前些天用 AI 做了一部 3 分 13 秒的动画短片《残響》。这篇写它的创作背景——一个想法是怎么从"脑子里几帧说不清的画面"，长成一个能拍的故事的。至于制作过程中和视频 agent 搏斗的部分，槽点太多，值得另开一篇。
#一、画面在颅内，接口还没发明出来
在开始思考 vibe creating day 该做什么之前，我其实脑海里已经有一些画面了。说是画面，其实更接近一些质感：泛黄的光、隔着一层玻璃的街道、一个站在空旷处的背影，镜头离他很远。它们不成故事，也不连续，像从一部不存在的片子里散落出来的帧。
苦于自然语言和视频画面之间存在信息传输损耗，且这种损耗是双向的：一段视频可能对应着无数个版本的文字，从不同角度映射；一段文字描述也可能对应着无数符合这段描述的视频。两个空间之间不存在一一对应，任何一次转换都是有损压缩。对那个时候的我来说，如何把脑海里的那些片段压缩成文字，是遇到的第一个问题。这是种进阶版的看图写作——小学的看图写作至少把图印在卷子上，而这种连续的图片不存在于物理世界，也无法借助外部工具进行解码。倘若是一个存在电脑上的视频片段，尚且还能丢给 VLM 拿到一段像模像样的描述，然而这条捷径不存在：画面在颅内，接口还没发明出来。
#二、Anemoia：对未曾亲历时代的乡愁
但这只是个开始。既然无法直接描述这些视频片段，我便尝试着用另一种正推的方式，先去思考我大概想要营造什么样的氛围。联想到最近看《悠长假期》时，盯着屏幕内那个泛着黄光、一眼能看出不属于这个时代的造景，产生了 anemoia——对未曾亲历的时代的乡愁。这个词还是在和 AI 聊天时了解到的。一个现象能被封装成一个词汇，本身就证明它起码不是小范围事件：得有足够多的人反复经历同一种说不清的情绪，语言才会为它腾出一个位置。
美国的 Z 世代会对 90 年代的电影产生别样的向往吗？日本的 20 代会"怀念"一个历史上真实存在、他们的父辈经历过、只是他们姗姗来迟的那几十年吗？中国这批刚走出大学的学生，会因为从小看到的那个世界、那种频率渐渐消散而感到失落吗？
我没有做过调查，没法替他们回答。但至少样本量不是零——我自己就算一个。
这些发生在 vibe creating 之前。
#三、歌是现成的坐标
由于一直没能想好该如何描绘这幅图景，我想到了一种穿梭于不同语言之间的翻译器——LLM。
翻译的本质不是逐词替换，是同一个意义在两套编码系统之间被重建。中文和英文之间的那段距离，LLM 已经走得很熟练了；而多模态模型在做的，是把这套翻译扩展到语言之外。视频模型的训练方式，是使用带有自然语言标注的视频素材作为训练材料，将视觉元素和自然语言在潜空间内对齐。那么类似于中英文互译，是否在模型的视角里，某段文字、某些旋律、某种画面，在潜空间中遥相呼应——它们是同一个点在不同模态里的投影？
如果是，那我其实不需要正面回答"脑内的画面该怎么用文字描述"这个问题。我只需要找到已经存在于世界上的、和那些画面落在同一簇的东西，把它当作坐标。
歌是现成的坐标。
#四、泡沫之前是物事，泡沫之后是映像
试了试 20 代这批日本新生代的歌曲——YOASOBI、ヨルシカ、なとり、Official 髭男 dism、RADWIMPS、藤井風等等。选日本不完全是口味问题。日本是个很有意思的文化圈层：在泡沫破裂之后，主旋律渐渐消声。泡沫之前的日本，文化输出的是东京塔、涩谷、银座，是现实世界中的物事——那个年代的日剧敢把镜头怼着一条普通的商店街拍，因为现实本身就是卖点；泡沫之后的日本，输出的是 EVA、吉卜力、宫崎骏，是虚拟世界中的映像。东京塔还在，涩谷还在，原宿还在，且这些物事依然顺着时代潮流染上了新的视觉元素，但对于年轻一代来说，叙事从现实迁移到了网络世界——是以初音未来为开端的 Vocaloid，是从商业化动漫制片体系里溢出的民间画师，是从 JPOP 唱片到以 YouTube/Niconico 为分发载体的唱见。输出的坐标从地图上的一个地址，变成了视频网站里的一串 ID。宏大叙事被打散了，散落在各行各业，音乐、动画、游戏，成为泡沫之后日本文化输出的主流。
这些新生代从未经历过那个泡沫之前的时代，但是他们用画笔、用人声、用程序，创造了一个新的时代。有意思的地方在于：他们并没有试图把旧频率复刻出来——他们发射的是自己的频率。那些歌里当然有旧时代的残影，但那不是文物修复，是新的声音里混着回声。
