第 1 部分 · 第 1 课，共 6 课
什么是 AIGC？AI 如何生成图片和视频
AIGC（AI 生成内容，AI-generated content）是能创造新东西的 AI，比如一张图片、一段视频、一首歌或一段文字，而不只是识别已经存在的东西。图像模型先在一座“概念图书馆”里找到这个想法，再一步步去掉随机噪点，直到出现一张符合描述的画面。视频模型在时间维度上做同样的事，所以整段视频从第一帧到最后一帧都能保持一致。
AIGC 和传统 AI：美食评论家与厨师
传统 AI 识别已经存在的东西。它就像一位美食评论家：给它看一道菜，它会告诉你“这是意面，这是汉堡，这是蛋糕。”用人脸解锁手机也是同样的原理。
AIGC 则像一位厨师。你不用给它看任何食物，而是给它下单，比如“一份加菠萝、多加芝士的辣味披萨”，它就会从零开始做出一道新菜，而不是从冰箱里拿一个冷冻披萨给你。同样地，它也能画出一张从未存在过的脸。
第 1 步：想象，一座概念图书馆
在动笔之前，模型会先在所谓的潜在空间里找到这个想法。把它想象成一座巨大的图书馆：里面没有书，只有属性，相似的东西彼此挨得很近，比如毛茸茸角、机械角和食物角。
你要一只猫，模型就会去“毛茸茸”“尖耳朵”和“胡须”交汇的地方。你要一只机器猫，它就会去机械角和毛茸茸角正中间的位置。它不是从记忆里复制一只猫，而是按照在那里找到的配方，造出一只全新的猫。
第 2 步：创造，从噪点到画面
图像模型使用一种叫扩散的过程。它从满屏的随机噪点开始，就像没有信号的电视。拿到“一只正在吃披萨的猫”这样的提示词，模型会问自己：如果我把这些点稍微改一改，会不会更像一只猫？它把这个过程重复很多次，一步步去掉噪点，直到出现一张清晰的画面。
所以它更像雕刻，而不是绘画。画家在空白画布上添加颜料，模型则一点点凿去噪点，直到画面显现出来。
AI 如何生成视频
视频更难，因为多了时间。分别生成 24 张猫的图片，你会得到 24 只略有不同的猫，连起来播放时画面会闪烁。视频模型会一次画好翻页书的所有页面：画某一帧时，它会参照前后的帧，让毛色保持不变、动作连贯流畅。
它以一个个叫时空块（spacetime patch）的小块为单位工作。把一段 5 秒的视频想象成一块冰：正面是第 0 秒，深度就是时间。模型把这块冰切成成千上万个小冰块，每个小冰块都知道画面中一小部分长什么样、又是怎样移动的。把这些会动的小块拼在一起，角色就不会突然换了衣服或消失不见。
AI 怎么知道猫长什么样？
它从海量带标签的图片中学习，比如一张标着“猫”的猫咪照片。简单来说，它不会保存这些照片，而是学会了配方：猫通常有两只尖耳朵、胡须和毛。
这对你制作 AI 视频意味着什么
关键术语
- AIGC：AI 生成内容（AI-generated content），指由 AI 模型创作的图片、视频、音乐或文字。
- 潜在空间（latent space）：模型的概念地图，相似的想法彼此挨得很近。
- 扩散（diffusion）：从随机噪点开始，一步步去掉噪点，最终得到一张画面。
- 时空块（spacetime patch）：视频中的一小块，既包含画面的一部分，也包含它在短时间内怎样移动。
常见问题
AIGC 是什么的缩写？
AI-generated content，即 AI 生成内容：由 AI 模型创作、而不只是分析的图片、视频、音乐和文字。
AIGC 和传统 AI 有什么区别？
传统 AI 识别并标注已经存在的东西，比如手机上的人脸解锁。AIGC 则根据要求创造新东西，比如一张从未存在过的人脸图片。
AI 图片生成器是怎么工作的？
它先在潜在空间（一张概念地图）里找到这个想法，再用扩散生成画面：从随机噪点开始，一步步去掉噪点，直到画面符合提示词。
为什么 AI 视频比 AI 图片更难？
因为视频多了时间。模型必须让每一帧保持一致，所以它用一个个小的时空块把整段视频一起生成，而不是逐帧单独绘制。
