Democratizing Data in Hollywood: Jumpcut’s Kartik Hosanagar
28:41 Share

今天，我们播放的是由我们的朋友 Modern CTO Podcast 制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式 AI 的兴起，在技术方面取得成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在 Apple Podcast、Spotify 或您收听播客的任何地方找到 Modern CTO Podcast。

在风险规避盛行的行业中，人工智能如何帮助将新的想法和产品推向市场？今天，当我们与沃顿商学院教授兼 JumpCut（一家帮助以前未被发现的人才制作电影和电视节目的创业公司）创始人 Karthik Vasanagar 谈话时，您将找到答案。欢迎收听《我和 AI》，这是一档关于商业中人工智能的播客。在每一期节目中，我们都会向您介绍一位使用 AI 进行创新的人。我是萨姆·兰斯博瑟姆，波士顿学院信息系统教授。

我还是麻省理工学院斯隆管理评论 AI 与商业战略大创意项目的客座编辑。我是谢尔文·霍达班德，BCG 高级合伙人，我与人共同领导 BCG 在北美的 AI 实践。

麻省理工学院 SMR 和 BCG 共同研究 AI 已有五年时间，采访了数百名从业人员，并对数千家公司进行了调查，了解如何在整个组织中构建、部署和扩展 AI 能力，并真正改变组织的运作方式。

今天，我们与 Karthik Hossanagar 谈话。他是沃顿商学院的教授，也是 JumpCut 的创始人兼首席执行官。Karthik，感谢您加入我们，欢迎。非常感谢您邀请我，Sam 和 Shervin。对我来说，这有点不同寻常的采访，因为我在学术界认识 Karthik 已有多年。但是，Karthik，您的最新项目是 JumpCut。我认为这个想法基本上是帮助为好莱坞提供新的和新鲜的故事。您能告诉我们一些关于这方面的信息吗？

我的新创业公司，正如您提到的那样，叫做 Jump Cut。我们正在做的本质上是尝试创建一个新的数据驱动型工作室，重新构想电影和电视节目的开发方式，其具体目标是提升新鲜的声音。让我对这方面感兴趣的背景是，好莱坞历史上一直是一个老男孩俱乐部。

少数高管决定制作哪些电影，电影中有哪些人，预算多少。所有这些都几乎完全基于直觉和人际关系。你知道，谁认识谁。

这种决策方式是有成本的。有经济成本。你知道，好莱坞历史上一直胜率很低。还有社会成本。几乎从任何衡量标准来看，好莱坞都不是一个特别包容的行业。然后是观众的成本。因此，我们试图打破这种模式，并使用数据做出更客观、更好的决策。但是最终……

通过这样做，我们可以根据其优点来评估故事讲述者和故事，而不是，你知道，谁与谁有联系，或者仅仅是少数人的直觉。这就是我们试图使用数据使好莱坞民主化的方式。我的意思是，也许你的世界与我的世界略有不同，但是，你知道，我的课堂上没有电影高管。那么您是如何想到这个主意，又是如何最终创建 Jump Cut 的呢？

是的，很有趣。我的课堂上也没有电影高管，Sam。你知道我和朱莉娅·罗伯茨是高中同学吗？所以，我的意思是，那里有一种联系。但是无论如何，对不起，继续说。好吧，我希望你仍然与你的高中保持联系。不幸的是，这是社交媒体之前的时代，我在那个时代犯了很多悲惨的错误。但是无论如何，这是另一个时候的悲伤故事。对，对。是的。

是的，期待着以后再聊这个故事。但是，回到你的问题，是什么让我对这方面感兴趣的呢？我一直对内容、讲故事和电影感兴趣。我实际上是一位业余电影制作人。所以当我……

是一位新获得终身教职的教授，而且我没有孩子的时候。你知道，这是一个有趣的组合，我的周末可以自己支配。所以我过去会制作短片，然后把它们发布到 YouTube 上。这真的是我的一个有趣的爱好。事实上，在我第一次从沃顿休假期间，我写了一个剧本。我飞到孟买，在那里会见了众多电影制作人，并向他们推销我的剧本。许多人都很喜欢。