然而新时代的游轮，承载不了一部分怀念过去的人。他们不断回顾着老电影，试图透过玻璃回到那个的确存在过、也的确已被宣告死亡的时代；他们会圣地巡礼，按着地图找到某部老日剧的取景地，站在同一个路口举起手机——建筑还在，光线也对，可按下快门的那一刻就会明白，拍到的只是布景。想找的东西不在经纬度上。时代在向前走，而他们留在了原地。
至少在那个下午之前，我大概也是其中之一。
#五、三段图景
怀着这种心境，我开始尝试去描绘一幅图景：借用录像带这个载体，回到那个滤镜温暖、单单是一个镜头就能感受到明天一定会变好的时代；再用冷色调描绘那个时代落幕之后、褪了色的世界；最后以"染色"为转折点，描绘出一个已经在悄然新生、共鸣共振的新时代。
#幕一：不拍任何大事件
录像带那一段，我给自己定的要求是：不拍任何大事件。没有节日，没有庆典，只是某年某月的几个普通日子——塔吊转过天际线，放学的孩子在窄路上疯跑，一家人围着电视看棒球。那个年代真正奢侈的东西不是繁荣，是普通日子里那种不需要证明的松弛。庆典谁都拍得出来，松弛拍出来才算数。磁带里只藏了一个多余的镜头：夕阳把拍摄者自己的影子投在马路上，影子顶端是一台举起的摄像机的轮廓。当时看只是个闲笔，到结尾才知道它是什么。
#幕二：巡礼必须彻底失败
褪色的第二幕，设计原则只有一条：巡礼必须彻底失败，不留任何"其实还剩一点"的安慰。空月台上电车照常进站、开门、关门、离开，全程没有一个人上下车，像一套不需要观众的仪式。但失败要失败得诚实——他一无所获，不是因为东西不在了，而是因为他在找错误的形状。有一场戏：他低着头走过一个路口，画面高处有一扇亮着暖光的窗，镜头看得清清楚楚，他没有抬头。他在找那种铺满整条街的光，所以看不见一扇窗户里的光。观众比他先看见，这就够了。
#转折：染色，与一面墙
染色这个转折想了很久。它不能是世界自己变好——那是童话；也不能是主角找到了旧时代的某处残留——那是考古。颜色必须由主角自己的一个动作引发。找了一整天频率的人，最后发现频率不是用来找的。
承担这个转折的是一面墙。三十年前有人画到一半被中断的旧壁画，褪成灰白，只剩一道停在半空的弧线；今晚，一个陌生人从那道断口接着画了下去，颜料还没干。他蹲下来碰了碰，指腹沾上一小片蓝紫色——这滩颜料，几分钟前还不存在。不是找到的，是刚刚做出来的。然后他拿起画者留下的笔，在新画那座空城的正中央，画了一个笨拙的小人。全片唯一的超现实就发生在这里，而且我只给了它一条规则：看见壁画，世界不变；摸到颜料，世界不变；笔尖离开墙面的那个瞬间，对面的窗户亮了。规则只需要生效一次，观众自己会推导出结论——发现不改变世界，创造才改变。
#四扇窗
第三幕亮起来的窗户里放什么，有一条筛选逻辑：新频率不是由爱构成的，是由"爱到动手"构成的——所以入画的必须是正在发生的创作行为，而不是消费的痕迹。最后窗户里放了四件事：伏案作画的手、戴耳机编曲的剪影、一个被逐帧调整走路姿势的像素小人、一条滚动的剪辑时间线——作画、音乐、游戏、影像，正好是泡沫之后日本文化输出的四条主线。承载物自己变成了论据。
#齐唱与复调
声音上把同一个结构又写了一遍。第一幕的世界是齐唱：人声、电车、碰杯，所有声音朝一个方向轰鸣；第二幕只剩他自己的脚步声；转折点在一段台阶上——他坐下，脚步声停了，世界第一次真正安静，然后那段旋律才浮出来。它一直都在，只是被他自己寻找的脚步声盖住了。第三幕窗户一扇扇亮起，每扇窗带来一段互不相同的旋律，编成复调。旧时代是齐唱，新时代是复调——不是同一首歌了，但同时被听见的时候，音量不输当年。
#工具即面具，与第四次快门
还有一条贯穿全片的规则：所有正在创作的人都不露脸。磁带里的拍摄者只有影子，巷子里的画者只留下跑远的脚步声，主角全程背影。他的正脸只出现一次——不是在他画完的时候，而是在他举起手机拍下这条亮起来的街、然后把手机放下来的时候。当他不再需要一块屏幕做自己和世界的中介，面具才摘掉。片名字卡之后还有五秒：第二天清晨，一个背书包的小学生路过那面墙，停下，举起手机。全片最后一个声音是那声快门。举摄像机的人、画墙的人、举手机的他——同一个动作隔着三十年发生了三次，而快门声，是第四次的开始。
#六、残響
片名叫《残響》：声音停止之后，仍然留在空间里的那部分。它延续的方式从来不是被保存，而是被回应。
旧的世界确实死了，这没什么好讳言的。怀念可以，沉湎不必——因为新的频率不在过去里，它正在此刻，一点一点成形。