B站爆款AI短片《牌子》背后：单镜头生成3000次，UP主自曝狠活
现在是2026年2月13日。如果你还没搞清楚现在的AI有多强，请立刻去看B站上最火的AI短片《牌子》。 这支7分钟的视频，上线一周播放量破千万，点赞80多万，投币30多万。 《流浪地球》导演郭帆看到后转发点赞，YouTube上一堆老外被震惊，弹幕里大家喊着封神。
差评编辑部的后期们也在上班时间，讨论到底是怎么做的。 视频一开始，一个人戴着帽子走进森林，看到“禁戴帽子”的牌子后，原地被“消失”。镜头迅速下拉，帽子滚到画面前方。 接着音乐一起，短片名《SIGN》出现在屏幕前。
再紧接着镜头丝滑转场，SIGN成了汽车里的按钮。 收音机正在播报新闻：火星上发现了一块神秘“？”警示牌，地球上也开始出现越来越多看不懂的牌子。 这些告示牌一出现，警告的事情就会立即发生，即便它不符合常理。
随着镜头晃动转向车窗外，路边突然出现“奶牛从天而降”的警告牌，下一秒奶牛真的从山坡上滑下来。 后视镜里映出司机的脸，奶牛摔下的灰尘四溅，急刹车的惯性让司机来了个大踉跄。 看到这些，差评君已经坐不住了。
要知道这些物理细节，一直都是AI视频最容易穿帮的地方啊。 接下来更绝。一个长达20秒左右的十字路口镜头，几乎是一镜到底的感觉。 上一个牌子的效果还在触发，下一个牌子已经到来。滑倒的行人、骑自行车的熊，各种超自然事件一个接一个在画面里发生。
要知道AI视频模型通常只能生成几秒钟片段，时间一长，场景、人物都会漂移、变形。我真无法想象这个镜头是怎么撑住的。 最后一张报纸飞过来挡住画面，当它被吹走后，我们又被带到下一个场景。转场丝滑到你根本意识不到这是拼接出来的。
整支片子7分钟，几乎每一帧都是这个密度。剧情也同样扎实。 越来越多看不懂的告示牌让世界陷入混乱，一个巨大的“不言不视不闻”的警告牌从月球砸向地球。 人类的文字开始被吞噬，无法沟通交流，秩序逐渐崩塌。
好在人类发现了交流的本质在于表情、手势。 于是大家利用emoji重建了沟通方式。最后我们飞回火星踢翻了那块牌子，并插上新的牌子。 这条视频是UP主DiDi_OK参加B站首届AI创作大赛的参赛作品。1月5日，B站面向全球创作者启动比赛，第一名奖金100万，3月20日截稿。
比赛还没结束，这条片子已经提前炸场了。看完这条视频，我的第一反应就是，这哥们是谁？他究竟怎么做到的？ 我甚至想立刻知道他每个镜头、每一帧都用了哪些模型和提示词。托朋友联系上DiDi_OK之后，差评君立刻就把语音拨过去了。
DiDi_OK是河南郑州人，在英国留学学的3D动画，毕业后进了伦敦WPP总部，全球最大的广告传播集团之一，干了快4年。 早在三年前，公司就要求全员接触AI，但那会儿的AI视频是什么水平呢？差评君估摸着也就威尔·史密斯第一次吃意面的水平吧。
但他当时排斥的，倒不是AI本身，只是觉得没到AI够用的那个时间：我用Blender自己做都比你快，不伺候。 去年4月，Runway推出了Gen4，他发现画面开始有物理规律了，石头可以正常地落地、弹开，心里想着“那一天终于还是来了”。
DiDi_OK觉得这个起点够了，就去参加了一个AI电影节。公司一看，行你小子，直接给他开了个AI导演新的岗位。 所以现在他的生活是这样的：白天给大客户做AI广告，晚上下班回家自己做AI短片。有时美国客户的时差逼得他凌晨1点才下班，但他还想再做一两个小时自己的东西。
《牌子》视频的灵感，来自于一趟圣诞假期。去年圣诞节，DiDi_OK跑去英国最西边的康沃尔。 因为康沃尔有自己的方言和标识习惯，所以他一路上遇到一堆看不懂的牌子，导致每次经过都会小心翼翼。 最后让他下定决心要做这个选题的，是这边朋友家洗漱台旁边居然也贴着一张小纸条，上面也写了一行字，看不懂，但他总觉得好像有什么不得了的东西。
