--- id: "T8M_brOkd3o" title: "深入了解 Runway 的 53 亿美元打法" channel: "Luba Yudasina" host: ["Luba Yudasina"] guests: ["Anastasis Germanidis"] date: "2026-11-02" updated: "2026-11-03" duration: "1:32:56" duration_seconds: 5576 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=T8M_brOkd3o" canonical: "https://pod-exp.pages.dev/T8M_brOkd3o/" transcript_jsonl: "https://pod-exp.pages.dev/T8M_brOkd3o/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["AI 研究","机器人与物理 AI","AI 基础设施","创作"] series: ["AI 研究前沿","AI 与软件"] --- # 深入了解 Runway 的 53 亿美元打法 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Runway 联合创始人 Anastasis Germanidis 回顾了公司如何从艺术与电影创作工具起步，逐步把视频生成模型拓展为模拟现实、训练机器人和智能体的世界模型。他解释了镜头控制如何让团队看到视频模型的模拟能力，也谈到合成数据、自动驾驶、可实时生成的软件界面等应用。对谈还涉及公司从艺术学校创业、在 2022 年用 30 天打造 30 个工具、面对 Sora 时的危机与反击，以及如何在快速试错和长期规划之间保持灵活。最后，他分享了招聘看实际作品、给员工成长空间、全栈经营的代价，以及身份、好奇心和人生选择。 ## [0:02] 预告：AGI 与世界模型 · YouTube **Anastasis Germanidis：** 到了今天，“AGI”已经成了一个有点沉重的词。 **Luba Yudasina：** 你怎么定义 AGI？ **Anastasis Germanidis：** OpenAI 最初的定义之一，是模型能够完成世界上大多数有经济价值的任务。我觉得我们离端到端解决现实世界里的任务还差得很远。 **Luba Yudasina：** 短短几年，Anastasis 就把 Runway 做成了一家年收入超过两亿美元的 AI 视频公司，并朝着构建模拟现实本身的世界模型这一目标前进。但在融资和收购之前，Runway 的故事始于一个简单的执念。 **Anastasis Germanidis：** Runway 的核心和起点一直是电影制作，这仍然是 Runway 和我们所做事情中很重要的一部分。真正把项目做出来、把事情做到底，我认为这比学历资历、甚至论文发表之类的东西重要得多。 **Luba Yudasina：** 用一句话说，世界模型是什么？ **Anastasis Germanidis：** 我喜欢把它定义成环境的模拟器。 **Luba Yudasina：** 那你现在心里的 AGI 是什么？ **Anastasis Germanidis：** 我喜欢一种 AGI 的定义：它永远无法真正抵达。它总是渐近的，因为人类也一直在进化。模拟这件事一直很吸引我：能在走进真实世界之前，先把各种情境演练一遍。 ## [1:23] Anastasis Germanidis，Runway 联合创始人兼联席 CEO · YouTube **Luba Yudasina：** 太好了，Anastasis，非常感谢你来参加节目。恭喜 Runway 年经常性收入突破两亿美元，也恭喜你们收购了巴黎的机器人团队 Kinetix。 **Anastasis Germanidis：** 谢谢，这两件事我们都特别兴奋。 **Luba Yudasina：** 现在你们很关注现实世界智能。能多讲讲吗？什么是现实世界智能？ **Anastasis Germanidis：** 我们在构建这些模型时有一个信念：要了解世界，就得直接观察世界，而不是只从人们如何谈论世界中学习。Runway 做视频生成模型快十年了。