文字稿
0:00 · 什么是 AIGC
什么是 AIGC？AI 生成内容指的是一种人工智能，它能创造新的内容，而不只是分析现有数据。传统 AI 专注于识别模式，比如用人脸解锁手机。AIGC 专注于创造，生成一张现实世界中从未存在过的新面孔。
0:23 · 美食评论家与厨师
传统 AI 就像一位美食评论家。你给它看一道菜，它就会分析：“这是意面，这是汉堡，这是蛋糕。”它识别并标注已经存在的东西。AIGC 则像一位厨师。你不用给它看食物，而是给它下单：“我要一份加菠萝、多加芝士的辣味披萨。”然后它走进厨房，从零开始做出一道全新的菜。它不是去冰箱拿一个冷冻披萨给你，而是现做一个从未存在过的新鲜披萨。
0:58 · 第 1 步：在潜在空间里想象
AI 如何生成图像第一步是想象。把潜在空间想象成一座由许多角落（概念）组成的巨大图书馆。原理是这样的：在这座图书馆里，放的不是书，而是属性。每个物体的位置取决于它和其他物体有多相似。想象一个巨大的图书馆房间。一个角落是毛茸茸角，一个角落是机械角，还有一个角落是食物角。如果你要一只猫， AI 会飞到图书馆里的某个点，也就是毛茸茸、尖耳朵和胡须交汇的地方。如果你要一只机器猫， AI 会找到一个正好位于机械角和毛茸茸角正中间的位置。为什么这很重要？AI 不是从记忆里复制一只猫。它会去到大脑里猫的坐标，根据在那些坐标上找到的配方，造出一只全新的猫。
1:56 · 第 2 步：用扩散来创造
第二步是创造。AI 有了想法之后，需要把它变成画面。它使用一种叫“扩散”的过程。AI 从一个满是雪花噪点的画面开始，就像没有信号的电视。你告诉 AI： “给我看一只正在吃披萨的猫。”它看着这些噪点，问自己：“如果我稍微改一改这些点，会不会更像一只猫？”它把这个过程重复成千上万次，不断去噪，直到一张清晰的高清图像出现。它不像人类那样在空白画布上添加颜料作画，而是从混沌中雕刻出秩序。
2:37 · AI 如何生成视频
AI 如何生成视频像 Sora、Runway、Kling 这样的视频生成要难得多，因为它多了一个新维度：时间。如果你让 AI 生成 24 张猫的图片，你会得到 24 只不同的猫。把它们拼成一段视频时，画面会闪烁，看起来一团乱。视频 AI 会一次性生成一本翻页书的所有页面。画第 2 页时，它会看第 1 页，确保猫的毛色没有变。它也会看第 3 页，确保动作流畅。它不只是处理像素，也就是那些微小的点，AI 处理的是“块”（patch），它们同时代表空间（图像的一部分）和时间（这一部分在几秒内如何移动）。它会一次性生成整条时间线，确保故事从头到尾都合情合理。
3:29 · AI 如何学会猫长什么样
你可能会好奇：它怎么知道猫长什么样？AI 看过网上数十亿张带标签的图片，比如一张标着“猫”的猫的照片。它并不会记住照片本身，而是学习事物的数学“配方”。它不会存一张猫的 JPEG 图片，而是存下概念：猫通常有两只尖耳朵、胡须和毛。
3:56 · 最难的部分：时空块
这是最难的部分。要做视频，AI 必须确保动作流畅，并且前后一致，方法是把视频拆成同时包含图像和时间的 3D 数据块。想象一段 5 秒的视频是一整块透明的冰。冰块的正面是起点，也就是第 0 秒；冰块的深度就是时间，到最后面是第 5 秒。AI 把这块巨大的冰切成成千上万个小冰块。每个小冰块，也就是时空块（patch），都是一块会动的拼图。它清楚知道图像中一小部分长什么样，以及它在这几秒内应该怎样移动。为什么这样行得通？把这些会动的小冰块拼在一起，AI 能确保角色不会突然换了衣服，也不会在移动时消失，因为时间和动作都已经内建在冰块里。
4:50 · 回顾：雕塑家与翻页书画师
图像 AI 就像一位雕塑家，一点点凿去静态的噪点，让画面显现出来。视频 AI 就像一位翻页书画师，一次画好所有页面，让故事流畅地推进。