100.000 Menschen stehen Schlange, mit einem einzigen Klick ist das fertige Werk erstellt. Je einfacher die KI-gestützte Kreation von Inhalten wird, desto schwieriger ist es im Gegenzug, einen viralen Hit zu landen – warum ist das eigentlich der Fall?
Wenn KI bereits bei null Frames mit der „Kreation“ beginnen kann, wird die Inhaltsproduktion zu einer Kette des „Überangebots“. Im vergangenen Jahr haben multimodale Modelle die technische Schwelle der Inhaltsproduktion auf ein nie dagewesenes Niveau gedrückt: Drehbücher schreiben, Storyboards erstellen, Bilder generieren und sogar Schnitt und Synchronisation abschließen – alles kann von einer Person, einem Computer oder sogar einem einzigen Satz erledigt werden.
Aber eine noch entscheidendere Frage taucht auf: Wenn die „Produktion“ nicht mehr knapp ist, was ist dann die neue knappe Fähigkeit?
Zu dieser Frage haben wir zwei Praktiker aus der ersten Reihe eingeladen, die ihre Antworten in einem Rundgespräch während der WAIC gegeben haben. Im Gespräch haben Owen, Produktmanager von OiiOii, und Bruce, Chief Operating Officer von SeaArt.ai, ausgehend von echten Nutzerfällen, Produktentscheidungen und Nutzerökosystemen die wahren Variablen hinter der KI-Kreation aufgeschlüsselt: Wie die Schwelle verschwindet und wo die Chancen neu auftauchen.
Im Folgenden die aufbereitete Aufzeichnung des Gesprächs:
Wo genau ist die Schwelle der KI-Kreation gesunken?
InfoQ: Wir sehen jetzt, dass KI die Kreationsschwelle senkt – wo genau zeigt sich das? Wie niedrig ist diese Schwelle? Das intuitive Erlebnis der meisten Leute besteht darin, dass man mit einem Prompt, einer Mitgliedschaftsanmeldung und dem Ausgeben von Punkten multimodale Inhalte generieren kann. Aber abgesehen von der leichten Nutzung, welche weiteren Veränderungen und zukünftigen Richtungen bringt dies in der Branche?
Bruce: Ich kann einen echten Nutzerfall von unserer Plattform teilen. Bei einer früheren Nutzerumfrage hat mich ein Nutzer besonders beeindruckt: Er kommt aus Australien und ist Friseur. Er träumte seit seiner Kindheit davon, Maler zu werden, aber aus Notwendigkeit für den Lebensunterhalt legte er den Pinsel nieder und nahm die Schere in die Hand. Bei einem exklusiven Interview zeigte er uns sein Konto und sagte, dass der glücklichste Moment seines Tages jetzt darin besteht, nach der Arbeit nach Hause zu kommen und SeaArt.ai zu öffnen, um an seinen selbst erdachten OC-Charakteren zu arbeiten. Auf seinem Konto gibt es Hunderte von Videos und Tausende von Bildern, die er zu seinen Lieblingscharakteren generiert hat, sowie entsprechende Modelle und Anwendungen. Er erstellt einen Charakter und kreiert dann um diesen herum, als würde er das perfekte Bild in seinem Kopf durch den Akt der Kreation zum Ausdruck bringen.
Dieser Fall verdeutlicht sehr gut das Wesen der Senkung der Kreationsschwelle durch KI: Früher waren Fähigkeiten die Grenze, jetzt ist die Vorstellungskraft die Grenze. Unser Ziel ist es, diese Grenze ständig nach außen zu verschieben, sodass mehr Menschen, die ursprünglich keine Gelegenheit hatten, sich auszudrücken, die perfekte Welt in ihrem Kopf zum Vorschein bringen können. Unsere Vision ist es, dass jeder die Fähigkeit hat, sich auszudrücken – egal ob professioneller Schöpfer oder normaler Nutzer, wir bieten leicht zu erlernende, aber schwer zu meisternde Kreationswerkzeuge an.
Owen: Aus meiner Sicht zeigt sich die Senkung der Kreationsschwelle durch KI hauptsächlich in zwei Dimensionen. Erstens das Verschwinden der Fähigkeits- und Geräteschwelle. Früher brauchte ein normaler Mensch, der ein Video drehen wollte, professionelle Geräte, musste Drehbücher schreiben, Szenen und Darsteller suchen, filmen, schneiden und synchronisieren. Mit großen Sprachmodellen und multimodalen Modellen kann das Sprachmodell alle Drehbücher, Charakterprofile, Szenen und Bildprompts übernehmen, und das multimodale Modell wandelt diese Sprache schließlich in Bilder um. Für normale Nutzer muss der Gedanke im Kopf nicht mehr durch praktische Arbeit in der physischen Welt zu einem sichtbaren Ergebnis werden – das ist die Gleichberechtigung des Rechts auf Kamera.
