来为这个项目投资。这可能是工作室、投资者等等。这实际上通常是大多数项目中最困难的步骤。总的来说，大多数项目实际上都不好。这也是……

一个现实，我们也可以在我们的AI系统中看到这一点，我们有制片人，他们提交他们的项目以获得财务结果。在大多数情况下，它表明项目将会失败。

因为，是的，我的意思是，找到一个好的项目并非易事，它需要大量的工作，大量的学习。这就是为什么在这个阶段的AI工具可以非常非常有帮助，非常关键。对于制片人、电影制作人来说，

未来的最大障碍是在当前项目中失败，因为这也是为下一个项目打开大门的一种方式，或者不是。这就是为什么，这就是为什么确保项目成功非常关键的原因。是的。这对我来说非常有趣，你专注于这个方向。

我想我听到的是，这些项目的早期阶段有一些噪音，你有很多可能不错的项目与很多噪音混合在一起。很难从中解析出来。此外，对于那些可能已经写了故事或正在推广项目制作的人来说，也许很难……

从你的角度来看，这种技术（我们将会深入了解你们正在做的事情），但总的来说，在挖掘、将技术带入这些早期阶段方面，这是否改变了小型工作室、编剧或鲜为人知的人的动态，

他们可以使用技术来帮助他们在与大型工作室或知名人士的竞争中处于更公平的竞争地位。这种动态是如何变化的，或者它是否变化了？绝对是的，是的。我的意思是，AI和新技术为小型制作公司创造了更多机会

我的意思是，如果你从工作室的角度来看，他们尤其是在早期阶段，拥有大量的资源来了解内容是否会成功。他们有经验，但他们可以进行许多研究，包括在早期阶段进行焦点小组。

所以这些东西对于早期阶段、新人或小型制作公司来说是不可用的。

在开发阶段，你没有电影预算。你还没有筹集资金。所以如果你幸运的话，你仍然可以找到一些人或一些机构在开发阶段投资。如果没有，他们会利用自己的资源来了解内容是否会成功。这就是为什么在这个阶段使用AI工具是一种非常具有成本效益和时间效益的方法。

了解内容潜在成功的一种方式。这对于后期阶段也是一样的，顺便说一下，因为我们会看到制作、后期制作的成本会随着AI工具的出现而大幅降低。如果1亿美元的预算可以用100万美元的预算来制作，

那将会改变整个生态系统，对吧？因为100万到1000万美元预算的电影可以由独立制片人制作，但1亿美元的不行。我们也将在未来几年看到所有这些变化。

好的，朋友们，使用Agency（A-G-N-T-C-Y）构建多代理软件的未来。Agency是一个开源集体，正在构建代理互联网。这是一个协作层，AI代理可以在其中发现、连接并在框架之间工作。对于开发人员来说，这意味着标准化的代理发现工具、无缝的代理间通信协议以及用于协作的模块化组件

和扩展多代理工作流。加入Crew AI、Langchain、Lambda Index、Browser Base、思科以及其他数十家公司。Agency正在发布代码、规范和服务。没有任何附加条件。您现在可以与其他关心高质量多代理软件的工程师一起构建。访问agency.org并添加您的支持。那是

A-G-N-T-C-Y.org。Sami，我们已经谈到了或参考了一些Largo AI以及你们深入研究这些早期阶段的方式。现在，你能给我们深入了解一下你们正在做的事情吗？你能给我们讲一下Largo的背景故事吗？它是怎么产生的？最初的想法是什么？显然，你提到……

我认为你说过，它已经存在六年了。所以这是在最新的AI热潮之前，至少就公众的认知而言是这样。所以，是的，给我们讲一下背景故事。我很想知道这一切是如何发生的。是的，当然。我会把它与我的个人背景联系起来，因为这就是Largo开始的方式，Largo的故事开始于此。我在……获得了博士学位……

