超出期待，需要多少人类时间？

我想从两个典型案例说起：《复联 4》最后的报幕，和 PUBG 背后的制作环节。

这两个案例让我想讨论，为什么群体的 agent 还很难胜任这样的工作，以及人类需要在哪些环节投入时间。

电影工程：《复联 4》的片尾名单

《复联 4》最后的报幕，展示了一个史诗级的人类艺术文明明珠，是如何把复杂问题分而治之的：拆解成各个组成部分以后，在哪些环节投入了必要的人类 align 时间，最终加工出这种水准的工艺。

导演、编剧、摄影、美术、服装、视觉特效、剪辑、音乐，名单一直往下滚。每一行后面，都是一段被投入进去的人类时间。

你可以把它叫做“电影工程”。

这非常依赖 the first one 的整体编排和资源筹集能力，也就是那个把方向定下来、把资源拢起来的人或者核心班底。因为组织起来的都是异构资源：人员来自不同文化背景、专业和过往经历，再通过电影工业的制作工序形成艺术，中间产生了大量的随机碰撞。

PUBG：每一个可能被用户看到的细节

游戏也一样。蓝洞在运营和开发 PUBG 的过程中，拆解出了大量角色和要素，而且要在每一个可能被用户看到的细节上做拆解。

一张地图不只是地形：房子怎么摆，哪里能藏，哪里必须冒险。脚步声从哪个方向来，枪声隔着多远，玩家会把看到、听到的东西，变成自己的判断。

在 PUBG 官方的 Vikendi 制作幕后里，团队讨论的是如何让雪“感觉像雪”，不同地表材质怎么改变车辆的表现。连迷彩服装，也要放回雪地环境里考虑。到了每周五的 Playday，整个办公室一起试玩，再把这些局部放回一个完整体验里。

再往下，是服务器、反作弊、版本运营。这些东西玩家看不见，可一旦卡顿、一旦外挂泛滥，前面所有看得见的东西会一起塌掉。

clean context 的 agent，不够 different

Agent 可以做很难的数学，比如 OpenAI 展示过的数学推理，把更多计算花在推理和解题上。但组织电影、游戏这种作品，还有两件事。

第一，在一类常见的多 Agent 编排里，拆分出来的 SubAgent 拿到一个相对独立的 clean context（干净上下文）。它拥有我所说的首发注意力：先聚焦这个 prompt，前面没有一长串历史来分散它，并与主 long-term task 的大段上下文隔离开。

所以拿它去解决效率问题，或者数学、材料、蛋白质研究里那些已经有明确约束、能检查结果的子问题，是很有价值的。这些领域也需要洞察和创造力，但当问题能够被尝试、被验证时，什么叫进展，就比较容易判断。

这时候你会感觉，实际工作进度往往就跟着 token 开销走，也就是堆砌的智能 token 总量。当然还得有工具反馈和验证，否则也可能一直空转。

第二，clean context 的 agent 并没有因为上下文干净，就完成了“异化”。它仍然可能不够 different。

你可以给一群 agent 分别写上“你是导演”“你是编剧”“你是摄影指导”，但如果底下还是同一个模型、同一套先验，写进 prompt 的角色，并不会自带一个人几十年的文化背景、专业和过往经历。

人工也很难只靠编制角色 prompt，就编制出有序的 different。哪怕能搞出类似“无限猴子”的随机 different，也没有意义。它们必须是有序的、符合人类社会期待的对齐。

有效偏离，和两种目标函数

还有一个逻辑也是非常 make sense 的，一些底层逻辑吧：目标函数。

艺术或者说审美，很多时候就源自于某种小众的流派，或者说没有那么通俗。当然也有一些雅俗共赏的艺术，但你可以理解为，大多数情况下被称之为艺术的，大概率是对均值的某种偏差，或者是方差比较大的一些离群点。

你在制作一个电影或者制作一个游戏的时候，最重要的部分不是无限去堆砌这种离群点，而是要合理地去编排它们。

这些离群点，可能体现在电影工程和游戏工程里：不同角色的分工、合作、工作流、随机碰撞，甚至是茶水间聊天碰撞出的一些 idea。它们是在这些很混沌的系统里面产生的一些有效偏离。而这些有效偏离，其实是把一个庸俗的作品变成杰作（masterpiece）的关键。

但是对于 engineer 来说，很多看不见的 decision 和判断，反而更接近均值回归：优先用已经被验证过的办法，不太需要那么多的离群点。

我没有说哪一方是要堆砌极端的离群点，但对于 engineer 来说，他需要的是严谨，需要大多数情况下 work、stable、鲁棒。所以很多 agent 的工程直觉很棒，你在那边不需要让它去刻意离群。

这就是 difference：一个是效率，一个是 emotion（情绪）；一个偏向于艺术，一个偏向于 engineer figure out。哪怕在同一个 PUBG 里，服务器和反作弊优先解决可靠性，决赛圈那种紧张感是 emotion。这也是本质上两种不同的目标函数，很难去量化。

一句话生成，省略了哪些环节

回到前面，我认为“一句话生成一部电影或者一个游戏”，还不能作为稳定产出精品的方法成立。

一部电影，从剧本、分镜、拍摄、特效到剪辑，每一个环节都是一次重新描述、加工和编排，每一次都有人在 align。只看一句话和最终结果，很容易把中间的环节全都隐藏掉。

描述、加工和编排环节过少，意味着大量你没说的部分，要由模型自己填。我的担心是，这些 output 容易落到一种统计上常见、熟悉、没什么问题，但也没有那么 different 的选择上。

