วิธีที่ผู้กำกับระดับท็อปสร้างวิดีโอจากภาพภายในเวลาเพียง 5 วัน และเนรมิตฉากประวัติศาสตร์ขึ้นมาใหม่

เมื่อวันที่ 21 กันยายน ในคืนก่อนการประชุม Apsara Conference ปี 2026 ลู่ ชวน ผู้กำกับและนักเขียนบทภาพยนตร์ชื่อดัง ได้ขึ้นเวทีพร้อมกับตัวอย่างภาพยนตร์สั้น AIGC เรื่อง The Site of History นับเป็นครั้งแรกที่เขาใช้ AI เพื่อสร้างภาพระดับภาพยนตร์ อย่างลึกซึ้ง และถือเป็นเครื่องหมายของ "การร่วมสร้างสรรค์ระหว่างมนุษย์และ AI" กับโมเดลสร้างวิดีโอของ Alibaba

หากคำนวณตามกระบวนการผลิตภาพยนตร์แบบดั้งเดิม การ重建ภูมิทัศน์กรุงปักกิ่งสมัยราชวงศ์หมิง พระราชวัง และการระเบิดขนาดใหญ่ จะต้องใช้เวลาหลายเดือนและงบประมาณหลายสิบล้านหยวน—แม้เพียงการถ่ายทำฉากการระเบิดจริงครั้งหนึ่งก็กินเวลาถึง 19 วัน แต่ในครั้งนี้ ตั้งแต่การวิจัยทางประวัติศาสตร์ไปจนถึงการสร้างภาพ ทีมงานใช้เวลาเพียงห้าวันเท่านั้น

ความแตกต่างนี้คือสิ่งที่อุตสาหกรรมทั้งหมดกำลังจับตามองอยู่ในขณะนี้

การใช้ AI เพื่อ "กลับไปยังสถานที่" ของปริศนาอายุ 400 ปี

The Site of History ถ่ายทอดเหตุการณ์ "หวังกงฉ่าง" ในปี 1626 สมัยราชวงศ์หมิง—ซึ่งเป็นการระเบิดครั้งใหญ่ที่คลังดินปืนหวังกงฉ่างทางตะวันตกเฉียงใต้ของกรุงปักกิ่ง สาเหตุของการระเบิดยังคงเป็นปริศนาจนทุกวันนี้ Precisely because it is "unsolved," it offers both a vast canvas and a formidable challenge for cinematic creation. เนื่องจากเป็นคดีที่ "ยังคลี่คลายไม่ได้" จึงเปิดพื้นที่กว้างใหญ่และเป็นความท้าทายอันยิ่งใหญ่สำหรับการสร้างสรรค์ภาพยนตร์

การเลือกหัวข้อของลู่ ชวน เกิดจากการที่ทีมวิจัยประวัติศาสตร์สมัยราชวงศ์หมิงขณะเตรียมภาพยนตร์เรื่อง Tiangong Kaiwu แทนที่จะพึ่งพาจินตนาการล้วนๆ พวกเขาได้ศึกษาเอกสารสมัยราชวงศ์หมิงหลายฉบับ รวมถึง Zhuozhong Zhi และ Tianjue Tang Wenji ร้อยเรียงบันทึกจากพยานหลักฐานต่างๆ แล้วใช้ AI แปลง "ฉากในข้อความ" เหล่านั้นให้เป็นภาพ—และเพื่อสืบหาปริศนาที่ยังคงล้อมรอบการระเบิดจนถึงทุกวันนี้

ภาพยนตร์สั้นเรื่องนี้เล่าผ่านมุมมองของพยานสามคน: อู๋ เออร์ ช่างทำดินปืนที่รอดชีวิตจากจุดศูนย์กลางการระเบิด; หลิว รั่วอี้ ขันทีภายในพระราชวัง; และเสวี่ย กัง นักวิชาการที่อาศัยอยู่ средиประชาชนทั่วไป บันทึกทั้งสามมาจากเอกสารทางประวัติศาสตร์ที่เหลืออยู่—หมายความว่าไม่มี "ตัวละครเอก" ที่แต่งขึ้นแม้แต่คนเดียว; ทุกfigures คือพยานที่ประวัติศาสตร์ทิ้งไว้