在瑞士洛桑的EPFL大学，研究领域是计算美学，利用计算机来理解艺术和生成艺术。电影也是其中的一个子领域。所以这是技术部分，技术科学部分。但与此同时，我

也担任一些小型项目的导演和制片人。我也在创意方面工作，就像亲自动手一样。在我自己的项目中工作时，也担任工程师主管，我一直很好奇为什么我们没有

一种类似于音乐的电影表现方式。因为我们可以用乐谱来表示音乐，这提供了一种理解不同流派特定格式或节奏和结构类型的方式。这并没有使音乐不那么有创意。

相反，它实际上使音乐更有创意，因为你可以专注于特定的结构并深入研究。当你提到这种乐谱或结构时，你的意思是，你知道，像一首流行歌曲之类的歌曲有主歌、副歌、主歌、桥段等等。或者即使在音乐上，也有小节和其他类似的东西。

没错。所有这些东西。在电影中，有一些结构，但这些结构过于公式化。它不像同一种类型，像这些低级结构。

这也是我很好奇的一点。这也是我当时与我的博士生导师分享的东西。所以我们在这方面做了一些工作。我们一直在思考如何为电影创造类似的结构。这对于从事创意工作的人和机器都有用。因为理解和学习

电影对于机器来说也很困难，因为电影是两个小时的内容，所有的画面，数百万像素，或者剧本是数百页的内容，你需要将它与所有元数据关联起来。但甚至没有足够的数据样本来自信地学习这些。

所以如果我们可以以更结构化的方式，在更小的空间、更小的向量空间中表示任何电影，那么机器从中学习就更容易了。但这就是我们的出发点。正是从这个出发点，我们创造了这个，我们称之为流派配方、情感配方。所以这就像我们将任何电影放在九维流派空间中一样。

然后，例如，假设是戏剧。戏剧就像这些模式之一。你发现戏剧是如何随着故事从头到尾发展变化的。喜剧、浪漫、惊悚、恐怖也是如此。通过这种方式，我们可以在时间线上获得电影、电视剧或任何内容的地图。这可以来自剧本或内容的直接视频素材。

所以这对我们来说是电影的基本表示。这就是我们的出发点。有了这个，当然，然后我们又加入了许多其他的点，元数据，比如演员、预算，所有其他的内容。

这成为电影的表示。所以这是，我们开始将这些作为基础，既可以作为对创意人员的反馈，这样他们就可以看到内容的真实结构，也可以作为机器的基础。一旦机器从这种类型的数据中学习，学习就容易多了。例如，更容易学习财务预测、票房预测、流媒体预测。

是的，是的，这说得通。我可以想象一下，戏剧或喜剧在电影的弧线上上下波动。所以这给出了对电影的理解水平，我想。那么这如何更具体地联系起来呢？这如何联系到

是的，我的意思是，对于制作电影来说，有三个重要的因素。第一个是内容本身。第二部分是参与的人，主要是演员阵容。然后第三部分是内容本身。

第三部分是财务部分，预算和预期回报。我们的预测见解也在这三个主要类别中。因此，内容分析提供了与内容的优缺点以及观众对该内容的情感反应相关的见解。角色选角部分是关于理解角色，

然后提出选角建议，以便AI为这个角色提出建议，例如，哪个演员最适合，然后第三部分是财务部分，在这里，对于这部分，它直接预测这部电影在给定的内容以及所有投资的资金和其他元数据（如附带的演员、导演等）的情况下会赚多少钱

当然，这部分有很多子部分，因为这部分也与了解观众有关，因为你赚多少钱与了解观众写作、正确的营销等有关。所以它会更深入地预测特定国家的观众的人口统计数据，并且

除此之外，我们还有模拟焦点小组，这是我们最令人兴奋的工具之一。在那里，你可以真正从观众那里获得定量和定性的反馈。是的，太好了。我……

我想知道，因为在你谈到的早期阶段，比如确定制作什么类型的内容、选角等等，我假设资产，我现在更多地是从技术方面考虑。

你必须用来工作的资产，我想，是剧本以及其他一些东西。你能谈谈一下这个的输入吗？比如，要从这样的系统中获得良好的结果，需要什么？绝对的。

作为起点。是的，这取决于阶段。但如果从非常早期的阶段开始，系统至少需要一个处理方案。处理方案是一个非常简短的、早期的故事版本。通常，它甚至可以只有两三页。在稍后的阶段，它将是一个剧本。它就像电影的完整故事情节。

进入剧本阶段，与此同时，系统还会要求提供基本的包装信息。因为一个剧本，如果你考虑财务预测，一个剧本可以赚任何钱，好坏皆可。它可以赚任何钱，因为赚多少钱也与将人们与该项目联系起来以及预算有关，已经投入了多少预算。