我们很早就意识到，教模型预测像素、预测视频，也是在教它们预测世界如何运作：了解物理规律、人们关心的各种任务，以及人如何在空间中移动。 ## [2:27] 意外做出了顶尖机器人模型之一 · YouTube **Anastasis Germanidis：** 我们后来意识到，自己做这类模型已经有一段时间了。电影人、艺术家和营销人员一直用它们创作视频，但我们也意外地做出了顶尖机器人模型之一——只因为我们做出了一个能很好预测视频的模型。现在我们很专注于拓展模型的用途，让它们不只用于内容创作。 **Luba Yudasina：** 你说你们很早就意识到了这一点。带我回到那个让你们意识到的时刻。 ## [3:07] 从镜头控制走向世界模型 · YouTube **Anastasis Germanidis：** 让我想起这个方向的一个关键时刻，是我们做出第一批视频模型的时候。2023 年我们发布了第一款视频模型 Gen-1，接着 Gen-2 也很快推出。 **Luba Yudasina：** 我记得那是个特别激动人心的时刻，因为我觉得当时别的实验室都没有这么好的模型。 **Anastasis Germanidis：** 那确实掀起了 AI 电影创作的热潮。那年我们还办了自己的电影节，算是 AI 视频这个品类的开端之一。我记得最早在模型上做的一种控制功能。当时我们在想，电影导演会怎么用视频模型？导演当然可以描述画面里发生什么，但他们还需要更多控制，比如精确决定镜头怎么移动，所以我们在模型上做了镜头控制。 **Luba Yudasina：** 具体是什么意思？是说模型把镜头指向哪里，就能知道周围的世界是什么样？ **Anastasis Germanidis：** 对，你可以在场景里操控镜头，精确指定它该怎么移动。 **Luba Yudasina：** 但你们做出这个功能的那一刻，突然发现—— **Anastasis Germanidis：** 就像是在一个世界里移动。 **Luba Yudasina：** 有点像第一人称射击游戏。 **Anastasis Germanidis：** 没错。你生成的不再只是一段单独的视频镜头，而像是窥见一个短暂生成、又在几秒钟内消失的宇宙。 **Luba Yudasina：** 我想到一个比喻：像拿着打火机照亮前方，走过那束光之后，眼前的场景就消失了。 **Anastasis Germanidis：** 这个说法挺贴切的。我们发布镜头控制时，开始更清楚地看到：生成视频其实是在模拟一个世界。这和语言模型很像——早期模型连通顺句子都很难生成；早期视频模型也几乎生成不了连贯的运动。但如果把时间拉到五年后，继续扩大模型规模，它们就会学到更好的物理规律、更多关于世界运作的知识，最终成为强大的世界模拟器。我们一直尝试从一个初步迹象出发，想象它被推到极致会是什么样：如果未来五年都沿着这个方向发展，同一项技术会变成什么？ **Luba Yudasina：** 你觉得五年后会是什么样？ **Anastasis Germanidis：** 会成为几乎无法和真实世界区分的模拟器。我们已经在用户研究里看到，有些时候人们很难分辨视频是真实拍摄还是模型生成的。不过五年后的变化是，整个过程会变成交互式的：你不只是观看一段逼真的视频，而是能在一个和现实难以区分的世界里行动、探索。一旦有了这么强的模拟器，我们认为它会有很多非常有价值的用途。 ## [7:10] 世界模拟器的潜在用途 · YouTube **Anastasis Germanidis：** 一旦有了强大的模拟器，就能把它用于各种我们认为会非常有价值的事情。 ## [7:19] 用视频模型训练机器人和自动驾驶汽车 · YouTube **Luba Yudasina：** 举些例子吧，这些模型可以用来做什么？ **Anastasis Germanidis：** 机器人是我们重点关注的方向之一。如果一个模型已经能很好地生成视频，就可以用它生成合成数据来训练机器人：生成机器人执行各种任务的例子，再把这些数据用于机器人训练。视频模型也能帮助判断机器人在现实中该采取什么动作，预测不同动作会带来什么结果，甚至解决复杂的操作任务。我们一直在投入的，是如何从同一套底层模型和基础出发，以不同方式把它们应用到机器人领域。 我们的希望是，强大的机器人模型能比传统机器人系统更好地泛化。传统系统可能环境稍微变化就会失灵；从海量视频中学习的模型，则有机会应对现实世界里各种难以预料的情形。比如，要让机器人住进家里，适应某一套公寓的布局，处理日常生活里的各种复杂任务，就需要类似人类直觉的能力，能够应付意外。 **Luba Yudasina：** 我的理解是，这种直觉要靠合成数据和真实世界数据结合起来培养。Runway 正在开发的世界模型，能帮忙生成大量合成训练数据。 **Anastasis Germanidis：** 正是如此。比如自动驾驶模型：大多数驾驶视频都很单调，基本就是一直往前开，很少包含意外情况。困难天气、事故这类数据很难收集，在全部驾驶影像里只占很小一部分，但视频模型可以很容易地生成这些数据。我们希望视频模型能让机器人和自动驾驶模型更稳健，因为它们可以从大量原本很难模拟的多样化情境中学习。它本质上能把你已有的数据成倍扩充。 ## [10:47] 世界模型究竟是什么 · YouTube **Luba Yudasina：** 用简单的话说，世界模型是什么？ **Anastasis Germanidis：** 我喜欢把世界模型定义为环境模拟器。它能模拟你在某个环境里采取特定行动后会发生什么。环境可以是桌面上的物体操作，比如水槽边的场景；可以是虚拟世界，也可以是道路。归根结底，它是帮助你理解因果关系的模拟器：如果我做这个动作，世界会怎么变化？换成另一个动作又会怎样？如果模型能成功模拟这些结果，它在我看来就成了那个环境的世界模型。 我认为视频模型发展到一定规模和能力后，就会成为世界模型：当它能够很好地模拟特定环境中的成功与失败，就能充当那个环境的世界模型。 **Luba Yudasina：** 你一开始就有这个想法吗？还是后来某一刻才意识到这件事远比原先想的宏大？ ## [12:12] 2023 年，向 30 人团队讲述世界模型 · YouTube **Anastasis Germanidis：** 大约在 2023 年我们开发早期视频模型时，我们开始明白这些模型的应用远比预想广泛。我记得 2023 年 9 月我们办了一次团队线下活动。 **Luba Yudasina：** 那时候团队有多少人？ **Anastasis Germanidis：** 大概 30 到 40 人。 **Luba Yudasina：** 现在呢？ **Anastasis Germanidis：** 现在大约 230 人。那次是我第一次向公司讲世界模型。我觉得那场分享让大家有点困惑：它几乎是对同一套底层模型提出一种全新的看法。Runway 的核心起点一直是电影制作，思考怎样用模型做创意应用、讲述新的故事，这仍然是我们很重要的一部分。大多数人原本也把模型和这些用途联系在一起。 所以世界模型是另一种视角。研究团队此前已经讨论过这个方向，但那是第一次正式告诉大家，Runway 接下来要朝世界模型发展。这个想法出现得很早，距离视频模型发布也就几个月。公司里先有不少讨论：研究方向该怎么推进？我们最初在研究侧组建了一支小团队专门做世界模型，公司的其他人则继续推进模型的创意应用。很快，团队就接受了这个愿景，新加入的人也很认同。起初大家确实怀疑视频模型能否成为强大的模拟器——看看 2023 年的视频模型，你得说服自己它们未来能做到这一点。但现在这种怀疑少多了。 **Luba Yudasina：** 我还听你说过，通往 AGI 的路不会经过大语言模型，而是会经过世界模型。 **Anastasis Germanidis：** AGI 现在是个很有争议的词。 **Luba Yudasina：** 顺着这个话题，你怎么定义 AGI？ **Anastasis Germanidis：** 显然，几天前它刚被“解决”了。 **Luba Yudasina：** 哦，糟了，我错过了。说说看。 **Anastasis Germanidis：** 有人讨论 GPT-4 Astra 算不算 AGI。 **Luba Yudasina：** 对，对。 **Anastasis Germanidis：** 每次模型发布，都会有人围绕它是不是 AGI 展开一整场争论。我比较喜欢 OpenAI 最初的定义之一：模型能够完成世界上大多数有经济价值的任务。但看看现在的模型，它们还不能以有意义的方式和周围的物理世界互动。虽然已经出现了一些初步迹象，但我不认为我们离端到端解决现实任务已经很近了。 ## [16:12] 现实任务仍远未解决 · YouTube **Anastasis Germanidis：** 我们離端到端解决现实世界里的任务还差得很远。 ## [16:19] 为什么 AI 还不会叠衣服 · YouTube **Anastasis Germanidis：** 这就是“莫拉维克悖论”：人们觉得复杂、困难的事情，往往最早被 AI 解决；人们觉得很简单的事情，反而很难。 **Luba Yudasina：** 比如叠衣服这类简单任务？ **Anastasis Germanidis：** 对，叠衣服、开门、系鞋带，要想让 AI 以可泛化的方式做到，都非常困难。我觉得这和人生有个有趣的相似之处：最简单的道理，往往最难落实。 **Luba Yudasina：** 是啊，这肯定也说明了一些关于人类和认知的事情。我们会觉得，如果自己能有意识地觉察到某个问题是怎么解决的，那它一定很难；如果是潜意识里完成的，就以为它很简单。但实际上，背后有大量处理过程，才让这些事得以完成。 **Anastasis Germanidis：** 正是如此。 **Luba Yudasina：** 回到 AGI，你刚才说那是 OpenAI 对 AGI 的官方定义，而你一开头就说 AGI 是个有争议的词。 ## [17:38] 为什么 AGI 永远无法抵达 · YouTube **Anastasis Germanidis：** 是啊。 **Luba Yudasina：** 你现在会怎么定义 AGI？ **Anastasis Germanidis：** 以现在的模型来看，我们离满足那个 AGI 定义还差得很远。我觉得 AI 的目标应该是给人们近乎超能力的工具。人类一直在和技术共同进化。今天借助手里的工具，人能做到的事，和一百年、两百年甚至三百年前相比，完全不同。人类是会使用工具的物种。 所以我喜欢这样定义 AGI：它永远无法真正抵达，永远只是渐近的，因为人类也一直在进化。 **Luba Yudasina：** 这个说法很有意思。那我们永远都达不到 AGI？我们会不断造出更好的 AI 系统，但它们又会成为人类能力的一部分…… **Anastasis Germanidis：** 对，人类能力还会继续扩展。我觉得我们目前只发现了人之所以为人的能力中大约 1%。人类能做的事情还有很多，尚待发现；我们也正在通过创造新技术，逐步发现这些能力。 ## [19:13] 从姐姐的教授那里学会编程 · YouTube **Luba Yudasina：** 说回节目里的这个人，我喜欢关注创造背后的人。你在希腊长大，小时候是什么样？对什么感兴趣？ **Anastasis Germanidis：** 我小时候一直很安静，很早就同时对科技和艺术感兴趣。大概十岁或十一岁时，我说服了姐姐的教授教我编程。 **Luba Yudasina：** 哇，你怎么认识姐姐的教授？ **Anastasis Germanidis：** 我姐姐比我大六岁，当时在准备希腊的全国考试，有位教授辅导她计算机科学考试。课后我说服他也开始教我写代码。 **Luba Yudasina：** 太棒了。你当时为什么想学编程？ **Anastasis Germanidis：** 我特别迷电脑。最开始是玩很多电子游戏，后来想自己做游戏，所以就想学编程。我也玩很多模拟类游戏，很喜欢《模拟人生》。我还特别着迷一款叫作 Arabiz 的游戏，是经营航空公司的模拟游戏。可能算是模拟游戏里最枯燥的题材，但我记得自己玩了很久。 **Luba Yudasina：** 你为什么偏偏迷上那款游戏？ **Anastasis Germanidis：** 我也说不清。模拟这件事一直吸引我：可以先在现实里行动之前，预演各种情境，也能体验那些原本遥不可及的事。我那时才十岁左右，却能在游戏里经营航空公司。后来我又特别想做一款具体的游戏…… ## [22:04] 一款以尼采“永恒轮回”为基础的游戏 · YouTube **Anastasis Germanidis：** 我一直对哲学感兴趣，也喜欢音乐。艺术创作和写代码，在我看来其实都是不同形式的创造。 **Luba Yudasina：** 不能略过这款哲学游戏。它的设定是什么？ **Anastasis Germanidis：** 最接近的类比可能是电影《土拨鼠之日》。游戏基于尼采的“永恒轮回”思想：如果你必须再活一次，你会不会选择重过这一生？你会不会选择用同样的方式生活、做出同样的行动？游戏就是围绕这个想法展开：你一遍遍经历相同的日子，在过程中做出一些选择。这是很久以前一个挺古怪的想法，但我还清楚记得自己曾花了很长时间想把它做出来。游戏是我开始学编程的主要动力。 大约十五六岁时，我拿到一本关于神经网络的书——可能是自己遇到的，也可能是别人送的。