他没问，就让这个疑惑一直留着。 圣诞节结束后DiDi_OK又去了土耳其，这里语言就更不通了。他跟出租车司机聊天都得两人打开ChatGPT，互相翻译着对话。 这一路上他拍了很多那种看不懂的标识牌，也经历了很多只能靠手势和微笑交流的时刻。
慢慢地他开始想一个问题：当语言不通的时候，人和人之间的沟通会退化到什么状态？手势、微笑、emoji。 这就是《牌子》视频最后的设定：当人类语言被吞噬后，大家开始用emoji沟通、最终实现反击。 灵感有了，但从灵感到一个7分钟的完整故事，中间还有他2个月的打磨。
DiDi_OK的习惯是在iPhone备忘录里随手记灵感，想到一句就记一句。这个视频的剧本，他前后记了四五个不同的文档，才开始搭出一个大概的框架。 因为对剧本的高要求，有时他一觉醒来会推翻自己写了半个月的东西。
在《牌子》的剧本定稿后，DiDi_OK其实预判到了：比赛周期这么长，中间大概率会有新模型发布。当时他猜是Google的Veo4，结果来的是Seedance 2.0，效果比他预想的还猛。 但这在他计划之内——写剧本的时候他就定了一个原则：故事要能扛住技术迭代。
他认为AI再怎么发展，最好的状态也不过是无限接近实拍和传统CG的效果。既然如此，那从古至今的规律就不会变，好故事永远是好故事。 当然在技术上，他也努力做了亿点点模型超标。比如十字路口那个镜头，DiDi_OK明知道当时的模型做那种复杂场景很吃力，但他偏要在那个点上死磕，把技术表现往前推。
这样就算新模型出来了，观众回头看也不会觉得过时。 说到这，重点也来了，大家一定特好奇：《牌子》到底是怎么做出来的？为什么DiDi_OK的AI这么听他话，能把视频一致性做得这么强？ 嗯，首先，你要失望了。
DiDi_OK的AI视频模型也不听话。DiDi_OK说他没有做分镜的习惯，不是他不想做，是因为至少在当时的AI水平下，就算画了分镜它也不听你的。 所以他后来的策略是靠“体感”。把满意度区间设在80到100分之间，专业积累让他知道什么是80分，而AI偶尔会暴击到100分以上。
但满意也是要代价的，代价就是无限抽卡。十字路口那个15-20秒的镜头，是整个视频里成本最高的。 DiDi_OK有一次闲着无聊数了一下生成记录：他每次点4个一组批量生成，菜单里排了1000多组。也就是说，单算那一个镜头，他生成了三四千条视频。
水獭那个镜头也折磨人。因为画面里同时出现大量动物，AI很难保证每一只都没有bug。数量一多，模型就顾不上别的了，有时候镜头会莫名锁定在一个士兵的脸上。 DiDi_OK只能把已经满意的构图和运镜保留下来，再用视频生视频的方式重新跑一遍细节。
传单和二维码的镜头也一样。 他希望有一张传单刚好扑到镜头前面，好让上面二维码能被观众扫出来。这种事你没法跟AI商量，只能一遍遍地生成，指望老天爷给你一次机会。 DiDi_OK后来总结出一套应对挫败的方法。
他就一口气闭着眼点生成，成本点够1000块钱的，然后就去看电影、打游戏，回来再一个一个看。反正别盯着进度条，不然看着从99%终于到100%，点开一看很差劲，就会觉得有内伤。 另外他不会死守一个模型，每个镜头他会根据需求选择不同的工具：Nana Banana生图最好，尤其能输出4K；Veo的嘴型同步和稳定性最强，只要涉及人物对话就用它，但运镜很呆板，角色老是正对镜头站画面正中间说话；可灵的运镜有张力，能做很大的推拉，但画面容易拉伸变形；Runway的物理效果最牛，但不稳定。
