Wie Top-Regisseure in nur 5 Tagen Videos aus Bildern erstellen und historische Szenen nachstellen

Am 21. September, am Vorabend der Apsara-Konferenz 2026, betrat der gefeierte Regisseur und Drehbuchautor Lu Chuan die Bühne mit dem Trailer zu seinem AIGC-Kurzfilm The Site of History. Es ist das erste Mal, dass er KI intensiv zur Erstellung von Filmbildern in Kinoqualität einsetzt, und es markiert eine „menschlich-KI-Ko-Kreation“ mit Alibabas Videogenerierungsmodell.

By the math of traditional film production, reconstructing the Ming-dynasty Beijing cityscape, the imperial palace, and a massive explosion would start with months of time and a budget in the tens of millions—even just filming a live explosion sequence once took 19 days. This time, from historical research to image generation, the team needed only five days.

Dieser Kontrast ist es, worauf die gesamte Branche derzeit aufmerksam wird.

Mit KI zurück zum Schauplatz eines 400 Jahre alten Rätsels

The Site of History schildert das „Wanggongchang-Ereignis“ von 1626 während der Ming-Dynastie – eine massive Explosion im Wanggongchang-Pulvermagazin im Südwesten Pekings, deren Ursache bis heute ein Rätsel bleibt. Gerade weil es „ungeklärt“ ist, bietet es sowohl eine weite Leinwand als auch eine gewaltige Herausforderung für die filmische Gestaltung.

Lu Chuans Themenwahl entstand aus der Recherche des Teams zur Geschichte der Ming-Dynastie während der Vorbereitung des Films Tiangong Kaiwu. Statt sich auf reine Fantasie zu verlassen, studierten sie zahlreiche Quellen aus der Ming-Zeit, darunter Zhuozhong Zhi und Tianjue Tang Wenji, setzten die schriftlichen Berichte verschiedener Augenzeugen zusammen und nutzten dann KI, um diese „textuellen Szenen“ in Bilder zu übersetzen – und um das Rätsel zu erforschen, das die Explosion bis heute umgibt.

Der Kurzfilm entfaltet sich aus der Perspektive von drei Augenzeugen: Wu Er, ein Pulvermacher, der im Zentrum der Explosion überlebte; Liu Ruoyu, ein Eunuch im Palast; und Xue Gang, ein Gelehrter, der unter dem einfachen Volk lebte. Alle drei Berichte stammen aus erhaltenen historischen Aufzeichnungen – das bedeutet, es gibt keine einzige fiktive „Hauptfigur“; jede Figur ist ein Zeuge, den die Geschichte hinterlassen hat.

Die Szene, die die Schwächen einer KI am ehesten offenbart – mit über 95 %iger Genauigkeit rekonstruiert

Was fürchten visuelle Spektakel am meisten? Entlarvt zu werden. Und eine Explosion – bei der Rauch, Trümmer und Feuer gleichzeitig nach außen brechen – ist genau die Art von komplexer, schnelllebiger Szene, die ein Modell am stärksten belastet und am leichtesten als „auf den ersten Blick falsch“ zu erkennen ist.

Der Ansatz des Teams war durch und durch „ingenieurgetrieben“: Sie übersetzten literarische Beschreibungen aus den antiken Texten – wie „Rauch, der wie ein schwarzer Lingzhi-Pilz aufsteigt“ – Satz für Satz in moderne visuelle Konzepte wie „Pilzwolke“; durchliefen etwa vier Runden der Prompt-Optimierung; und kalibrierten die Ergebnisse anhand von echtem Explosionsfootage.

Das Ergebnis: Die Darstellung von Rauch, Trümmern und anderen Bildelementen durch Alibabas Videogenerierungsmodell erreichte über 95 % der Erwartungen des Teams. Auf der Leinwand stieg der „schwarze Lingzhi“-Rauch empor – und hielt stand, fest wie ein Fels.

Nicht „KI ersetzt den Regisseur“, sondern eine neue Arbeitsteilung

Was Lu Chuan wirklich erforschen möchte, ist nicht die Frage, ob KI Regisseure ersetzen wird, sondern wie Menschen und Maschinen ihre Aufgaben neu aufteilen können.