但是，你知道，许多人给出的常见回应是，我们真的很喜欢这个，但是我们如何才能在一个完全陌生的编剧和导演身上下注呢？其中一人说，我会买你的剧本，但我不能让你执导。你可能很棒，但我就是不能让你执导，因为我不能去找融资人和演员，让他们在一个新的声音导演身上下注。

所以，你知道，我当时的回应是，公平合理，说得通。我明白你为什么不能这样做。但与此同时，我不想放弃我的剧本。所以我回来了。

然后我的休假结束了。所以回到了沃顿，回到了教学等等。但多年来，我遇到了许多编剧和导演，他们表达了类似的观点。我的一位朋友告诉我，他花了 15 年时间才进入这个行业。他是一位成功的编剧兼导演，他的第一次机会花了 15 年时间。我经常听到这样的话。近年来，我们看到

像《逃出绝命镇》或《怪奇物语》这样真正成功的电影或节目来自非常意想不到的地方。我一直对这个领域着迷。最初，它只是一个爱好。但有一天，我突然觉得我看到的这个问题是我自己的技能和数据可能有一些相关性，可以用来解决。

这实际上非常有趣，因为这里有几个角度的故事。一个是公平的角度和社会角度，给予那些应该并且有能力的人

他们可能无法获得的声音，然后是更商业化、数据驱动的角度，这让我想到棒球中的“钱球”或承保，你知道，给予那些没有信用记录的人信用，因为他们移民到这个国家，

但事实上，他们刚刚来到这里，他们在个人资料、背景和教育方面都非常完美，能够根据许多属性和特征来评估人才，并对那些说“我该如何在你身上下注，因为我对你一无所知？”的高管进行风险评估。

是的，绝对的。你在这里用了一个非常有趣的词。你谈到了降低风险。你谈到了信用申请，以及申请的人，我们如何降低他们的风险？很多事情都与风险有关。如果你看看好莱坞，我意识到的一件大事是，好莱坞想冒险。他们了解不平等的问题。他们明白这个行业并不包容。

但每个人都担心风险问题。对我来说有趣的是，好莱坞的许多高管告诉我，好吧，你知道，每个人都如此规避风险的原因是，如果你和布拉德·皮特一起拍一部电影，而它没有成功，你不会因为下了这个赌注而丢掉工作。但你对一些新的、意想不到的事情下注，而它没有成功，你将需要解释一下。你为什么下这个赌注？

你知道，这不是我们过去做的那种赌注。我记得在某个时候，我甚至读到一个关于电影的统计数据，上面说大约 74% 的最高票房电影都是续集或现有 IP 的改编作品。因此，没有人愿意冒险尝试一些新的东西。对于局外人来说，一切都是续集。我想知道为什么它必须是一本畅销书或某种

漫画书才能被制作出来？为什么不能是一个原创剧本或一个原创想法？它回到了，哦，是的，因为 IP 的风险已经降低了。但我得到的见解是，IP 并不是降低风险的唯一方法。还有其他方法可以降低风险。这就是我们处理它的方式。它主要有三个部分，我会在高层次上提到每一个，然后你会告诉我是否有任何值得深入探讨的部分。

首先，我们如何发现故事和故事讲述者？好莱坞的经典方法是，工作室从经纪人那里获得剧本的投稿，经纪人代表人才，而系统之外的人，他们没有能与他们联系的教父，或者没有现成的联系。因此，我们首先要解决的问题是如何找到系统之外的故事和故事讲述者？

因此，为此，我们所做的一件事是，我们的算法正在评估 YouTube、Reddit 甚至 Wattpad 等其他平台上的内容以及创作者。我们在这些平台上做的事情，我将以 YouTube 为例。

如果一位编剧或导演创作了短片并发布了这些短片，并且这些短片已经引起了观众的共鸣，那么我们会尝试发现他们。所以我们的想法是在他们所在的地方找到他们，无论哪个国家，无论哪个平台，然后在那里发现他们。本质上，算法和分析试图分析内容以寻找

