《糖果》冲上B站热搜第一、拿到300万播放，作者DiDi_OK却说自己一点AI不学。文章记下他为单个镜头重复生成三千次的制作习惯，也记下他为什么更愿意先看被时间验证过的老东西。

街边，几个街溜子正霸凌一个流浪汉和他的狗。你会绕开走，还是上去说两句？

在 AI 短片《糖果》里，你不用纠结。下一秒，街溜子爆成了一堆糖果。

一周前《糖果》上线，随后冲上 B 站热搜第一，登顶全站排行榜，并拿下 300 万播放。

《糖果》的作者，是 UP 主 DiDi_OK。

半年前，我在差评公众号采访过他，那会他刚做出 B 站上最火的 AI 短片《牌子》：上线一周 1000 多万播放，郭帆导演转发点赞，还拿下了 B 站 AI 视频大赛冠军。

他告诉我，为了其中一个镜头，他能重复生成 3000 次。

对当时的观众来说，《牌子》属于 AI 视频的天花板。

半年后，这个天花板又被他自己刷新了，《糖果》获得各类媒体点赞转发，郭帆导演也依旧虽迟但到。

与此同时，海外的同行也坐不住了。

AI 创意总监、电影节评委 Uncanny Harry 看完说：这是个格局很大的故事，但你得留意那些小细节做得有多好，皮肤的纹理、指甲、蚂蚁。艾美奖得主 Sam Wasserman 的评价更直接：作为电影人，向另一位电影人致敬。概念聪明，执行扎实。

连前 Netflix 制作高管、做过《曼达洛人》和《光环》的创意总监，也都是排着队夸。

为什么《糖果》有如此之高的评价？我们可以简单看几张动图。

人类作恶时会变成糖果，接着爆开散落一地。

这是蚂蚁搬着糖果走，蚂蚁和糖果不变，但背景和糖果反射一直在变。

这是土卫十八被引离轨道时，像老动画片里的橡皮管一样拉伸、变形。

这是近景人物的皮肤微观纹理，注意一下镜头变焦。

看到这，你可能怀疑这种电影级别的镜头真是 AI 做的？是不是做了后期处理？

我替你问过 DiDi_OK 了：

全片由 Seedance 2.5 生成，BGM 由 Suno 生成，零后期。

如果你想了解这位顶尖 AI 视频创作者的制作思路、模型选用，以及他是如何让自己在 AI 时代保持优势的，请继续往下阅读。

接下来的东西，你可能闻所未闻。

一、冲突风险爱好者

《糖果》的故事，从一条新闻开始：地球的发电量达到了某个标准，人类文明正式升到了「一级」。

就在这时，土卫十八“潘”脱离轨道，跑到地球旁边。从此地球上多了一条规则：凡是对别人作恶的人，不管是语言还是肢体暴力，当场爆成一堆糖果。

于是霸凌流浪汉的街溜子、飞机上踢前排椅子的熊孩子、警察局里正在闹事的罪犯，纷纷在镜头前爆成了一堆糖果。

后来人类发现，这些人并没有真的死亡，七天后又会从糖果变回人。原来这是某种更高级的文明在考验他们：都一级文明了，怎么还在互相伤害。

随后人类给自己定了条规矩：爆到第三次的人，说明实在学不会遵守规则，那就坐上火箭遣送去月球。

片子的最后，画面里和谐的场景越来越多，人类逐渐实现了世界和平，一切趋于美好。

整个《糖果》灵感，源自于两句大家耳熟能详的歌词。

一句是许嵩的《全球变冷》“何必活得那么冷酷寂寥，入夜总为小事而睡不着”。

DiDi_OK 讨厌生活里的冲突。他觉得遵守规则的人往往吃亏，越不守规则的人反而越舒服，比如飞机上熊孩子那件事，他真遇到过。但讨厌归讨厌，他从来不回避，遇上了就一定要站出来。女朋友因此给他起了个外号：冲突风险爱好者。