按照目前的标准，让我们假设一下，如果你试图用100万美元的预算制作一部完美的科幻剧本，我们可以说结果会非常非常糟糕。即使对于普通人来说，这也不难判断。但是，是的，我的意思是，我也会发出同样的警告。所以实际上，在这种情况下，就像我们总是说的那样，内容为王。这非常重要。但一旦我们看到……

一旦我们列出制作电影的所有要素并查看AI学习，我们就会看到对财务结果影响最大的参数是预算。这并不意味着拥有高预算。这意味着正确的预算，特别是对于良好的投资回报率而言。有时，有些电影的预算比他们需要的要多得多。然后让它发挥作用就变得非常困难。

让为该项目工作的人们获利。

是的，而且对于那些可能不在电影行业工作，但可能正在模拟其他行业中的其他事物或不同类型的生产过程或任何其他可能与电影无关的事物从业者来说，实际上，也许你构建的Largo系统……

在各种类型的预测上，它有不同的阶段。我假设，你知道，现在有一种误解，我认为这被Gen AI加剧了，你有一个模型，你输入一个东西，然后你得到所有输出。我假设你已经开发多年的系统涉及一个

多个模型，也许它们做不同的事情，就像你提到的一个模型是关于检测或映射这些流派分布或电影中的语义，我假设这些事情的不同阶段涉及不同的模型，也许你知道

财务预测模型与产生流派结果的模型不同。你能在高层次上让我们了解一下这个作为一个系统是如何组合在一起的吗？是的，当然。你是对的，我们有很多模型。所以使用我们用于流派预测和财务预测的模型，

它不会起作用，因为特别是财务预测通常与内容理解模型相比，是更浅层的模型，后者是更深层的模型。

所以这也是当前AI浪潮中的一件重要的事情，LLM非常擅长回答许多问题。但即使是像LLM、甚至ChatGPT这样的东西，我们也看到它们有很多模型。实际上，每个模型在不同类型的解决方案上都更好。当然，对我们来说也是如此。所以我们有针对每种类型的任务，我们有不同的模型。我们还有两个主要类别。一个类别是

是用于从过去数据中学习的模型，它使用这种学习来对新内容进行预测。这是一种学习方式。第二种学习是学习观众。在那里，我们所做的是基本上创建现实人物的数字孪生体。

所以我们没有学习任何与内容相关的东西。我们学习人本身。然后我们将内容展示给这些现实人物的数字孪生体。实际上，第二个方法的优势在于几乎不会错过异常值。因为像只从过去的数据中学习一样，一个很大的危险是，是的，在团队行业中，我们经常会遇到异常值。好的，对于一般内容，

我们可以成功地进行预测，但我们总是可以有一些完全新的东西，我们不了解这种类型内容的观众行为。该模型会错过这一点。

但是使用第二种方法，使用数字孪生方法，我们甚至可以捕捉到异常值，因为你更接近人类。你已经在创造他们的数字孪生体了，而这些数字孪生体的寿命非常短，比如一年。所以你非常接近人们的当前行为。它也非常成功地捕捉到了新的方法。

好吧，我对你们构建的这种工具系统非常感兴趣，它在电影创作、电影制作过程的各个方面都有帮助。

我想知道的是，就……而言，这可能是许多人在谈到AI模型和内容，特别是艺术、电影或图像等方面时想到的事情。显然，你需要某种参考数据来训练模型并帮助它们在那里产生结果。

也许对于财务预测或其他什么，你知道一部电影带来了多少收入，等等，这是一个公开的信息。我不确定实际上有多少是公开信息。不是全部，但是，是的。是的，所以基本上我的问题是，你如何在这样一个行业中创建你需要的数据库，在这个行业中，当然有很多比例

专有或受版权保护的内容，等等。对于你们公司来说，这看起来是什么样的？是的，我的意思是，有一些公开数据我们可以学习，例如，电影摘要。这就像一个相当公开的或电影元数据，比如谁参与了

每部电影。所以已经有许多公开数据或票房数据，比如他们做了多少，这对于大多数电影来说都是公开宣布的。但也有一些数据类型是无法公开获得的。其中最重要的一种是流媒体数据。