高制作价值，例如，您可以从视频中的画面和图像中推断出来。您正在寻找强大的故事讲述和强大的观众回应，您可以从对这些视频甚至文本故事的回应中引发的评论类型中推断出来。因此，您可以为我们的创意团队筛选出一组故事或故事讲述者。

所以不是 AI 做出决定，而是 AI 使人类更高效。因为如果我有一个创意团队必须仔细搜索 YouTube 以找到人们

大海捞针，我需要一个庞大的团队和几年时间才能梳理 YouTube 上的 25 万部短片。或者只是我的两个孩子。好吧，那是真的。这也有效。除了我认为他们只会给我发送 Minecraft 视频之类的东西。鉴于他们观看 YouTube 的时间之多。但我离题了。对不起，请继续。

让我们在这里打断一下。我的意思是，这有点像，这与谢尔文提到的“钱球”问题相反。因为在“钱球”中，你拥有这些人，而问题在于找出哪些人优秀。你更关注的是扩大搜索空间。在我们能够说出哪些故事值得下注之前，在我们能够做到这一点之前，我们想知道我们正在查看的人和故事的池子，是否是正确的池子，或者是否是完整的池子？

如果我们不扩大池子，我们就无法解决包容性问题。我们与经纪人合作。我们也与经验丰富的作家合作。但除此之外，你知道，我们正在积极寻找新人，而不是等待他们被经纪人发现。然后经纪人将他们转给我们，而是找到他们所在的地方。

好的。所以这是第一个。是的。对不起。你将继续进行第二和第三个。是的。是的。第二个是，同样，我们如何降低他们的风险，对吧？所以一旦我们找到某人，事实证明他们有，我们问他们，嘿，你有没有故事给我们？他们没有一个，他们有 15 个。然后我们听到他们或阅读他们，我们对其中一些感到兴奋。我们想弄清楚如何在这个问题上加入一些客观性？这就是数据发挥作用的地方。并且

其中一些是回顾性的，这是经典的机器学习方法，即让我们看看哪些数据做得很好。这可能是哪些电影做得很好，但也可能是哪些故事正在流行。它甚至可能是搜索查询，并查看文化潮流在哪里？人们去哪里？并了解我们拥有的哪些故事

是我们认为观众会喜欢的。但这并不是全部，因为我认为只要我们回顾过去，看看哪些有效，这是一种根本上保守的方法，因为我们将做更多过去有效的事情。这是续集问题。续集问题。我们将被困在那里。因此，我们必须解决的另一个问题是如何对从未做过的事情下注？

而且历史上没有成功。这就是我们引入 A/B 测试和实验思想的地方。我们在网上与许多观众互动，向他们推销故事，并让多个故事相互竞争，看看人们最喜欢哪些故事。我们将基于过去数据的经典机器学习与数字实验相结合。

我们正在进行这些实验，然后弄清楚，你知道，不仅仅是我们喜欢的哪些故事，而且有时还包括诸如此类的问题，而这一切都是假设驱动的。它实际上也创造了非常有趣的突破。例如，我们正在制作的一个节目，是与一位资深作家合作的。他有一个……

有趣科幻故事，这是一个非常高预算的节目。他来找我们说，如果我必须卖掉这个，那么必须是这个节目面向所有观众，因为预算的原因，它不能只面向小众观众。你的数据能否帮助证明这是一个面向所有观众的节目？

我们说，好吧，让我们测试一下。我们测试了它，结果测试结果超出了图表。我回到他那里，我说，它几乎是一个面向所有观众的节目。测试结果超出了图表。Z 世代、X 世代、千禧一代，无论年龄段如何，他们都在回应。科幻、戏剧，所有这些不同的观众，喜欢科幻的人都在回应，但不喜欢科幻或戏剧的人也在回应。

美国人正在回应。国际市场的民众也在回应。所以这一切都很好，但是女性没有回应。我说，好吧，这就是正在发生的事情。他的第一反应是，我们不能带着这种数据去见买家，因为这会损害节目。那是我们最初的反应，那就是对此进行防御。我们可以隐藏这些数据吗？我们可以不显示它等等？然后当我们谈论的时候，就像，为什么女性没有回应？出了什么问题？我们有这个

