详见 | 当一个导演开始把自己蒸馏成Skill，人还剩下什么？

2026.09.23AI × 专业劳动 / 人机关系 知产力 · 详见

陆川把一台电脑完全交给AI，又开始把几十年的导演经验“蒸馏”进自己的工具。当AI越来越会做、会判断，甚至开始参与提出问题以后，我们真正要决定的，也许已经不是它能做到哪里，而是我们愿意让它做到哪里。

陆川身边三四米远的地方，放着一台电脑。

他叫它“小怪物”。

今年9月，他把里面敏感、保密的信息清掉，开始放弃对这台电脑的一对一控制。他让AI接管剪辑软件、三维制作软件和后期软件，再给它搭工作流：从剧本开始，到分镜、影像生成、镜头拼接和剪辑。

他准备先从一分钟开始，让AI自己做一部片子。

陆川想看的，不是AI还能不能生成漂亮镜头。这件事已经没有那么神秘了。

他想知道的是：

当AI一路往前走的时候，人会在哪一个地方不得不把手伸回去？

“我想了解的是人类创作者需要在哪些节点进行干预和推动。”

更有意思的是，做这个实验的人又反复说：

“我很矛盾。”

一边，他比很多电影人都更积极地把自己的工作交给AI；另一边，他又担心有一天，AI真的让这个行业里大量具体的人失去工作。

我第一次读完这篇访谈时，觉得这个矛盾可能比那部一分钟的电影本身更值得研究。

因为它最后问的，也许不只是电影。

陆川拍过《可可西里》《南京！南京！》，几十年里写过几百万字。

过去半年，他又开始做一件以前和“导演”这个职业没有那么直接的事：写AI工具。

一个叫“情书”的剧本写作软件，他借助AI编程工具做了57天，写了将近一万行代码。后来又做电影工作流“上镜”，并用自己的数据训练小模型“积木”，试着把导演对于空间、镜头和“电影感”的判断继续放进系统。

陆川自己用了一个很准确的词：

蒸馏。

他想把自己的各种skill蒸馏进去，以后还想加入父亲陆天明和一些同行的经验。

听上去，这是在训练一个更懂电影的AI。

换一个方向看，却有一点残酷：

一个从业几十年的专家，正在主动把自己赖以成为专家的东西，从自己身上剥下来。

陆川讲过一个很小的故事。

“情书”做出来以后，他把软件交给工程师封装。功能都还在，但有些地方他就是觉得不对。

比如鼠标怎么翻页。

对工程师来说，这可能只是一个很小的交互细节：页面能翻过去，功能就完成了。

但对一个写了几百万字的人来说，不是这样。

一段文字怎么出现在眼睛面前，什么时候停顿，手在什么地方翻页，本来就是写作体验的一部分。

功能还在，感觉没了。

我们过去通常把这类东西叫经验、手感、审美，或者know-how。

它们有一个共同特点：一个人很清楚什么是对的，却未必能把几十年形成的所有判断一次说清楚。

这也是传统专家很难复制的原因。

你可以买下一家公司的办公楼、设备和软件，却很难把几十个人几十年形成的判断从他们脑子里完整搬出来。

AI正在改变这件事。

陆川可以一次次告诉“情书”：

为什么这个人物不成立。

为什么一个看上去很完整的情节仍然俗。

为什么一组技术上很漂亮的镜头，没有他要的电影感。

过去，这些东西也许只存在于一个人的脑子里，或者留在师徒、同行之间长期合作形成的默契里。

现在，它们还可以留下另一种痕迹：

案例、反馈、标注、规则、数据、skill。

一个人的隐性经验，开始有可能被不断捕获、解释，最后变成一个脱离本人也能反复调用的系统。

AI带来的变化，可能不只是替导演多做一点工作。它正在尝试把人的经验，从人身上搬下来。

这时候很容易得到一个让人安心的答案：

没关系。

AI负责做，人负责判断。

陆川自己的使用经验似乎也支持这个说法。

直接让大模型写一个完整剧本，往往达不到他的要求。但把已经写好的东西交给AI，让它做“剧本医生”，表现却相当不错。

问题恰恰在这里。

如果AI已经能够成为一个越来越好的剧本医生，那么它进入的就不只是生成。

它也在学习判断。

2025年ACL的一项研究构造了1300篇带有特定写作问题的故事，用来测试大模型提供创意写作反馈的能力。结果发现，模型已经可以给出具体且多数准确的修改意见；它们仍经常找不到一篇故事“最大的那个问题”，也不总能准确判断什么时候应该批评、什么时候应该肯定。

但这里最值得注意的，不是AI还有什么不会。

而是它已经从：

“我帮你写。”

走到了：

“我告诉你哪里写得不对。”

