从噪点里长出视频
“AI 视频不扑街”课程第 1 课，共 22 课。免费，有动画和小测验。
认识一下米拉
米拉 19 岁，有个自己的小卫衣品牌。周五前她要一条 15 秒广告：模特穿着新卫衣在夜晚的城市里奔跑。没有摄制组，预算 50 美元。几年前这根本做不到。现在只要懂行，用 AI 视频花两个晚上就行。整门课我们都跟着米拉走：从她第一条歪歪扭扭的片段，到人物动起来像真人的成片。
AI 是怎么画出视频的
模型不是从白纸开始，而是从数字噪点开始，就像老电视的雪花屏。接着它一步步去掉噪点，每一步都对照你的提示词问自己：这像什么？几十步之后，人、街道和光线就从雪花里浮现出来。这种方法叫扩散（diffusion）。最重要的推论：每次生成都从新的噪点开始，所以同一个提示词每次出来的片段都不一样。
为什么片段都这么短
视频就是快速切换的画面，通常每秒 24 帧。15 秒就是 360 张画面，每一张里都得是同一张脸、同一件卫衣、同样的光。模型要同时照顾所有帧，计算量非常大。所以 2026 年一个片段通常只有 5–15 秒，最新的模型能到 30 秒。长视频是用好几个片段拼出来的，就像电影由一场场戏组成。
AI 不懂物理
视频模型里没有牛顿定律。它看过几百万条视频，学会了画“看起来像真的”东西。2025 年，INSAIT 和 Google DeepMind 的研究者用 396 段真实视频（下落、液体、碰撞）做了 Physics-IQ 测试。结论：模型画得漂亮，但不懂物理。所以这门课的第 3 级专门讲怎么用文字和参考素材，把重量、惯性和支撑点“提示”给模型。
变化有多快
2023 年 3 月，一位 Reddit 用户发了段“威尔·史密斯吃意面”。脸在融化，手和叉子粘在一起，没有声音，结果成了梗。2025 年 5 月，同样的提示词放进 Veo 3，出来的人真的在嚼，还有咀嚼声。这段视频成了衡量进步的测试。给我们的启发：具体模型几个月就过时，但“把任务说清楚、把结果查仔细”的本事一直有用。
你是导演，不是按钮
模型就是装在一个盒子里的摄影机、演员和灯光。但拍什么，还是你说了算。新手写一句“好看的视频”，用第一个结果，然后纳闷怎么这么尬。导演知道要哪个镜头、为什么要，拍 10–20 条，再把最好的剪在一起。就连做广告的专业人士，一个能用的片段也要试几十次，第 5 级会细讲。
接下来学什么
一共六级，从简单到进阶。先弄懂模型怎么“想”、哪里会翻车。再学像导演一样写提示词：镜头、机位、光线、声音。接着是重头戏：身体物理，让画面里的人有分量、真的在走路。然后是整条视频同一张脸的角色、替你拼视频的智能体，以及怎么发布才不被封、不惹法律麻烦。
自测一下
- 米拉把同一个提示词跑了两次，得到两段不同的片段。为什么？
正确答案: 每次生成都从新的随机噪点开始. 扩散就是这样工作的：从新噪点开始，结果就不同。这不是 bug，而是好事：多拍几条，挑最好的。 - 米拉需要一条 45 秒的视频，该怎么做？
正确答案: 用好几个片段拼起来，像电影由一场场戏组成. 一个片段通常 5–15 秒，最长大约 30 秒。长视频就是把几个片段剪在一起，这样更好：每个镜头都能单独打磨。 - 片段里模特跳起来在空中“挂”得比现实久。这说明模型怎样？
正确答案: 它画的是看着像的东西，不会计算重力. 模型里没有物理引擎，只有看过几百万条视频的经验。所以重量和重力要靠你提示：描述起跳的各个阶段，或者给参考视频。 - 朋友跟米拉说：“学会一个模型的按钮就够了。”她该怎么回？
正确答案: 模型几个月就换代，导演的本事留得住. 意面视频说明了一切：两年里全变了。会描述镜头和动作、会检查结果的人，换什么新模型都用得上。