Zweitens der steile Rückgang der Kosten, einschließlich der Kosten für Fehlversuche und der Zeitkosten. Früher konnte ein kleines Team einen ganzen Tag damit verbringen, ein 60-Sekunden-Video zu drehen. Jetzt kann eine Person mit multimodalen Werkzeugen von Anfang bis Ende in vielleicht einer Stunde ein fertiges Video von guter Qualität erstellen. Aus echten Nutzerfällen geht hervor, dass in den letzten sechs Monaten immer mehr Schöpfer ohne formale Ausbildung und ohne Vorkenntnisse in unserem Ökosystem über OiiOii virale Werke mit Hunderttausenden oder sogar Millionen von Likes auf Douyin erstellt haben, und diese Fälle sind keine Einzelfälle mehr – sie tauchen jede Woche auf. Diese Schöpfer sind tagsüber vielleicht Studenten oder Angestellte in Außenhandelsunternehmen und verwandeln sich abends in Produzenten und Regisseure. Das veranschaulicht sehr deutlich, wie KI-Videowerkzeuge und Bildwerkzeuge die Kette der Erstellung viraler Inhalte verändern.
InfoQ: Ungefähr um diese Zeit letztes Jahr habe ich mit Praktikern aus der Kunstbranche gesprochen. Er sagte, dass man für die Erstellung von Gemälden mit KI immer noch Fachbegriffe wie Inszenierung, Komposition und Beherrschung des Lichts beherrschen muss, um die KI zu steuern. Damals hatte ich das Gefühl, dass die Kreationsschwelle durch KI nicht besonders stark gesunken ist: Wer die Fachbegriffe nicht kennt, kann nur sehr subjektive Sätze beschreiben, und die KI versteht sie so gut sie kann. Ausgehend von den gerade beschriebenen Fällen der beiden – existiert diese Schwelle jetzt noch? Muss man unbedingt Fachbegriffe kennen, um gute Werke zu erstellen?
Owen: Das Konzept des „Prompt-Zauberers“ ist möglicherweise allmählich verschwunden. Erstens können multimodale Modelle bereits aus sehr einfachen Beschreibungen von Bildern, Kameraführungen und Lichteffekten direkt das ungefähre gewünschte Bild ableiten, die Schwelle ist stark gesunken. Zweitens kann das Sprachmodell mit der Verbesserung seiner Schreibfähigkeit, wenn man nur rein beschreibt, was dem Charakter passiert – einschließlich Zeit, Ort, Personen und Handlung – dies in Texte umwandeln, die nur professionelle Drehbuchautoren schreiben würden. Bei der Entwicklung von Werkzeugen geht es hauptsächlich darum, alle Black-Box-Fähigkeiten der multimodalen Modelle vollständig zu erschließen, sodass auch normale Nutzer 100 % der Fähigkeiten nutzen können. Man muss nur die Haupthandlung der Geschichte klar darstellen und die logischen Beziehungen ordnen – die Beschreibungen von Spezialeffekten, komplexen Kameraführungen und Gegenüberstellungen von Szenen können dem Modell zum Ausfüllen überlassen werden, man muss nur noch Feinjustierungen vornehmen.
Bruce: Meine Meinung zur Frage, ob die letzte Meile der Umsetzung von AIGC in der Kreation gelöst ist: Die Fähigkeiten der Sprachmodelle sind jetzt bereits sehr stark. Unser grundlegendstes Produktprinzip ist es, dass jeder hereinkommen kann und gleichzeitig professionelle Schöpfer bleiben können – also leicht erlernbar, aber schwer zu meistern. Als SeaArt im Jahr 2023 als Bildcommunity gegründet wurde, war Stable Diffusion sehr leistungsstark, aber seine Oberfläche sah aus wie ein Flugzeugcockpit: Man brauchte eine Weile, um mehr als 70 Parameter auswendig zu lernen, und wir haben damals auch lange dafür gebraucht. SeaArt entstand, um dieses Problem der letzten Meile zu lösen: Wir haben ein Ein-Klick-Werkzeug zur Bildgenerierung entwickelt, sodass Nutzer auch ohne jegliches Vorwissen über KI Werke erstellen können, die ihre Erwartungen übertreffen. Das ist auch der Grund, warum wir erfolgreich werden konnten: Wir haben dies popularisiert und die letzte Meile überbrückt.
Vom Nullpunkt zum viralen Werk – wie werden Bedürfnisse „sichtbar“?
InfoQ: Beide Produkte sind sehr erfolgreich und haben beachtliche Marktergebnisse im Zielmarkt erzielt. Was war der ursprüngliche Anlass für den Markteintritt der Produkte? Welche Chancen wurden damals erkannt? Welche Gruppen bildeten die ersten Kernnutzer?