于是，“判断”也开始失去作为安全区的资格。

软件开发里正在发生类似的事情。

Anthropic分析了大约40万次Claude Code真实会话。在典型会话里，人承担约70%的“做什么”这类规划决策，而Claude承担约80%的“怎么做”这类执行决策。更有意思的是，使用者自身的领域经验越强，往往越能让Agent一次承担更多工作，成功率也略高。

陆川就是一个很好的例子。

他不会传统意义上的软件开发。

但因为知道导演需要什么，有了AI以后，他没有只是少写几页剧本，而是第一次获得了亲手制造导演工具的能力。

专家越成功地把旧经验交给机器，那些旧经验本身越不稀缺；但同一个过程，也可能把专家推到过去到不了的位置。

假设“小怪物”第一次生成了一组镜头。

陆川看完说：

“不对。”

为什么？

他说出原因。

系统记下来。

下一次遇到类似问题，它改了。

如果这个循环不断发生，有一天，陆川可能不需要再为同一个问题伸手。

每一次专家不得不出手，都可能成为下一次不再需要专家出手的训练材料。

今天的直觉，被解释以后，可能成为明天的数据。

今天只有专家才能作出的判断，也可能成为未来Agent的一项默认能力。

专家不是在某一天突然被AI替代。

他的边界，可能是在一次次成功使用AI的过程中，自己向后移动的。

电影之外，律师修改合同、专利代理师答复审查意见、程序员拒绝一段代码、编辑退回一篇稿件，只要把那个“为什么”继续说清楚，都可能发生类似的事情：

个人经验开始转化成机器和组织能够重复调用的能力。

从经济学角度看，AI因此远不只是一个生产率工具。

它还在改变知识以什么形态存在。

过去附着于个人的人力资本，开始有机会沉淀成可以复制、组合和反复运行的知识资本。

到这里，我们还可以继续向后退一步。

执行可以交出去。

生成可以交出去。

判断也在被学习。

那人至少还有：

提出问题。

机器会回答，人决定什么问题值得回答。

机器会执行，人定义目标。

这个答案很诱人。

但它也未必足够稳定。

2026年5月发表在《Nature》的Google Co-Scientist，已经可以在科学家给出的研究目标下，自行检索文献、提出新的科学假设，让多个Agent持续生成、批评、排序和修改，再形成实验方案。

这里有一个很重要的前提：高层研究目标仍然由科学家提出。

所以，这项研究远不能证明AI已经能够代替人决定“什么值得研究”。但它至少说明，过去我们认为高度属于人的“提出假设”，也正在成为机器可以大量参与的工作。

“走到问题前面”，已经不再是一块可以放心划给人的固定领土。

于是这场寻找安全区的游戏变得有些奇怪。

执行不行，就退到判断。

判断开始失守，就退到提出问题。

再往后，还可以退到目标。

可是AI的能力边界仍然在动。

那么，人到底应该退到哪里？

陆川自己其实早就说出了另一个问题。

“我很矛盾。”