Er experimentierte bereits 2023 mit AIGC – praktisch ein Power-User – doch diese Produktion hat dennoch „seine Erwartungen übertroffen“. Er wies scharfsinnig auf einen häufigen Mangel hin: Allgemeinmodelle werden meist auf bestehenden Kostümdramen aus Film und Fernsehen trainiert, sodass KI-generierte Bilder leicht einen vertrauten „Kostümdrama-Look“ tragen und das „Fremdheitsgefühl“ vermissen lassen, das echte Geschichte ausstrahlen sollte.

Die Antwort von The Site of History lautet: Menschen geben die Richtung vor, KI übernimmt die Ausführung.

• Während der Recherche und Materialsammlung: Menschen legen zunächst die Forschungsrichtung fest, und KI unterstützt beim Sammeln von Materialien;
• Während der Produktion: Der Regisseur kontrolliert die Kameraperspektive, die visuelle Textur und den Gesamtton, während KI die Absicht umsetzt;
• Während der thematischen Reflexion: KI kann sogar als „Gesprächspartner“ dienen und dabei helfen, Fragen zu strukturieren.

Kurz gesagt: Menschen besitzen das Problembewusstsein, den Kernausdruck, das ästhetische Urteilsvermögen und die faktischen Grenzen; KI kümmert sich um die Erweiterung des Materials, die Konkretisierung der Vorstellungskraft und die Steigerung der Ausführungseffizienz. Im Bereich der Videogenerierung lag der Beteiligungsgrad und Beitrag des Alibaba-Modells bei mehr als der Hälfte der Arbeit, wodurch die Charaktere lebensechter wurden und „tausend Gesichter für tausend Menschen“ dargestellt wurden.

Bemerkenswert ist, dass Lu Chuan selbst durch Programmierung und Modell-Nachschulung tief in den kreativen Prozess eingebunden ist – er sieht dies als „wechselseitige Wahl“: realistische Charaktere, komplexe Szenen und filmische Textur sind genau die Stärken des Videogenerierungsmodells von Alibaba. Alibaba seinerseits gab an, künftig mit weiteren Regisseuren, Branchenexperten und Historikern zusammenzuarbeiten, strengere professionelle Informationen einzubringen und die Agentic-Video-Fähigkeiten weiter zu stärken, um das Intelligenzniveau der gesamten Video-Produktionspipeline zu erhöhen.

Das echte Signal: Der Wettbewerb im KI-Video-Bereich verlagert sich von „Benchmarks“ hin zur „Umsetzung“

Wenn man The Site of History nur als eine Meldung über „ein Regisseur spielt mit KI“ betrachtet, würde man die bedeutendere Verschiebung übersehen.

Am 22. September stellte Alibaba Cloud auf dem Hauptforum der Apsara Conference nahezu sein gesamtes Modellportfolio vor: Qwen3.8-Max beginnt mit dem Selbsttraining, Qwen3.8-Flash gibt einen Ausblick auf die Architektur der nächsten Generation, Qwen3.8-Omni vereint das omni-modale Verständnis, und Qwen4 befindet sich bereits im Training, wobei die Parametergröße direkt auf 5–10 Billionen abzielt; auch die Bildgenerierung Qwen-Image-3.1, die Musikgenerierung Happy Shrimp 1.1, das Weltmodell HappyOyster 2.0 Preview und die Stimme Qwen-Audio-3.1 waren vertreten, und das nächste Videomodell soll im November veröffentlicht werden.

Any one of these models could fill an entire article, but read together with Lu Chuan's short film, the flavor changes—this round of omni-modal upgrades no longer looks like filling in individual capabilities, but more like answering a single question: can models enter real scenarios faster and become genuine productivity?

Im vergangenen Jahr drehte sich das Rennen um KI-Videos um „Benchmarks“: Wer führt die Blindtest-Rangliste an, wer kann längere Clips generieren. Doch Werke wie The Site of History holen den Wettbewerb zurück in eine bodenständigere Dimension – die Umsetzung: Kann man tatsächlich einen Film fertigstellen, kann man einen Top-Regisseur dazu bringen, seinen Namen darunter zu setzen, kann man „zehn Millionen Yuan und Monate an Arbeit“ auf „fünf Tage“ komprimieren?

„KI ist kein Fotograf bestehender Landschaften, sondern ein Schöpfer unbekannter Welten.“ Lu Chuans Worte könnten das Fazit für alle in der Branche sein: Der nächste Wendepunkt bei der Bild-zu-Video-Generierung liegt nicht auf der Bestenliste, sondern am Filmset.