所以《糖果》的设定，本质上是他替所有睡不着的人出了一口气。

另一句是周杰伦的《稻香》“笑一个吧，功成名就不是目的”。

这句对应的是他想给片子的温度。

文明都升到一级了，生产力早就够用了，但生活并没有因此变容易。所以他没把片子停在“恶人爆炸”的爽感上，片尾给了很多和平的画面。

看视频时，好几个恶人爆成糖果的镜头都引起我和网友们的共鸣，不守规则的人，确实该有个潘来治一治。

现实里的潘，也许就是那些愿意站出来制止的人，比如这位“冲突风险爱好者”。

二、我只用一个模型

做《牌子》时，DiDi_OK 会同时使用多家模型，Nano Banana 生图，Veo、可灵、Runway 生视频，各家都有各自的优缺点。

半年过去了，他做片子的方式有变化吗？

他说模型倒是变了。

8 月初，DiDi_OK 拿到了火山引擎 Seedance 2.5 的内测账号。

其实他一开始根本没有特别期待，心想，2.5嘛，能有多大变化，不然就叫3.0了。

但在测试两个效果后，DiDi_OK 的评价两极反转：一个是“镜头晃动”，一个是“镜头变焦”。

DiDi_OK 的片子有一个标志性的特点，身临其境。

《糖果》里这一段，镜头带着手持的呼吸感，观众会觉得自己就是拿着手机在拍朋友，自然就代入进去了，行话叫 UGC 感。

这种感觉，以前都要靠他自己手搓。

虽说有部分视频模型支持抖动，可效果并不能达标。所以过去 DiDi_OK 都先让模型生成一段稳定的画面，再拿 Blender 手动给镜头加晃动。

但到了《糖果》，晃动全部由视频模型 Seedance 2.5 直出，“而且做得非常细腻”。

变焦，更是过去所有模型的短板。在 DiDi_OK 看来，变焦是视频跨入电影级别的一个重要标志。

它就是在同一个画面里推近拉远，实拍摄影师随手就来，但视频模型要么做得不够真实、要么只能整台机器往前飞。

但在体验 Seedance 2.5 后，DiDi_OK 在《糖果》里几乎每一段提示词里都会写上变焦，“我甚至会用得非常嚣张”。

比如两个航天员登陆潘那个镜头里，潘消失的瞬间，镜头迅速“甩”近，记录人类悬空挂在热气球上。

DiDi_OK 习惯性会把一件事分为小数点前面和后面。

比如“ 1.23 ”这个数字，小数点前面的那个“ 1 ”，是决定这事成不成的关键；后面的 2 和 3，都是零头。

试完变焦和晃动，他说，Seedance 2.5 小数点前面的那个 1 已经有了。

于是《糖果》成了他第一条只用一个视频模型的片子。上一部《垃圾站》花十万请的配音团队，这次一分钱没花，配音和音效全部由 2.5 直出。

“虽然 Seedance 2.0 也能出声音，但它总会选择性地不出某些声音，或者给你一个搞笑的、动画感的音效。仿佛在说：你就说有没有吧，反正给你了”。

三、这次做得很爽

全片成本最高的镜头，来自 DiDi_OK 在叙事上想表达的一件事：全人类在各自的地方，同一时间发现了“人类变成糖果”的答案。

他用了一个非常巧妙的运镜：

镜头匀速往后拉，中景每走过去一个人，场景就换成另一个地点、另一群人。前景和背景其实不在同一个空间，但观众看到的是一个连续镜头。

看过《牌子》的人都知道他的转场习惯，用一个有创意的东西遮住镜头，再切下一幕。这次他完全不想遮，“我就想露给观众，它就是这么转过去的，所以它其实不是转场。”

这种镜头，曾在他的短片《Alt Tab》出现过，当时是 AI 结合绿幕和 3D 用后期硬做的。《Alt Tab》在海外业内爆火，所有人都在探讨那个技术，他大方承认那不是 AI，是后期。