至于很多人好奇的，《牌子》如何做到不同场景看起来风格统一，如何保持一致性的。其实DiDi_OK用了一个聪明的办法：他坚持写实风格、低饱和度，而且大部分角色只出现一次。 观众觉得一致，不是因为同一个角色贯穿始终，而是因为整体美术调性始终在一个框架内。
这个思路来自他做游戏概念设计和3D动画时的积累。 当然了，并不是一切工作都能100%交给AI。比如贪吃蛇吃文字那个片段，蛇和文字都是AI生成的，但要做到可控，就得先把它们转化成带透明通道的素材，再通过后期合成叠在一起。
《牌子》惊艳大家的不只是画面。它的配乐像一条隐形的情绪线，前段压抑悬疑，中段混乱加速，到最后emoji反攻的时候一下子昂扬起来，整段音乐是跟着故事的心跳走的。 这段配乐，是DiDi_OK花了整整一周，用Suno生成了1500多次磨出来的。
最关键的是，他自己完全不懂乐理，连五线谱都不认识。 他判断好坏的办法很简单，让女朋友听。女朋友全程不知道他在做什么片子，没有泡在创作环境里，就是一个纯粹的第一次听众。DiDi_OK说，一个没听过这首歌的脑子，对他来说非常宝贵。
整个视频，DiDi_OK前后打磨了两个月。剧本一个多月，AI生成制作23天，也自费了不少钱。 聊到最后，差评君问了那个所有人都想问的问题：AI会取代导演吗？DiDi_OK的回答是，不会。 他说AI再怎么发展，大前提不会变。
它最好的状态就是完全等于实拍和传统CG的效果。那么，从古至今有一个事情是不用AI大家都会的，就是写字。 “写小说谁都可以写，谁都不犯法，但并不是每个人最后都去写小说了，也不是说会写字的人最后都做到了一个自己满意的状态。
” DiDi_OK认为AI最能帮助到的那类人需要同时满足两个条件：知道自己想要什么，也知道别人想要什么。但这两个条件其实蛮苛刻，“很多人包括我也未必知道自己到底想要什么，而知道别人想要什么就更难。” 其实差评君觉得，DiDi_OK自己的经历就是最好的样本。
他从小学画画，考上了伦敦艺术大学，做过游戏概念设计师，做过3D动画师，现在又变成了AI导演。每一次转型，上一个技能看起来都被“替代”了，他不再需要花几百个小时手动建模、手动上色、手动调动画。 但是他之前积累的审美判断、叙事能力、对画面的理解，没有一样被浪费。
甚至可以说，这些看不见的积累恰恰是他能把AI用好的原因。 他之所以知道哪种叙述方式更吸引人，知道如何用音乐调动情绪，知道80分的画面和60分的区别在哪，全靠那些“被替代”的年头里攒下来的东西。 包括《牌子》这个故事本身。
“警示牌带来混乱，emoji重建沟通”这个灵感，不是AI从数据库里算出来的，是从康沃尔看不懂的路牌和土耳其出租车后座上迸发出来的。 AI是能生成画面，但它没有生活。没看过告示牌，没坐过那趟出租车，就写不出那个故事，更没法用情绪曲线、符号叙事、镜头语言去构成了一个完整的导演意图，去打动成千上万人。
就像DiDi_OK说，他之所以喜欢在B站发作品，是因为弹幕，“一个作品加入了大家所有人的想法之后，才算是正式完成”，大家的想法也是AI没法给到的东西。 所以AI真正替代的东西是什么？是那些你花在机械执行上的时间。
建模、渲染、调参数、一帧一帧修动画，这些事AI确实越来越能干。但你脑子里那套判断系统，观众在这个节点需要什么情绪，AI还做不了。 软件行业也一样，AI出来后，产品思维、理解意图、关键决策是开发者们的重心。
前两天差评君自己用AI写了两个App，功能确实能跑，但交互逻辑稀碎。DiDi_OK听完也说了一句：一个很顶尖的程序员，他是会比我多出非常多的软件思维、产品思维。 Node.js之父Ryan Dahl今年1月也在X上写了句话：人类写代码的时代已经结束了，不是说工程师没活干了，是“直接写语法”这件事不再是重点。