流媒体平台不提供数据。Netflix最近开始发布一些关于收视率的数据，但仍然非常有限。而且，是的，像没有这种类型的数据一样，正在塑造行业，不仅仅是从AI的角度来看，因为我们知道许多制片人都在抱怨没有这些数据。

因为一部电影的价值与观众规模密切相关。这种关系在票房上非常清楚，因为你只是把电影放在票房上，你就能获得与售出的门票一样多的钱。

但这种关系，至少从制片人的角度来看，在流媒体平台上并不清楚。当然，平台本身知道他们可以在自己的网站上创造流量，但这变得有点片面了。这已经成为一个问题。我们也进行流媒体预测。我们采用的方法是在过去分析社交噪音。我们创建了模型……

将社交噪音与家庭收视率相关联。从那时起，我们甚至开始创建公平价值计算。所以基本上，如果流媒体平台正在支付，

根据家庭收视率份额，考虑到他们的订阅收入，他们应该支付多少钱。我们也进行这种公平价值计算。当然，这与他们支付的金额无关，因为他们根据自己的计算来支付。这就是我们计算的方式。我们说如果它是公开的，像票房一样，

这将是电影的形状。所以是的，我的意思是，数据部分就是这样。显然，不同的模型需要不同类型的数据内容模型。我们查看更多内容数据，财务模型，查看内容元数据和财务结果。

然后再次，在这里，我们对数据的依赖性随着我们的模拟焦点小组、这种数字孪生方法而有所减少，因为在那里你不需要任何方式来传递电影数据。因为我们只是得到人们的数字孪生体，所以他们的反应就成为我们的数据，它就像它已经告诉我们电影的表现如何一样。

在你谈到你们构建的这个平台时，一直在我的脑海中浮现的一件事，这非常吸引人，在我脑海中出现的是，好吧，为什么我们不把这个东西做成一个循环呢？如果我们有这个整个过程，它可以给我们这些预测，并将正确的演员阵容组合在一起，以及所有这些事情，有一件事要说，好吧，我们可以输入一个剧本或一个剧本

进入这个过程的输入，然后创建所有这些预测，并帮助他们计划什么阻止我们，或者也许没有什么阻止我们只是将反馈循环回来并修改屏幕播放器脚本，并

以一种更有利的方式更新预测。这是否已经被讨论过或成为讨论的一部分？是的，我的意思是，由于几个原因，这并不容易。当然，有了模型，你可以将其放入循环中并进行持续改进，甚至可以自动进行。

但即便如此，我的意思是，达到完美并非易事。因为，你知道，即使在当前阶段，我们的财务预测模型的准确率也只有 80%，这对于许多机器学习模型来说可能看起来很低，因为它们的准确率可以达到 95%、97%、99%。

很难超过 80%，因为有很多因素你无法控制。因为一部电影的成功与观众的行为息息相关，而观众的行为甚至可能在短期内迅速变化。一场大的自然灾害会改变所有的氛围，或者一些政治局势会改变整体的行为。比如突然出现热浪，

例如，对于一部票房电影来说，他们并没有计算到这一点。然后人们去海滩而不是电影院。所以有很多因素是你仍然无法完全理解的。

完全确定，因为它与具有许多参与者的观众行为有关。这是一个因素。第二个因素是创意人员的动态，因为电影是由许多人完成的。许多人都在为某些决定做出贡献。

不像有人可以说，嘿，让我把这个剧本改得更好，人们也更好，等等，让我们进入下一阶段。不，因为有很多公司参与其中。

所以你仍然需要在许多人之间达成很多协议。我认为这也是一个障碍点，即使我们有一个机器循环，让它变得更好，那也不容易实现。也许将来会更多，但是，如果机器一直在循环而没有人工干预，那也可能……

也会创作出太多类似的电影，当然，这也很危险。是的，是的。也许关于这一点，我还有另一个问题，你实际上刚才已经顺便提到了，那就是异常值。我认为，你知道，可能有一些人认为，好吧，是的，