但这次他能告诉大家，这是纯 AI 做的了。

要知道这些年他做的每一个 AI 视频，都有一部分要靠后期完成。

《牌子》里贪吃蛇吃文字那段，蛇和文字分开生成，转成带透明通道的素材，后期合成叠在一起；《垃圾站》里的二维生物是 2.0 生的动画，去背景后用 Blender 追踪到 AI 视频表面；《网站》里的镜头抖动，也是 Blender 和模型配合出来的。

随着每一支片子的迭代，他在后期里花的时间越来越少。到了《糖果》，后期这一步干脆没有了。

这也是 DiDi_OK 想借这个镜头向业内展示的一件事：AI 在某些部分，已经能绝对取代超级高成本的后期。

看到这你可能跟我一样纳闷：

Seedance 2.0 出来的时候，大家都觉得是真神；2.5 出来，普通用户反而没什么感觉。可听 DiDi_OK 的描述，像是 2.5 带来的提升比 2.0 那次还大。

他的解释是，这是一个观看角度的问题。

观众是不知道自己要看到什么的，看片子之前没有预期，也不知道哪些点是作者实在做不出来、删掉或藏起来了。所以很多 Seedance 2.0 时代各种能力的缺陷，观众根本看不见。

反过来也一样，Seedance 2.5 做到的东西，观众也未必看出来。

比如警察局那一段，观众看这个镜头可能只会觉得挺普通、挺合理。

但在 DiDi_OK 自己的排名里，这是全片技术上最满意的镜头之一。

画面里有很多角色，每个人有自己的行走路线和动作。远处黑人要先挣脱束缚然后抬起电视；罪犯挥出的那一拳要正好打翻摄像机；爆炸要精准，只能罪犯爆，不能警察爆；背景深处离镜头很远的地方还有一个人也得炸。

再比如片子里那只机器狗，关节是合理的轴承运动。

这些东西，过去即便是 Seedance 2.0 也是想做却做不了的。

Seedance 2.0 做出的机器狗乍一看在动，其实不是那一块轴承在动。《牌子》里多个美国大兵打水獭那个镜头，当时完全做不好多人脸，更别说多角色加多动物的调度，所以他不得不用第一人称视角来掩盖。中间穿插的 Google 地图动画也一样，当时生产力实在不够，不得不手搓一个 3D 动画顶上。

所以哪些是 2.5 能做、2.0 不能的，AI 视频创作者比谁都清楚。

这也是为什么开头那些海外同行，夸的大多是皮肤纹理、指甲、蚂蚁这种细节。观众看的是故事，做过的人看的是哪些以前做不出来的东西，这次能做出来了。

用 DiDi_OK 的话说，以前每一部都在藏缺点，“但《糖果》做得很爽，是一点不用藏”。

四、我要进入地狱状态了

半年前 DiDi_OK 最出圈的标签是狠：一个镜头抽三千次，“我一口气点够 1000 块钱的生成，然后去看电影、打游戏，回来再挑。”

那现在呢，模型好了，还抽吗？

抽。

警察局那个镜头，他“大概抽了小 1000 次”，做了近一周；那个多重空间的镜头次数更多，没细数过。

但和半年前不一样的是，抽卡已经不是他花力气最多的地方了。

DiDi_OK 说现在最重要的是提示词。只要你的描述足够详细，能把你脑海里的画面呈现出来，2.5 基本都能理解。

蚂蚁搬糖那一段就是这么来的：背景一个个切换，美元、赌桌，糖果上的反光也跟着背景变。他一开始按老办法，先把每张背景单独画成图，再拿图去生视频；结果发现，都不如直接拿文字描述去生，提示词一遍就过了。

