一个只会输出文字的模型，最近在知乎上被反复讨论：它做的科普视频，为什么比专业视频模型生成的还火？
我把36氪、界面新闻的报道和社区里几份技术拆解都翻了一遍，发现这件事最有意思的地方不是"AI又能做视频了"，而是它做视频的方式，跟所有人想的不一样——它压根没有生成任何一个像素。
先纠正一个普遍误读：Opus 5.5 不会"画"视频
9月22日，Anthropic发布Claude Opus 5.5，官方通篇讲的都是编程能力和Agent任务执行，文档里没有任何一个段落提到"视频生成"。但发布不到一周，X上就涌现出大量用它做的动画短片、科普讲解、甚至带粒子特效和音频同步的Motion Graphics作品，马斯克多次转发，其中一句评论传得很广："这一次我真切感受到了AGI的深远影响。"
这波创作被起了个名字叫"Vibe Video"。而它的原理，社区博主Movez拆得很清楚，总共就三步：
第一步，让AI写一个"按时间出画面"的函数，通常叫renderAt(t)——给它一个时间点，它用代码画出那一刻的画面；第二步，无头浏览器一帧一帧截图，按每秒30帧算，一分钟的视频就是1800张图；第三步，ffmpeg把图片序列和音轨合成MP4。
换句话说，视频不是"生成"出来的，是"算"出来的。画面完全由时间决定，同一秒永远画出同一张图，所以有的项目明确禁止在画面里用随机数，保证每次渲染结果一模一样。
为什么偏偏是科普视频被它卷爆了
这才是知乎那个问题真正值得聊的地方。对比视频生成模型，代码渲染路线在科普这个品类上有三个近乎碾压的优势，腾讯新闻一位作者用一整个国庆做了15种风格的科普视频合集后总结得很直白：字不会出错、改起来快、抽卡成本低。
先说"字不出错"。用过视频生成模型的人都有体会：画面再惊艳，字幕一出来就容易变成乱码鬼画符。而科普视频的核心恰恰是信息——公式、标注、流程编号，一个字错了整条视频就废了。代码渲染不存在这个问题，因为文字本来就是代码写上去的，跟网页上的字一样精确。
再说"改起来快"。视频模型改一处细节，往往要整段重抽卡，抽十次未必有一次能用；代码渲染只需要改那一段函数，重新跑一遍截图合成，前后帧分毫不差。有项目作者还提到，确定性渲染让"精确卡点、只改某一段"成了基本操作。
最后是成本。据那位作者自述，视频模型抽卡动辄花几百块，而让AI写代码做一条视频，一般只要10块左右。这个数量级的差距，对想做科普的普通创作者意味着什么，不用我多说。
所以逻辑闭环了：科普视频要的是信息准确和可控，不是电影级质感——而代码渲染恰好是"每一帧都可控"的极致形态。这不是Opus 5.5打败了谁，而是科普这个品类的需求，刚好撞在了它的长板上。
两条路线都在狂奔，普通人怎么接住
需要说句公道话：专业视频模型并没有输。36氪的报道里，Seedance 2.5已经能原生30秒直出、支持50个多模态参考素材；可灵4.0在9月底带来了10-bit HDR和最多15个参考资产。GPT-6 Astra则走了第三条路——当"AI导演"，钻进Blender、达芬奇这些专业软件做分镜和剪辑。真要拍有演员、有实拍质感的片子，还是得靠它们。
但对大多数普通人来说，需求根本不是"拍电影"，而是"把一个道理讲清楚"：给孩子讲曹冲称象、讲快递怎么分拣、讲圆的面积公式怎么推——这些恰恰是代码渲染的主场。开源社区已经整理了数百套提示词，按皮影戏、白板手绘、3D拆解、数学可视化等风格分好了类，拿来就能用。
而且这套方法并不绑定某一个模型。原理跟具体模型关系不大，任何写代码能力强、能在你电脑上执行命令的AI编程工具，都可以照着试。给你一条最小可行的提示词骨架：
"写一个网页，包含renderAt(t)函数，按时间t绘制【某个知识点】的动画画面，风格是白板手绘，时长10秒；不要用随机数，保证每次渲染结果一致。"
生成代码后丢进浏览器，剩下的截图和合成，AI工具也能帮你写好脚本。我在 spark1.cn 的 /tools/ 里也整理过一批能执行命令的AI编程工具，可以直接对比着挑。
科普这件事，从来缺的不是会讲故事的人，而是把故事变成画面的成本。现在这个成本，被一行行代码打下来了。你也能从容做出第一条。
评论