节目，你知道，里面有三个主要角色。里面有一个女人。有两个男性角色。为了简化起见，我只会说有一个好人，有一个坏人，然后是节目中的女人。当我们谈论它时，你知道，我们意识到，看，节目中的女人似乎没有足够的自主权。她没有动力。女性角色正在迎合男性角色的动机。

他意识到他正以这种心态来处理它，而且他没有认真考虑，你知道，其中有什么，是什么在驱动她。然后他重新构想了女性角色。现在这个，你知道，我正在深入细节，但现在女性角色是一种基因编辑的女性，你知道，经过改造，她拥有超能力或特殊能力等等。突然之间，当我们测试新版本时，女性开始回应它。

现在这个想法得到了改进。这不像没有灵魂的数据告诉你需要在第 13 页插入追逐场景以增加观众。这是假设，并询问，我的故事缺少什么？真正改进创意决策，非常以人为本，但数据驱动。这非常令人兴奋。我特别喜欢的是，Kartik，

你正在闯入判断驱动型决策的最后一个堡垒，对吧？我的意思是，如果你想想 20 年前，贷款员对谁将获得贷款做出判断，然后快进到 10 年前，零售商决定他或她应该收取什么价格，或者他应该如何……

补充货架。所有这些行业都已通过数据和分析彻底改变，他们正在做出真正的数据驱动型决策，他们正在进行测试和学习，并且他们正在进行纠正。我们在娱乐业中看到了很多这样的情况，但许多工作室仍然非常依赖判断。我认为这非常有趣，因为这是这个行业开始的开始。所以，为你做这件事表示敬意。

好吧，谢谢你说这些。我的意思是，我非常兴奋地将数据应用于人们最怀疑数据是否应该在这里使用的地方。虽然，你知道，我们正在在这个领域找到价值，但我还要说，好莱坞对数据是否应该发挥作用有足够的怀疑者，甚至更多。有时甚至会误解什么是数据。

有时是，哦，有一个 AI 系统正在做出所有决定，而我只是，我再也没有什么作用了。我认为有很多空间可以发挥主观性，但我们看待数据的方式是如何成为一个有用的工具。希望在 5 年、10 年后，我们可以建立数据可以做什么的记录。这可能会改变整个行业的思维方式。

我确实看到了很多这样的反应，说，哦，数据在创意方面没有作用。但我看到了另一种反应。那很有趣。我有一些业内人士说，这是不可避免的。Netflix 已经开始做一些这样的事情了。Netflix 强迫我们进入这个领域。所以我们必须开始做这件事。我们不妨与像你这样的人合作来了解这场游戏。

事实上，其中一人告诉我，你知道，这很简单，很直观。这是一位制作人告诉我的，当他的节目在 Netflix 上播出后，首先，在一两天内，Netflix 能够给他反馈，当然，关于他们认为他的整个第一季将如何发展。

到第一个月结束时，他们已经在讨论第二季了，因为 Netflix 能够预测事情会是什么样子。显然，他还被告知，关于观众最感兴趣的角色的信息。他们想在第二季早期杀死其中一个角色，但他们被告知，不，你不能这样做。那是你的主要角色。

所以这位制作人告诉我，是的，我的意思是，Netflix 已经开始推动我们做一些这样的事情了。不同之处在于 Netflix 的数据是在节目发布后才出现，而 JumpCut 试图在节目创建之前引入数据。但我认为他们中的一些人认为这是不可避免的，因为有像 Netflix 这样的公司，并且很乐意接受我们的方法。

是的，我有点惊讶，因为显然你几年前的书是关于算法的，我认为用你的话说，算法是如何塑造我们生活的。但这似乎是一个算法并没有真正塑造我们生活的领域。那么，你是如何让这些人关注数据的，以及如果历史上没有的话，算法呢？这不仅仅是讲述一个故事。你还必须推销一种方法。