我已经看到了 AI 对内容做了些什么，比如在领英上。我去领英，那里只是一堆 AI 生成的帖子，它们都差不多，对吧？它们看起来都差不多，对吧？我认为……

在这里，我们更多的是在谈论预测、模拟、焦点小组等等。但可能有些人会说，这真的很好。你可以磨练它，显然可以帮助这些。正如我们所讨论的，这确实有益于帮助小型工作室，为他们提供工具，用技术增强他们。这是一件非常了不起的事情。

但还可能有人会说，如果我们开始做这种预测，每个人都会追求同样的事情，或者试图达到相同的指标。那么艺术性呢？我相信即使听到你的背景，这也很可能是你……

热爱这种艺术和内容的原因，对吧？是的，我们很想听听你对此的看法。是的，我认为这是一个非常重要的点。首先，在我们的产品中，我们不会为了这个原因而进行反向处理。所以它始终是正向过程。这就是我的意思。所以我们总是将人工内容作为输入，然后我们提供

所有 AI 的见解，然后他们做出决定，然后他们再次前进。所以我们不会告诉他们，嘿，你应该做这种类型的内容，写这种类型的故事。那是反面。所以我们不做这种反向的表达。我认为这样做的一个原因正是这种危险，因为我们认为如果你做正向处理，AI 将增强创造力，而

反向处理，它可能会创造出太多类似的内容。这绝对是一件事。我们也可以在我们正在关注的正向处理的结果中看到，

内容的变化和改进确实非常棒，因为有了 AI 的见解，人类又可以对此进行即兴创作。它给了他们灵感去做一些不同的事情。这太令人惊奇了。这就是我告诉你的，我的意思是，我认为我们不应该把 AI 只会让所有内容都一样放在一个篮子里。

或者说它会增强创造力。我认为这真的取决于你如何使用它。是的。这也是与恐惧相关的一件事，因为我们看到很多人对此感到恐惧，尤其是在电影行业。

好莱坞发生的罢工也与之相关。所以，我的意思是，在我们看来，要打败一个人，比如一个非常优秀的编剧，

电影制作人，要打败他们使用 AI 的版本是非常困难的。这就是我们看到的，因为普通人现在也可以使用 ChatGPT 来写剧本。但这总是很普通。

如果一个非常优秀的编剧也使用 AI 来写剧本，那么要达到那个水平是很困难的。所以我们会看到这个门槛会越来越高。但同样，要超过这个门槛，我们需要这个领域真正有技能的人。是的。

是的，你已经开始谈到这个了。但是，当我们接近尾声时，我很想听听你对这项技术在这个行业中越来越普及后你真正感到兴奋的事情的看法。你知道，展望未来一两年，你对什么感到兴奋？你期待看到什么？你兴奋地想看到什么？好吧，我兴奋的是首先是制作预算。我认为……

制作预算会下降。这意味着我们将看到更多电影的制作。我们将有一些内容膨胀。但正因为如此，我认为也会有更多竞争。我们将增强那里的创造力。

我认为我们将看到更好的电影。这并不意味着我们没有好的电影。我们肯定有很多来自优秀导演的优秀电影，但我们将看到更多这样的电影。这对观众来说是个好消息。但当然，这也会给行业本身带来一些问题，因为他们的工作方式将会改变。我认为这将更像一场频率游戏。

所以一个优秀的电影制作人，比如说他们每年制作一部电影，也许现在他们会制作两部、三部。

太棒了。是的，我当然期待着观看你正在帮助制作的一些优秀内容。所以，谢谢你所做的工作。感谢你多年来深入研究这个问题，并在某种程度上真正地在这个行业中进行创新，我认为这是一种负责任的方式，它促进了人类对这一过程的增强，并以人类

作为飞行员。非常感谢你的观点。感谢你加入 Sami，希望你能再次参加我们的节目。是的，非常感谢你。我非常享受这次谈话。谢谢。

好了，这就是我们本周的节目。如果你还没有查看我们的 ChangeLog 时事通讯，请访问 changelog.com/news。在那里你会发现 29 个理由，是的，29 个理由说明你应该订阅。

我会告诉你第 17 个理由，你实际上可能会开始期待星期一。听起来好像有人得了星期一的病。changelog.com/news 还有 28 个理由在等着你。再次感谢我们在 Fly.io 的合作伙伴、Breakmaster Cylinder 的节拍以及你们的收听。现在就到这里，我们下次再聊。♪