一方面，他每天都在学AI，自己写工具、训练模型，把电脑直接交给Agent。

另一方面，他又非常警惕AI对传统电影工业的冲击。

他的成长伴随着中国电影工业逐渐成熟的二十年。在那个体系里，有明星，也有老戏骨；有摄影、美术、灯光，也有大量群演和靠整个行业生活的人。

他不愿意看到AI像一个“蛮族”一样闯进来，只剩下一条评价标准：谁更快，谁更便宜。

甚至有一天，一群真人重新聚在一起，用传统方式拍一部电影，在陆川看来，可能会变成一件奢侈、珍贵而且充满仪式感的事情。

我觉得这种矛盾一点也不落后。

因为陆川的问题已经不是：

他不知道AI能不能做。

恰恰相反。

他越来越知道AI能做，却还没有决定，什么应该让它做。

前一个问题是技术。

后一个问题已经开始进入选择。

陆川真正害怕的，也许并不是AI会不会拍电影。

而是：

当AI真的会拍以后，我们会不会只剩下一个理由——它更便宜。

几十年前，经济学家Oliver Hart研究过一个看起来与电影毫无关系的问题：合同。

现实中的合同不可能把未来所有情况提前写完。

所以Hart和合作者关注一个关键问题：

那些没有写进合同的事情，最后谁有权决定？

他们把这种权利称为“剩余控制权”或“剩余决策权”。Hart后来在诺贝尔奖演讲中也专门回顾了这一思想。

当然，把这个问题搬到AI里，是一个类比，不是Hart理论原本的结论。

但一个skill也有类似的“不完全”。

你可以把几十年的导演经验放进去，可以给案例、写规则、训练评价器，却不可能今天就列出未来每一部电影、每一种表达、每一个例外出现以后应该怎么办。

只要系统还没有覆盖那个状态，就会出现一个很朴素的问题：

现在谁来决定？

最初可能是陆川。

但陆川今天处理这个例外的方法，明天又可能进入skill。

人的边界因此不像一道墙。

更像一条不断改变位置的海岸线。

可是，即使“小怪物”有一天已经很强，问题仍然没有结束。

假设它会写剧本、会分镜、会剪辑、会评价自己的镜头，甚至能根据陆川过去几十年的选择预测：

这个地方，陆川大概率会删。

还有一个问题：

它能决定，和我们让不让它决定，是不是同一回事？

一个AI可以提出比律师更好的诉讼方案，不意味着它因此获得了替客户决定是否和解的权力。

它可以判断一家公司关闭某条业务线收益更高，也不意味着它自动获得董事会的权限。

过去我们不太容易看到这个区别，是因为提出意见、作出判断和拥有最后决定权的，经常是同一个人。

AI正在把它们拆开。

所以有两个过去常常混在一起的东西，需要重新分开：

判断能力，和最后决定权。

同样：

生成一个目标是一种能力，让这个目标获得效力，则是治理。

这也让我重新理解陆川关于“欲望”的那段话。

他说，人有恐惧，有对死亡的感受，有爱，有绝望，所以才会创作。

我不确定这些是不是产生优秀作品不可缺少的技术条件。

未来的AI完全可能生成一部让人流泪、害怕，甚至很多年以后仍然记得的电影。

但“欲望”还可以有另一种理解。

它未必回答：

为什么只有人能够产生某种画面。

它可能回答的是：

为什么有人非要拍这部电影。

为什么明知道另一个版本更容易成功，他仍然愿意用自己的时间、名誉和资源，为这个选择承担失败的代价。

到这里，问题已经不再只是：

谁算得更准。

而是：

谁来决定，以及谁愿意为这个决定负责。

现在再回头看陆川身边三四米远的“小怪物”，我越来越怀疑，这个实验最后可能找不到他一开始想找的那个节点。

不会有一条清晰的线告诉我们：

到这里为止属于AI。

从这里开始永远属于人。

因为每一次陆川不得不把手伸回去，都可能成为下一次机器不再需要他的训练材料。

如果我们一直寻找一种“机器永远不会的能力”，也许只会不断向后退。

所以值得问的问题正在变化。

不是：

还有什么AI永远做不到？

而是：

当AI已经能够做到以后，哪些事情我们仍然选择不完全交给它？

这个问题迟早会来到每一个不断把自己的工作交给Agent的人面前。

开始的时候，我们讨论的是：

机器能做到哪里？

到后来，问题会越来越变成：

我们愿意让它做到哪里？

“能不能做”，越来越快地被技术回答；“要不要这样做”，却无法只靠技术回答。

当能力边界不断后退以后，治理边界开始显形。

核心判断

本文不试图寻找一项“AI永远学不会”的人类能力，而是观察另一种变化：当经验可以被蒸馏、判断可以被自动化、提出假设也开始机器化以后，“能否完成”与“是否授权其独立决定”正在分离。能力边界移动得越快，治理问题越会显形。

研究说明

本文以陆川接受《智能涌现》采访为主要人物材料。“专家蒸馏”“海岸线”等表述为《详见》的分析性概念。

文中借用Oliver Hart关于不完全契约与剩余控制权的思想，仅作为观察AI工作系统的类比，并不将Skill等同于合同，也不把本文的“治理”结论归于Hart本人。

关于Co-Scientist的讨论仅依据论文所展示的能力范围：系统在研究者给定的研究目标和已有证据条件下生成、批评与改进假设；本文不据此推断AI已经能够独立决定“什么研究值得做”。

主要来源

1.温丽虹，张雨忻：《导演陆川写了3个AI工具：我想弄清楚人到底哪儿不可替代》，《智能涌现》，2026-09-22。本文关于“小怪物”“情书”“上镜”“积木”、57天/近一万行代码、“我很矛盾”、真人拍电影等事实与直接引语主要据此。公开转载页

2.Hannah Rashkin, Elizabeth Clark, Fantine Huot, Mirella Lapata, “Help Me Write a Story: Evaluating LLMs’ Ability to Generate Writing Feedback.” ACL 2025。研究使用1300篇人为植入写作问题的故事，发现大模型可提供具体且多数准确的写作反馈，但常漏掉最主要问题，并可能误判何时应给予批评性反馈。原文

3.Anthropic, “Agentic coding and persistent returns to expertise.” 2026-06-16。基于约40万次Claude Code会话，分析规划/执行决策的分工以及领域经验与Agent使用效果的关系。原文

4.Juraj Gottweis et al., “Accelerating scientific discovery with Co-Scientist.” Nature 655, 487–496 (2026)，2026-05-19在线发表。原文

5.Oliver Hart, “Incomplete Contracts and Control.” Nobel Prize Lecture。Hart回顾不完全合同中“缺失事项由谁决定”的问题，并称之为residual control or decision right。原文

共创说明

《详见》保持AI共创透明。本文在资料检索、反方审稿、结构推演和事实核验中使用AI辅助；选题、判断、取舍与最终发布责任由作者承担。