Bruce: Vor der Gründung von SeaArt hatten wir in Chengdu ein Spieleunternehmen mit über 1000 Mitarbeitern namens Xinghe, von dem ein großer Teil aus Künstlern bestand, die für die Erstellung von 3D-Materialien und Spielgrafiken verantwortlich waren. Vor dem Aufkommen von KI war die Erstellung von Spielgrafikmaterialien sehr zeit- und arbeitsaufwändig. Nachdem 2023 Werkzeuge wie Stable Diffusion und Midjourney auf den Markt kamen, waren wir eines der ersten Unternehmen der Branche, das diese Werkzeuge in den Produktionsprozess von Grafikmaterialien einsetzte. Die Wirkung war sofort spürbar: Spielmaterialien, die früher eine Woche brauchten, um fertiggestellt zu werden, konnten in zwei Tagen erledigt werden. Aber bei der Nutzung sind wir auch auf Probleme gestoßen: Die Schwelle von Stable Diffusion war zu hoch, selbst unsere sehr erfahrenen Künstler brauchten ungefähr 10 Tage, um zu verstehen, wie es funktioniert. Midjourney ist zwar einfach zu bedienen, aber es ist ein quelloffenes Modell und konnte unsere hochgradig individualisierten Anforderungen an die Erstellung von Materialien nicht erfüllen.
Damals dachten wir: Da es keine perfekte Lösung auf dem Markt gibt, machen wir einfach selbst eine. Nach der Fertigstellung war die interne Resonanz sehr gut: Alle sagten, man kann es einfach erlernen und nutzen, und die Ergebnisse sind viel besser als früher, wo man fünf Mal „ziehen“ musste, um ein brauchbares Ergebnis zu erhalten. Wir erkannten: Wenn es intern diesen Bedarf gibt, müssen externe Schöpfer ihn auch haben – zum Beispiel eine große Anzahl von Menschen mit Vorstellungskraft, die nicht wissen, wie sie ihre Vorstellungen in die Realität umsetzen können, brauchen dieses Werkzeug. Also sind wir im April 2023 offiziell an die Öffentlichkeit gegangen. Bis heute decken wir über 50 Millionen Nutzer in 192 Ländern weltweit ab und sind in Japan zu einer national beliebten Anwendung geworden.
InfoQ: Hatten Sie damals keine Angst, dass die Öffnung dieses Werkzeugs die Konkurrenten in der Spielebranche stärkt?
Bruce: Wenn wir Kollegen stärken können, ist das auch unser Segen – wir können die gesamte Branche voranbringen. Später haben wir festgestellt, dass dies nicht nur eine Chance auf Werkzeugebene ist, sondern eine Chance für eine Revolution der Kreationsweise. KI heute ist wie die Kamera im Zeitalter des mobilen Internets: Eine Revolution auf Paradigmenebene. Das war der ursprüngliche Anlass für unseren Markteintritt und die Wurzel für unsere gute zukünftige Entwicklung.
InfoQ: Früher haben Spieleunternehmen eine große Anzahl von Konzeptkünstlern und Zeichnern für Materialien eingestellt. Jetzt werden immer noch Mitarbeiter eingestellt, die KI nutzen und die endgültige Prüfung der Werke übernehmen, um zu entscheiden, welche Version verwendet wird. Wie sieht das Talentprofil für diese Stelle heute aus? Legt man mehr Wert auf Ideen und Ästhetik, oder stammen die Mitarbeiter immer noch aus der Branche der Konzeptkünstler und wechseln zur KI-Malerei?
Bruce: Das Talentprofil bei der Personalbeschaffung hat sich tatsächlich verändert. Vor 2023 haben wir bei der Einstellung von Mitarbeitern auf ihre bisherige Berufserfahrung geachtet, ob sie Werkzeuge zur Erstellung von Spielmaterialien beherrschen und ob sie die benötigten 3D-Materialien erstellen können. Aber jetzt sind Fähigkeiten nicht mehr die Grenze – die Vorstellungskraft ist die Grenze. Wenn wir jetzt Talente im Zusammenhang mit Spielen einstellen, schauen wir zuerst, ob die Person „Geist“ hat – also ob sie interessant ist, ob sie Punkte hat, die bei anderen Resonanz und Freude auslösen. In der Inhaltsproduktionsbranche ist das die Fähigkeit, virale Werke zu definieren. Nach unserer bisherigen Erfahrung ist diese Fähigkeit schwer zu vermitteln, man kann sie nur auswählen – sie hängt ein wenig von Talent ab. Die Inhaltsbranche scheint eine niedrige Schwelle zu haben, aber die anschließende Aufstiegskurve ist sehr steil: Ohne Talent kommt man kaum voran, denn wenn man keine Resonanz bei den Nutzern erzeugen kann, ist es schwer, die langfristige Bindung der Nutzer zu erhöhen.