你可能好奇，这类复杂镜头的提示词长什么样呢？

请看大屏幕。

说实话，我很少见过 1000～2000 多字的提示词，关键 DiDi_OK 说 70% 是手打的，不用 AI 润色。

不是兄弟，在这个提示词都用 AI 生成的年代，为什么还有人会手打上千字提示词？一条 10 分钟左右的视频，光提示词加起来就够一本几万字小说吧？

DiDi_OK 给了 2 个原因。

一个是只有自己写的，迭代的时候才知道哪出了问题，警察局那个镜头一直有 bug，他一看就知道是哪一句话的问题。

的确，我们让 AI 生成的提示词看着很完美很专业，但你不知道里面的细节，当出问题时就不知道是哪一句不对。

另一个原因是 AI 润色会丢失细节。

DiDi_OK 提示词里有很多口语化的词，比如“特别强调 XXX”后面跟一连串感叹号。一旦经过 AI 修饰后，这些单独要强调的东西就容易变平和，那模型锚定不住，就 get 不到他想表达的一些细节。

所以每次写提示词时，他都会跟女朋友说：

“现在不要打扰我，我要把灯光开暗一点，我要进入到一个地狱状态了。”

五、我一点AI不学

DiDi_OK 的公司有严格的 AI 培训，讲 JSON 提示词和画质增强工具，但他从来不参加，“我快把老板气死了”。

理由是：如果 AI 还需要去学，那它就已经失去 AI 的意义了。

“AI 时代，大家最该学的反而是基础美术。”

DiDi_OK 举了梵高《向日葵》的例子。凑近看，画里的向日葵只是一团颜色，离远了才知道是向日葵。他做早期作品《箭头》时候，什么好模型都没有，就遵循这个原理：单个镜头不需要很具体、很清晰，只要大家连着看的时候能看懂这个故事，就够了。

再往下是印象派的逻辑：框架绝对准确，构图里黑白灰的明度（也就是明暗关系）绝对准确，然后再去调颜色。莫奈的睡莲颜色乱七八糟，但你就觉得是睡莲，因为明度准确。

他甚至认为美学是科学。人看到红色觉得热，是因为进化里看到红色就代表见到火，这是祖先留给我们的一串 DNA。创作者要做的，就是让 AI 最大化地满足能让大众感受到的情绪。

“我到底是在用笔画画，还是用 Blender 做 3D，还是在用 AI 做片子，这件事从来都没有变过。只是时代变了，我在用不同的工具。”

美术这个底子，不光决定他做出来的片子长什么样，还决定了他怎么看一个模型。

DiDi_OK 测模型能力时，用的就是美术标准。他给模型团队提反馈，说的全是饱和度、明度这些词。他说模型走偏都是在美术上出问题，而不是技术上出问题；美术出身的人会非常雕这些东西，雕的过程最能体现模型差异，他甚至建议模型团队的测试人员去多学点美术。

这次看到 2.5 对饱和度和明度的控制，他就已经有答案了，“它绝对能做超级多的事情，只是大家没有去试而已”。

换句话说，别人看模型是在看它能不能做出来，他看模型是在看它做出来的对不对。这个“对不对”，靠的是他十几年的美术功底。

六、我也没自信是那两拨人之一

半年前对话 DiDi_OK 时，他说过 AI 是放大有能力的人，不会取代导演。

当时有读者留言“不敢苟同”：以后模型足够强大了，大家随手一句提示词就能出质感很好的大片，当行业平均水平涨到一定程度，那专业和非专业的作品差距就逐渐趋近于零。

半年后，看到 Seedance 2.5 相比 2.0 有这么大提升，这个场景会不会真要出现了？

DiDi_OK 的回答是：

未来两类人会在 AI 视频里获得巨大优势，一类是专业的人，导演出身、美术出身；

另一类是想象力丰富、自己就很有趣、有人情味的人。他们制作的画面没那么精良，但非常贴近大众。

至于“普通人一句话就能出大片”，在他看来不构成反驳。大家的识字量其实差不多，莫言会的字我们都认识，但我们写不出莫言的书。一句话是能出内容，但只能出差不多的内容，出不了美术上精良的内容。