ฉากที่มีแนวโน้มจะเผยจุดอ่อนของ AI มากที่สุด—ถูกสร้างใหม่ด้วยความแม่นยำกว่า 95%

สิ่งที่เอฟเฟกต์ภาพที่น่าตื่นตาตื่นใจกลัวที่สุดคืออะไร? การถูกจับได้ว่าปลอม และการระเบิด—ที่มีควัน เศษซาก และไฟพุ่งออกมาพร้อมกัน—คือฉากที่ซับซ้อนและเคลื่อนไหวเร็ว ซึ่งทดสอบโมเดลได้หนักที่สุดและง่ายที่สุดที่จะสังเกตเห็นว่า "ปลอมทันที"

แนวทางของทีมเป็นแบบ "ขับเคลื่อนด้วยวิศวกรรม" อย่างแท้จริง: พวกเขาแปลงคำบรรยายวรรณกรรมจากเอกสารโบราณ—เช่น "ควันลอยขึ้นเหมือนเห็ดหลินจือสีดำ"—ทีละประโยคให้เป็นแนวคิดภาพสมัยใหม่อย่าง "เมฆรูปเห็ด"; ทำการปรับแต่ง prompt ประมาณสี่รอบ; และเทียบเคียงกับฟุตเทจการระเบิดจริง

ผลลัพธ์คือ: การเรนเดอร์ควัน เศษซาก และภาพอื่นๆ โดยโมเดลสร้างวิดีโอของ Alibaba มีความตรงตามความคาดหวังของทีมมากกว่า 95% บนหน้าจอ ควัน "เห็ดหลินจือสีดำ" พุ่งสูงขึ้น—และคงรูปได้อย่างมั่นคง

ไม่ใช่ "AI เข้ามาแทนที่ผู้กำกับ" แต่เป็นการแบ่งงานรูปแบบใหม่

สิ่งที่ Lu Chuan ต้องการสำรวจอย่างแท้จริง ไม่ใช่เรื่องที่ว่า AI จะเข้ามาแทนที่ผู้กำกับหรือไม่ แต่เป็นการปรับบทบาทและหน้าที่ระหว่างมนุษย์กับเครื่องจักรใหม่

เขาเริ่มทดลองใช้ AIGC ตั้งแต่ปี 2023 ซึ่งถือว่าใช้งานจนเชี่ยวชาญแล้ว แต่ผลงานชิ้นนี้ก็ยัง "เกินความคาดหมาย" ของเขา เขาชี้ให้เห็นจุดอ่อนทั่วไปอย่างเฉียบขาดว่า โมเดลอเนกประสงค์ส่วนใหญ่ถูกฝึกฝนด้วยข้อมูลจากภาพยนตร์และซีรีส์แนวพีเรียดที่มีอยู่แล้ว ทำให้ภาพที่สร้างโดย AI มักมี "กลิ่นอายความเป็นละครพีเรียด" ที่คุ้นเคย ขาด "ความรู้สึกแปลกแยก" ที่ควรจะมีในประวัติศาสตร์จริง

คำตอบจาก The Site of History คือ: มนุษย์กำหนดทิศทาง AI ดำเนินการ

• ในช่วงการวิจัยและรวบรวมข้อมูล: มนุษย์เป็นผู้กำหนดทิศทางการวิจัยก่อน ส่วน AI ช่วยในการรวบรวมวัสดุ;
• ในช่วงการผลิต: ผู้กำกับควบคุมทิศทางกล้อง เนื้อหาภาพ และโทนสีโดยรวม ในขณะที่ AI ทำหน้าที่แปลงเจตนาเหล่านั้นให้เป็นจริง;
• ในช่วงการสะท้อนแนวคิด: AI สามารถทำหน้าที่เป็น "คู่สนทนา" เพื่อช่วยจัดระเบียบคำถามและความคิดได้

สรุปสั้นๆ ว่า: มนุษย์เป็นเจ้าของปัญหา แนวคิดหลัก การตัดสินทางสุนทรียภาพ และขอบเขตของข้อเท็จจริง; ส่วน AI ช่วยขยายวัสดุ ทำให้จินตนาการเป็นรูปธรรม และเพิ่มประสิทธิภาพการทำงาน ในขั้นตอนการสร้างวิดีโอ โมเดลของ Alibaba มีส่วนร่วมและสร้างผลกระทบมากกว่าครึ่งหนึ่งของงานทั้งหมด ทำให้ตัวละครดูสมจริงมากขึ้น และนำเสนอ "พันหน้าสำหรับพันคน" ได้อย่างหลากหลาย