一句话没有交代的海量 decision，仍然需要在制作过程中补上，再经过编排、筛选和反馈。

所以，要有方向地做到这种水准，就需要把它拆成不同环节，在关键地方投入必要的人类劳动时间，并让这些判断最终成为用户能感受到的东西。

那图片呢？

这里有一个看起来矛盾的地方：图片、画作等同属艺术领域的内容，为什么只需要人类极短的必要劳动时间投入，就能很好地与人 align？

这也经历过一个过程，就像最初的“威尔·史密斯吃面”一样。而视频生成会经历一段更有意思的发展，因为视频的信息量极大：人物要前后一致，镜头在动，动作有因果，前一秒和后一秒要接得上。写下一条公式可能只需要很少的符号，但要准确 describe 一个具体视频却极难。难的是把画面、动作、节奏和前后关系同时说清楚。比如给它一张参考图片，其实就已经补充了海量的信息比特。

给它 few-shot example，也是在补充这种很难用一句话说清楚的信息。无论是语言模型，还是 Stable Diffusion 这类图像生成模型，架构、训练、参数和条件输入，都会影响它能从参考里利用多少信息。

我不确定不同异构的模型，是否都符合“压缩即智能”这一种说法。但输入中与目标有关、能被模型利用的信息越丰富，就越有机会产出与人类期待对齐的 output。

区别在于：对“被隐藏部分”的容忍度

我们探讨图片生成、视频生成，与游戏、电影这种更长程的 long-term task 制作之间的区别，核心在于：不同领域对“被隐藏部分”的容忍度完全不同。

一张图里没说清楚的部分，模型替你补了，补得像样你就收下；不满意，扫一眼换一张。人类投入的时间这么短，一方面是模型已经懂了很多，另一方面是我们允许它替我们决定很多。

长程的作品容忍不了这么多隐藏。概念图里的门，可能只需要像一扇门；游戏里的门，还要回答能不能打开、怎么碰撞、能不能挡住视线。电影里的一个动作，也要在后面的情节里有自己的位置。在局部可以被默认填掉的选择，放进一个长程作品里，就会互相牵动。

视频已经开始碰到这个问题：前一秒被默认填掉的东西，后一秒就得接住。到了电影和游戏，这种牵动会从几秒钟，拉长到几个小时、一整张地图。

更麻烦的是，被隐藏的部分，人自己一开始也看不清。

比如一个工程师在描述复杂软件工程任务时，往往不是自己已经有一份非常完善的 spec，再纯交给 agent 执行，更多是边想边做。他一开始也需要做 POC，很多细节并不清晰，对整个迷雾的探索，大概只能凭借过往经验、个人 intelligence 以及市面上的参考，剥离 40% 到 50%，这是我的体感。

在面临如何准确提供任务全集信息输入、使其符合人类期待时，如果能直接给一个 repo 或 example 作为参考，问题就会简单很多，因为这补充了大量能够有效引导 attention 的输入 token。

电影里的参考片、分镜，游戏里的可玩原型，干的也是同一件事。但参考只能帮你剥掉一部分迷雾，剩下的，还得在做的过程中一点点拆、一点点 align。

被看见

“被看见”是贴合社会舆情和群体情绪、做营销非常重要的一点。它必须超出人们的期待。体感上，不是好 1.1 倍、1.2 倍，而是 3 倍、5 倍甚至 10 倍。

比如在人类理解中，投入了 3 到 5 天，产出的却是 30 天水准的作品，那个超出群体期待的落差，会让人想转给别人看。电影和游戏这类艺术精品，解决的都是效率之外更高层次的精神享受。

这里可以把人类必要劳动时间分成两种：被看得见的，和看不见的。PUBG 里那扇门、那串脚步声，《复联 4》里的每一个镜头，都是被看得见的那种。

复杂的软件工程里，就有很多看不见的劳动。软件工程过去也拆分成前端、后端等各种分工，在各环节投入必要劳动时间，这一点和电影工程没什么两样。但它难以被大众理解，传播力就弱。一次数据迁移没丢东西，一次故障被容错接住，一个系统很久没出过事，这些都很重要，但它们很难让大众一眼看懂。

这些劳动可以通过降低成本、减少故障产生很高的经济效益，只是大众很难直接感受到，也就不容易传播。

工程智能足够高，人类可能是在捣乱

当然，这样论断也许有些武断，这确实是领域之间的区分，两种类型的问题在服务不同的目标函数。而在工程这一侧，事情会走得更远。

在某种效率或工程（engineer）领域中，随着 intelligence 的发展，假设有数百个 agent 由一个总导演在调度——结构上和电影工程几乎一样——而 agent 还要在不同的 human-in-the-loop 环节中去与人 align，你其实很难区分人类是否是在捣乱。

每一个 human-in-the-loop 环节，都要把上下文翻译给人听，再等人拍板；而人拍的板，又未必比 agent 自己的判断更好。

当 intelligence 达到足够的高度——agent 在具体任务上的判断已经强过大多数人，拿得到它需要的信息，做出来的东西也能被测试和验证——你会更希望整个过程全部由 agent 之间以更高效率的方式去沟通。

在这个前提下，我对 Astra 或者 Opus 5.5 之后的推演是：P95 以下的人类投入，可能都是在捣乱、拉低平均水平，很多工程实现甚至不如 agent 自身的工程直觉。这里的 P95 只是我对未来工程能力分布的估计，还没有对应的实测。

人类更多是在必要情况下补足现实社会的一些真实需求，或者通过 prompt、reference 和反馈，重新引导模型的 attention。说白了，就是把它的注意力拉回该看的地方。在执行已经足够可靠的部分，人还能提供的 align 可能微乎其微。在整个工程智能的投入分布上，人和 agent 的差距可能非常大。

但在游戏、电影这种过去由 studio 制作的艺术制品中，人类和 agent 的比例相对更加柔和、调和。因为在那边，人的感受、经验和选择，本身就是目标函数的一部分。