在名为《人类的机器智能指南》的书中，我记录了 AI 以多种方式塑造我们生活的几个方面，正如 Sam 刚才提到的那样，包括电影世界的一些例子。例如，我谈到如何

在 Netflix 上，算法正在驱动我们的大部分消费。Netflix 的数据科学家发表的一篇论文说，Netflix 上大约 80% 的观看时间源于算法推荐。所以很明显，它正在塑造我们的生活，即使是在电影这样的环境中。但我认为，虽然它正在塑造我们的生活，当然是在我们如何消费内容方面，

内容的创作方式，业务方面并没有真正发展。所以供应方仍然看起来一样，即使需求已经被市场彻底重塑了。对我来说，你在做的事情与数据驱动型决策的演变有很多类似之处。

不是取代人类，而是基本上创造一个更聪明、更有效、更高效的人类。在零售、个性化和营销方面也完全一样。就像我说的那样，在我看来，娱乐和媒体一直是它的最后一个堡垒。我认为，正如 Kartik 所说，这更多的是风险问题，而不是其他任何问题。

我认为在你的另一本书中，你提到了鸡与蛋的问题。如果你没有关于人才的数据，你如何在没有一定程度的实验和一定程度的数据的情况下做出这些决定？然后，当然，还有像 Netflix 这样的颠覆者，他们迫使每个人都变得更加数据驱动，以此作为生存的方式。我想知道工作室在 10 年后是否能够在没有采取重大步骤的情况下生存下去。

对。我认为时机已经成熟。事实上，也许昨天就应该做这样的事情了，当然，这就是为什么，你知道，我去创建了 JumpCart。但我认为这是不可避免的，因为我们知道人类的判断有其很大的问题。显然，人类的判断在许多方面也很伟大，但我们有我们的偏见。我们以我们自己没有意识到的方式受到它们的影响。

拥有一个可以让我们摆脱这些偏见的工具，我认为我们应该接受它们，这毫无疑问。是的，时机已经成熟，应该在一些意想不到的领域这样做。我认为体育不是，再次，我不会猜到会有早期采用者的地方，但显然他们已经有了。他们已经证明了“钱球”式的方法是有效的。你真正需要的是……

为了将数据整合到决策过程中，你需要深入了解数据，知道何时依赖它，但也要知道何时质疑它。你有一个强大、有创意的观点。你将两者结合在一起。所以你几乎必须从头开始创建它，这就是为什么我们说我们不是数据洞察供应商。我们是一家正在创建一种真正的新型业务的公司，它将数据和创意结合在一起。

你必须真正地闭环，否则你就会遇到我认为许多数据驱动型决策的早期采用者所遇到的问题，那就是他们说，数据是我们未来的竞争优势。让我们尽可能多地获取它，并将其放入

某个 Hadoop 集群中的某个地方，只是为了知道我们无法对它做任何事情，因为我们没有考虑过。但是他们得到了它。他们得到了它。他们有数据，对吧？他们就像，你知道，10 年前、15 年前，甚至现在都在这样做，他们就像，我们会得到所有数据。一旦我们拥有了所有数据，我们就会弄清楚如何处理它。但正如你所说，有时是关于做……

利用你已经拥有的数据做更多的事情，通过将其与业务流程或创意流程以及连接端点相连接。Karthik，非常喜欢你的背景以及你如何将这应用到你对算法的看法中，我认为算法在探索我们的搜索空间方面所产生的差异非常吸引人。但第二部分和第三部分也很吸引人，关于如何将其与创意相结合。我们感谢您抽出时间与我们交谈。我很荣幸。感谢你们的邀请。

在下一期节目中，我们将与 Sarah Karthigan 谈谈她如何帮助埃克森美孚利用 AI 对业务部门进行自我修复流程改进。请加入我们。感谢收听《我和 AI》。我们相信，与您一样，关于 AI 实施的对话不会仅限于此播客。这就是为什么我们在 LinkedIn 上专门为像您这样的听众创建了一个小组。它被称为 AI for Leaders。如果您加入我们，您可以与节目创建者和主持人聊天，提出您自己的问题，分享您的见解，

并获得来自麻省理工学院 SMR 和 BCG 关于 AI 实施的有价值的资源，您可以通过访问 mitsmr.com/AIforLeaders 来访问它。我们将把该链接放在节目说明中，我们希望在那里见到您。