InfoQ: Owen, der Boom eures Produkts liegt zeitlich näher – in welchem Jahr war der Anfang?
Owen: Unsere Welle war 2025. Nach den Bildern kommen die Videos. Wir haben den Einstieg gewählt, als wir sahen, dass die Modelle wirklich nutzbar geworden sind und die erstellten Inhalte Konsumwert haben. Bevor Sora erschien, konnten Modelle wie Keling bereits Inhalte mit Konsumwert durch „Ziehen“ von Ergebnissen erstellen, und viele Kurzspiel-Unternehmen versuchten auch, mit KI Kosten zu senken und die Effizienz zu steigern. Obwohl die Modelle nutzbar geworden sind, gibt es für normale Nutzer immer noch eine große Lücke zwischen der Unkenntnis der Nutzung von Modellen, der Erstellung des fertigen Videos und der Erstellung von qualitativ hochwertigen Videos – das ist die Chance für Werkzeuge. Aus der Perspektive normaler Nutzer gilt das, und für B2B-Kunden müssen sie ihre Vermögenswerte und Materialien besser verwalten, die Rate des wiederholten „Ziehens“ senken und die Konversionsrate von Inhalten erhöhen. Die im Werkzeug integrierten Agenten verfügen über eigenes Branchen-Knowhow, können Nutzern beim Schreiben von Prompts helfen, das Verhältnis von einem brauchbaren Ergebnis aus zehn Versuchen auf eins aus fünf oder sogar eins aus drei zu senken – dadurch sinken natürlich Kosten und Zeit.
Außerdem fürchten viele Leute, dass die ständige Iteration der Modelfähigkeiten den Wert der Werkzeuge auffrisst, aber im Videobereich gehen wir davon aus, dass das nicht passieren wird. Langfristig wird der Wert der Werkzeuge immer bestehen und kaum von den Modellen internalisiert werden können: Denn von dem Gedanken im Kopf bis zu einem fertigen Video mit Konsumwert und viralen Potenzial braucht es eine enge Zusammenarbeit zwischen Schöpfer und Werkzeug, Konzeption und Feinjustierung. Die Werkzeuge haben langfristig einen sehr großen Wert.
InfoQ: Owen, schaust du Manhua-Dramen? Aus deiner persönlichen Sicht – wie ist das aktuelle Niveau der Herstellung von Manhua-Dramen?
Owen: Ich schaue tatsächlich Manhua-Dramen, früher habe ich mehr die für männliche Zielgruppen bestimmten Werke gesehen. In letzter Zeit stehen viele Manhua-Dramen an der Spitze der Beliebtheitslisten: Zuerst waren es Realfilme, dann wurden die realistischen Simulationsfilme populär, und jetzt steigen die Manhua-Dramen wieder auf. Mit der Reifung der Fähigkeiten von Werkzeugen und Modellen verändert sich auch die Form des Inhaltskonsums. Die Herstellungsqualität oder der Schwierigkeitsgrad von Manhua-Dramen ist möglicherweise etwas niedriger als bei realistischen Simulationsfilmen. Die Kosten für realistische Simulationsfilme sind höher: Um eine Simulation von echten Personen zu erstellen, muss man extrem nah an echten Menschen sein, die Emotionen müssen ausreichend fein sein, Mikroausdrücke und Mikrobewegungen müssen vorhanden sein – das erfordert mehr Prompt-Feinjustierungen und wiederholtes „Ziehen“ von Ergebnissen. Manhua-Dramen haben einen natürlichen Vorteil: Das Publikum sieht diesen Zeichenstil und weiß von vornherein, dass er generiert ist, also wird es kaum aus der Handlung gerissen, und die Aufmerksamkeit kann sich mehr auf die Handlung und das Drehbuch selbst konzentrieren.
Die Bedürfnisse der Nutzer treffen – Funktionen, die mit „echtem Geld“ unterstützt werden
InfoQ: Die nächste Frage: Wann und durch welche Funktion haben beide Produkte das erste Mal ein starkes Wachstum verzeichnet? Wie wurde das entdeckt? Fangen wir mit Owen an – die Szene mit 10.000 Menschen in der Warteschlange hat sich direkt vor euren Augen abgespielt.
Owen: Der Boom Ende letzten Jahres war die Hauptfunktion mit sieben Agenten, die einem bei der Erstellung von Animationen helfen. Nachdem man ein paar Sätze in das Werkzeug eingegeben hat, treten mehrere Agenten wie Storyboard-Designer und Drehbuchautoren auf – das gibt dem Nutzer das Gefühl,