数字拍摄和棚拍都这么成熟了，诺兰拍《奥德赛》还是用胶片实拍，和纯棚拍加 CG 的《复仇者联盟》质感明显不同，因为诺兰的美术极度登峰造极。

但这不代表第二类人没价值。随着模型迭代，会有各种各样的人拿它去做有意思的事，正因为不专业，所以鲜活。B 站整活的华强买瓜那类东西，未来都会以各种鲜活的形式冒出来。就像优衣库和山本耀司都有人买，受众和路线不同，没有高低之分。

“当然，我刚才给你的两个方向，我也没有自信最后我会是那两拨人里的其中之一。”

七、我完全可以让全城的人都炸掉

话是这么说，但眼下 DiDi_OK 的片子观感确实是行业领先，我问他靠什么让作品和别人不一样？有什么信念吗？

他给了一个词：克制。

他见过蛮多复刻他的人，尤其 2.5 刚发布那阵，他所有片子都被复刻了一遍。但他的评价是不够克制：“现在 AI 做一个怪兽很容易，乍一看很帅，但这个帅是没有内容的。”

《糖果》里的克制，是视觉锚点始终压在糖果上。他完全可以让整条街、整个城市的人都炸掉，观众会很爽，但那样观众就很难把情绪专注在爆炸和内容的探讨上，更多的是一种发泄。

史诗级的两军对冲，现在谁都能做，关键是能不能往后退，做小的东西。《指环王 2》圣盔谷大战打完，彼得·杰克逊没拍惨烈的画面，拍了两个霍比特人坐在废墟上抽烟。他说这就是导演对自己的故事做减法。

《复仇者联盟》前三部经典，后面开始挨骂。一开始大家爱看钢铁侠一件件穿上机械结构，后来变成纳米材料瞬间穿好，这的确很帅，但那种克制的感觉就消失了。

“CG 从 2000 年初迭代了那么多次，能做更帅的画面，反而失去了故事的克制。”

八、我从不看任何AI作品

聊到最后，我问 DiDi_OK 平时看谁的 AI 作品。每天都有大量优秀的 AI 视频冒出来，他会不会焦虑？

他说：我从不看任何 AI 作品。

不光是 AI 作品。社交媒体他都是被逼着用的，用起来有痛苦感。片子火了之后，他更多的不是成就感，是害怕。

他平时待在自家楼里的小花园，每个月固定出几次门。评论一多他就不打开软件，只在发布第一天回评论，后面就不敢回了。私信一多，他会有一种被凝视的焦虑，会发自内心地觉得抱歉：是不是自己没表现好，会不会有人不喜欢。

不刷社交媒体也不看 AI 作品，那他平时看什么？

他说自己手机里全是吃播和存下来的画。要是手机被偷了，小偷一定会很好奇这个人平时到底在干什么。前段时间他和经纪人啥也不干，看完两本古龙，每天聊古龙。

DiDi_OK存的画

这个习惯来自他的老本行。他是游戏概念设计出身，概念设计师从不看别人的概念设计，大家平时就是不断地看油画，看莫奈的、伦勃朗的。就像周杰伦不听流行音乐，听交响乐。

用他自己的话说，这些都是小数点前面的东西。

“如果你想持续做出自己的东西，你就多去看小数点前面的东西，不要去看后面的。因为你看小数点后面的东西，你也只能在它的后面，0 的后面再加一个 0。”

“这世界上，书籍、电影、音乐，有太多已经经受过时间考验的东西，这些都还没看完，为什么要去看那些还没被验证的东西。”

DiDi_OK 最近在重看《加勒比海盗 3》的开场长镜头，边看边想，如果用 AI 复刻这么复杂的一个长镜头调度，得用到多少技术。诺兰的《奥德赛》剧组 6000 多人，他说那里面是集体的智慧和夜以继日的打磨，值得花时间去分析。