谷歌能解决人工智能视频的一致性问题吗？

我们将2026年9月24日的谷歌研究论文视为一种诊断，而非发布。它提到了AI电影制作人已经面临的两个失败——身份漂移，即角色的面孔、服装或房间在镜头之间悄然变化，以及级联失败，即一个不良资产会破坏其后生成的视频——这两者都是在任何动画发生之前造成的。这就是为什么我们宁愿批准一张静态图像，而不是重新渲染一个剪辑。同一天，Adobe将Photoshop、Lightroom、Express和Firefly整合到Gemini中，并将Acrobat整合到Claude中。结合这两项公告，说明一致性问题是一个决策问题，而那些编写镜头列表并锁定外观的电影制作人正是已经解决了这个问题的人。

这篇论文介绍了一个多代理框架，能够自主生成时间一致的长格式视频叙事。我们对输出的兴趣不如对诊断的兴趣。谷歌在今天人们使用的管道中提到了两种失败模式：语义漂移，即角色服装或场景在镜头之间的微妙变化，以及级联失败，即一个不良的上游资产会破坏下游的视频合成。

它还指出了原因。目前的管道将模块串联在一起，使用独立的手工提示，因此早期错误会传播并在长时间内破坏一致性，整个过程最终需要大量的手动干预。这是对我们一周工作的公平描述。

身份漂移是同一个人两镜头之间面孔的变化。级联失败是你在六个剪辑中都没有注意到的损坏帧。任何让角色在多个镜头中存活的人都遇到过这两者，我们不指望更好的模型能解决这两个问题。

解决它们的方法是一次性决定事情，然后保持不变：角色是谁，以字段而非形容词的形式写下来；电影的外观，作为单一参考表获得批准；以及哪个静态图像被允许转变为动态。这些是决策，而不是设置。

该框架的核心见解是结构性的：由于错误向前传播，修复错误的最便宜地方是在上游。这正是我们在花费任何费用进行动画之前批准关键帧的理由——一张静态图像的成本是剪辑的一小部分，而这是可以免费纠正错误面孔的最后时刻。

从这个角度看，研究并不是等待更好工具的理由。它解释了为什么那些规划镜头的人能够从现有工具中获得一致的电影。

同样在2026年9月24日，Adobe将Photoshop、Lightroom、Express和Firefly整合到Google Gemini中，并将Acrobat添加到Claude；Adobe已经整合到ChatGPT、Microsoft Copilot和Slack中。该公司的框架是，人们将越来越多地在助手中开始创意工作，而不是在Adobe的应用程序中。

我们认为这比听起来更重要。当工具是聊天窗口中的一句话时，限制技能不再是按钮的位置，而是你要求的内容、顺序以及你拒绝接受的内容。同一周，GPT Image 2.5——我们自己管道中静态图像的模型——也在Adobe Firefly中上线。

获取不再是这里的分界线。助手已在每部手机上，而新加坡的劳动力是全球在工作中使用AI的更活跃用户之一。在公司层面，情况则有所不同：人力部的首份AI采纳报告发现，71.5%的公司根本没有采用AI，而随着公司规模的扩大，采纳率急剧上升。

结合这两个事实，对小型工作室和小品牌来说是令人鼓舞的。工具已经民主化；方法却没有。一个编写镜头列表、锁定外观并批准静态图像的两人工作室正在竞争仍然稀缺的部分。

在生成任何内容之前先编写镜头列表：每个镜头的目的、持续时间以及其中必须保持不变的内容。一次性锁定外观作为单一批准的参考，并将其附加到每个镜头，而不是再次描述它。然后在动画之前批准一张静态图像，因为那是纠正漂移而不产生任何成本的时刻。

这一切都不依赖于下一个模型的发布，这正是现在学习的价值所在。

谷歌论文中有趣的部分是诊断，而不是框架。一个能够独立维持电影的多代理系统并不是一个两人工作室今年会运行的东西，我们也不会围绕它的到来计划项目。我们从中得到的确认是：错误向前传播，因此修复错误的最便宜地方是在上游——这正是批准关键帧在你进行动画之前所做的。

我们会关注Adobe的消息。当工具存在于聊天窗口中时，工艺不再是按钮的位置，而是简报：你要求的内容、顺序以及你拒绝接受的内容。我们对行业普遍认为更好的模型能解决身份漂移的看法并不那么信服。在我们看来，这一直是一个决策问题，而这是大型实验室首次在记录上如此表述。