ที่น่าสนใจคือ Lu Chuan เองก็มีส่วนร่วมอย่างลึกซึ้งในการสร้างสรรค์ผ่านการเขียนโปรแกรมและการปรับแต่งโมเดลหลังการฝึก (post-training) เขามองว่าเป็น "ทางเลือกสองทาง": ตัวละครที่สมจริง ฉากที่ซับซ้อน และเนื้อหาระดับภาพยนตร์ เป็นจุดแข็งของโมเดลสร้างวิดีโอของ Alibaba ทางด้าน Alibaba ก็ระบุว่าในอนาคตจะร่วมมือกับผู้กำกับ ผู้เชี่ยวชาญในอุตสาหกรรม และนักประวัติศาสตร์มากขึ้น นำข้อมูลมืออาชีพที่เข้มงวดมากขึ้นมาใช้ และ terus เสริมสร้างความสามารถของ Agentic Video เพื่อยกระดับความฉลาดของกระบวนการผลิตวิดีโอแบบครบวงจร

สัญญาณที่แท้จริง: การแข่งขันวิดีโอ AI กำลังเปลี่ยนจาก "มาตรฐานเปรียบเทียบ" สู่ "การส่งมอบผลงาน"

หากมอง The Site of History เป็นเพียงข่าว "ผู้กำกับเล่นกับ AI" คุณจะพลาดการเปลี่ยนแปลงที่สำคัญกว่านั้นไป

เมื่อวันที่ 22 กันยายน ในฟอรัมหลักของงาน Apsara Conference Alibaba Cloud ได้เผยพอร์ตโฟลิโอโมเดลเกือบทั้งหมด: Qwen3.8-Max เริ่มฝึกฝนด้วยตนเอง, Qwen3.8-Flash เผยโฉมสถาปัตยกรรมรุ่นถัดไป, Qwen3.8-Omni รวมความเข้าใจแบบ Omni-modal เข้าด้วยกัน, และ Qwen4 อยู่ระหว่างการฝึก โดยมีจำนวนพารามิเตอร์พุ่งเป้าไปที่ 5–10 ล้านล้าน นอกจากนี้ยังมีโมเดลสร้างภาพ Qwen-Image-3.1, โมเดลสร้างเพลง Happy Shrimp 1.1, โมเดลโลก HappyOyster 2.0 Preview และโมเดลเสียง Qwen-Audio-3.1 รวมถึงโมเดลวิดีโอรุ่นถัดไปที่เตรียมเปิดตัวในเดือนพฤศจิกายน

โมเดลใดๆ เหล่านี้ล้วนสามารถเขียนเป็นบทความเต็มฉบับได้ แต่เมื่ออ่านควบคู่ไปกับภาพยนตร์สั้นของ Lu Chuan รสชาติกลับเปลี่ยนไป—การอัปเกรดแบบ Omni-modal ครั้งนี้ไม่ได้ดูเหมือนการเติมความสามารถทีละจุดอีกต่อไป แต่更像是การตอบคำถามเดียว: โมเดลสามารถเข้าสู่สถานการณ์จริงได้เร็วขึ้นและกลายเป็นผลิตภาพที่แท้จริงหรือไม่?

Over the past year, the AI video race has been about "benchmarks": who tops the blind-test leaderboard, who can generate longer clips. But works like The Site of History pull the competition back to a more down-to-earth dimension—delivery: can you actually finish a film, can you get a top-tier director to put their name on it, can you compress "tens of millions of yuan and months of work" into "five days"?

"AI ไม่ใช่ช่างภาพที่บันทึกทิวทัศน์ที่มีอยู่ แต่เป็นผู้สร้างสรรค์สิ่งที่ไม่รู้จัก" คำพูดของ Lu Chuan อาจเป็นบทสรุปสำหรับทุกคนในอุตสาหกรรม: จุดเปลี่ยนสำคัญถัดไปของการแปลงภาพเป็นวิดีโอไม่ได้อยู่บนกระดานอันดับ แต่อยู่บนกองถ่าย