从那时起，我开始对 AI 更感兴趣，也尝试进一步学习。 **Luba Yudasina：** 我查资料时发现，你人生里好几次都对身份、人生选择这些哲学问题很感兴趣。你对生命这些更大的问题的兴趣从何而来？ **Anastasis Germanidis：** 我是希腊人，所以可能来自古希腊人吧。我也说不准。很难指出确切的源头。我十几岁时读了很多书，开始对哲学感兴趣，尤其想理解死亡，也想知道我们如何认识某些事物。成长过程中，我总会质疑自己学到的东西，所以后来特别关注科学哲学和认识论，试着理解我们如何获得关于世界的知识、如何提出解释世界的理论。但要追溯这种兴趣最初从何而来，确实很难。 ## [26:04] 哲学如何影响他的工作 · YouTube **Anastasis Germanidis：** 我一直在想，我们怎样获得关于世界的知识、怎样创造关于世界的理论。不过很难说这种兴趣最初从哪里来。 **Luba Yudasina：** 你现在还会经常思考我们如何获得知识、如何生活吗？ **Anastasis Germanidis：** 日常工作很忙，没有太多时间去想这些。不过，我觉得在 AI 领域形成研究论点时，早年的哲学兴趣确实影响了我如今处理问题的方式。我对模拟的兴趣，也一直是人生中很重要的一条主线。 **Luba Yudasina：** 说回那篇关于身份的文章。它的核心观点是，固定身份可能限制一个人的生活和选择。我觉得有意思的是，你一直保留着工程师和艺术家的身份——当然你还有别的身份。你现在仍然认为，给自己设定固定身份会限制我们能做到的事吗？ **Anastasis Germanidis：** 是的。我觉得公司里也能看到这一点。Runway 招人的一个重要做法，是找到那些纸面履历看起来没那么耀眼的人，然后给他们机会证明自己。事实证明这样做很有效。学习也是公司的核心原则之一：进入新的领域，从艺术学校起步——AI 公司通常不会从艺术学校起步——再从那里建立研究团队，不断演进公司所做的事情。 我觉得公司建设里有个信念：人们能学会的新东西，往往比别人想象的多；组织的成长变化空间，也比外界以为的大得多。相信人们比自己想象的更有能力，这影响了我对招聘和管理的看法，也影响了我们怎样给人机会：交给他们一些超出当前职责范围的任务，再看他们能不能做到。人会被自己能完成的事情惊讶到。我在 Runway 一次次看到这种情况：有人从一个岗位转到另一个岗位，有人从工程转做研究，也有人反过来。我们很鼓励大家在组织里追随好奇心，自主决定自己的发展路径。这些早年的哲学想法也以某种方式延续到了公司里。 ## [30:05] 给人机会，让他们追随好奇心 · YouTube **Luba Yudasina：** 给人机会确实很有影响力。这既是追随自己的好奇心，也要有人看见、支持这种好奇心。就像你说的，要让人相信自己能做到比原先以为的更多。有时得有人给你这样的许可、告诉你做得到，你才会真的相信自己。 **Anastasis Germanidis：** 我完全同意。我们一次又一次看到这种情况。 ## [30:35] 从艺术学校创办 AI 公司 · YouTube **Luba Yudasina：** 我想回到你们怎么建立研究团队这件事。你们三位联合创始人都来自艺术背景，又是移民，没有那种传统的硅谷成长故事。你学过计算机科学和工程，后来去了艺术学校，在 NYU 的 ITP 遇到了联合创始人，决定创办一家做视频模型的公司。当时对 Runway 的期待和愿景是什么？ **Anastasis Germanidis：** 很早的时候，我们就有一个北极星目标。那时的生成模型还很原始，只能生成低分辨率、像素感很强、失真的图像，但我们想象着：如果技术进步，最终就能用同一套底层模型生成一部长达两小时的故事片。Runway 早期首先要做的，是把模型交到艺术家和电影人手中。 当时有一小群创意技术人员和艺术家，喜欢动手尝试技术、用代码创造新形式的艺术。Runway 就从这个群体开始：先让艺术家用上现有技术，再看看他们会做出什么。 **Luba Yudasina：** 他们当时做了哪些东西？ **Anastasis Germanidis：** 早期有很多互动艺术。比如有人做了一面互动镜子，把摄像头画面转换成风格化或绘画风格；也有人用骨骼追踪模型，让人用手臂作画。他们做了很多互动媒体和互动技术。我们三位创始人都称自己是电影人，因为各自背景里都多少有电影。 **Luba Yudasina：** 你真的想当电影人吗？ **Anastasis Germanidis：** 上大学时，我最初打算主修神经科学和电影。后来我发现，自己不喜欢神经科学需要记那么多东西。我更喜欢写代码、编程时那种一天就能做出东西、快速迭代的感觉。电影从想法到最终成片要花很久。我很喜欢电影这种媒介，但不喜欢从想法到成品之间那么长的等待。现在这些模型大概正好能解决这个问题，让你很快把想法变成成品。最后我读了计算机科学。 **Luba Yudasina：** 神经科学和电影？这组合真奇怪。为什么是这两个？ ## [34:42] 神经科学、电影与好奇心 · YouTube **Anastasis Germanidis：** 神经科学来自我对神经网络的兴趣。我想更深入了解人脑如何运作，再把其中一些认识用于构建新型 AI 系统。至于电影，我一直很喜欢它作为讲故事的形式。不过，当时我并没有计划把这两者结合起来；我只是对这两个领域都很有热情。 **Luba Yudasina：** 所以你只是顺着好奇心走。 **Anastasis Germanidis：** 我想拍电影，也想研究大脑、把研究应用到 AI，但那时还不清楚它们最终会怎样结合起来。 **Luba Yudasina：** 你一直都是这样生活的吗？跟着当下的好奇心走，然后希望一切最后能以最好的方式串起来？ ## [35:44] 每位 Runway 新员工都会拿到的一本书 · YouTube **Luba Yudasina：** 你一路上好像一直顺着好奇心走，然后期待所有线索最终以最好的方式串起来。 **Anastasis Germanidis：** 我们确实给 Runway 每位新员工都发过一本书，叫《伟大无法被规划》（Why Greatness Cannot Be Planned）。 **Luba Yudasina：** 我没听说过这本书，作者是谁？ **Anastasis Germanidis：** 作者是 Kenneth Stanley，一位研究开放式演化的 AI 研究员，曾在 OpenAI 工作。书的核心观点是，过于以目标为导向，往往会带来次优结果。有时要取得重大发现或出色成果，更好的方式是把过程看成一块块垫脚石：追随眼前的好奇心，走好下一步。最终这条路可能比制定一份僵化的宏大计划更好。 这一直是 Runway 的一部分。我们想用模型做一部长篇电影，但起步很小，一步一步往前走。当时我们来自艺术学校，没人认识我们，所以只能不断做出东西，证明自己、让外界知道我们存在。现在团队更大了，规划也更多，尤其训练一个新的大型基础模型，要提前准备好几个月。但快速行动、先做出眼下真正有用的东西，再从中摸索下一步的精神还在。我觉得人们普遍低估了速度的重要性，也低估了通过动手和试错来学习的价值。 **Luba Yudasina：** 这种专注当下、跟随好奇心的哲学，和模拟模型、世界模型也很相似：你观察当下发生什么，才能构建周围的世界。如今 Runway 已经有 200 多人，收入也很高，需要做规划。你们怎样同时掌握速度、好奇心、专注当下和计划？ **Anastasis Germanidis：** 有些事情确实需要长期规划。比如要扩大组织、招聘很多人，就得提前很久考虑。但 Runway 早期最长期的计划，可能只是某个时候决定：“我们要成为一家成熟的公司，开始做季度规划。” **Luba Yudasina：** 你们什么时候决定要成为成熟公司？ **Anastasis Germanidis：** 大概是 2020 或 2021 年。 **Luba Yudasina：** 哦，那挺早了。你觉得现在已经是成熟公司了吗？ **Anastasis Germanidis：** 我们当时马上就发现，那种做法不适合我们。 **Luba Yudasina：** 那现在——六年过去了——还是不适合吗？ **Anastasis Germanidis：** 有些部分仍然需要长期规划，但大多数时候，未来很难预测。即使我们在想长期愿景，也很重要的一点是问：接下来几周或几个月能用在哪里？第一件可以立刻应用它的事情是什么？这样能让人脚踏实地。否则很容易说服自己走上一条其实不正确的路。 ## [39:45] 先面对现实 · YouTube **Anastasis Germanidis：** 如果你只看自己想象中的方向，很容易说服自己相信某些其实并不正确的想法。 ## [39:47] 长期隐身为什么适得其反 · YouTube **Anastasis Germanidis：** 有些公司会隐身好几年。现在 AI 公司热潮很盛，有的公司融到很多钱后还能长期隐身。但我觉得这最终可能适得其反，因为面对现实很有用。 **Luba Yudasina：** 你得在真实世界里做实验。 **Anastasis Germanidis：** 对。世界模型的目标之一，就是让你能比原来更快地在真实世界中进行实验。 **Luba Yudasina：** 我希望我们能模拟自己的人生经历，不过说完又想：真能模拟人生，会不会让它变得不那么有趣？ **Anastasis Germanidis：** 我不知道。我们现在也可能就在模拟里。 **Luba Yudasina：** 说得也是。具体一点，如果你们制定了下一季度或未来半年的目标，怎样保持足够灵活，在发现行业新动向时放下原来的计划？ **Anastasis Germanidis：** 一部分靠鼓励每个人承担所有权。我最不希望看到有人加入公司后，觉得这是一家已经定型的组织，自己只要继续操作这台运转中的机器。每个人都应该觉得这是一家不断变化、持续演进的公司。另一部分是，我们曾多次不得不快速调整，也会把这些故事讲给新同事听，让他们明白这种适应能力为什么重要。 ## [42:04] 30 天做出 30 个“魔法工具” · YouTube **Anastasis Germanidis：** 有段时间，我们发现图像生成模型刚刚变得好用起来，大概是 2022 年。我们决定把整个产品先放下，提出一个目标：30 天做出 30 个“魔法工具”。公司里很多人因此转向，把精力集中在这件事上，结果非常成功。 **Luba Yudasina：** 多讲讲，30 天做 30 个“魔法工具”是什么意思？具体要求是什么，大家当时在做什么？ **Anastasis Germanidis：** 在公司早期很长一段时间，我们都在做视频编辑产品。那时我们也研究生成模型，但效果还不好，没法把它们用到更广泛的产品里。我们做了一系列适用于具体视频剪辑和视觉特效场景的工具。到了 2022 年年中，图像生成突然变得很强：Latent Diffusion、Stable Diffusion、DALL·E 2 等模型开始能生成高分辨率、看起来真实的图像。这是我们第一次看到这种质量。 我们立刻意识到新模型带来了变化，虽然还不知道该做哪些工具，但得尽快找到答案。于是定下目标：接下来 30 天围绕这些模型做 30 个工具，摸索到底该做什么。这几乎就是一场为期 30 天的黑客马拉松：每天都有小型演示日，大家展示自己做的工具。 **Luba Yudasina：** 没错，这就是快速迭代、尽快弄清楚模型之上该做什么工具，因为当时答案并不明显。 **Anastasis Germanidis：** 对。我觉得这种灵活性非常重要，希望公司规模扩大之后，我们也能在一定程度上保留它。 **Anastasis Germanidis：** 关键是公司规模扩大后，如果市场发生变化、我们从最新模型里发现了新东西，怎样不漏掉这些机会。 **Luba Yudasina：** 我再确认一下，你们会通过讲述公司历史上的这些故事提醒新老员工：这不是一家已经把一切都定型的公司。还有别的吗？ **Anastasis Germanidis：** 讲故事确实很重要。毕竟电影制作是公司的核心。我们会在新人培训时给大家看几年前生成的第一部电影是什么样，再对照今天的成果，帮助大家理解过去五年的进步和真正重要的转折点。日常工作中，还要保持快速行动，尽可能少加流程。 ## [46:01] 刻意让团队保持精干 · YouTube **Anastasis Germanidis：** 尽量减少额外流程、保持快速行动很重要。我们总想让团队比“理应需要的规模”更小一点。我们应该始终觉得：如果再多招些人，产品就能做得更好。这是一种不错的状态。 **Luba Yudasina：** 你们怎么衡量这一点？ **Anastasis Germanidis：** 有些部分靠直觉。我们没有专门的办法直接衡量。 **Luba Yudasina：** 你和其他管理层的直觉通常一致吗？ **Anastasis Germanidis：** 我觉得三位联合创始人很长时间都想让公司保持小规模，先弄清公司的定位和我们是谁，把产品做到一定阶段，再大规模扩张。现在扩大团队更有意义，因为模型的企业级采用在过去一年增长很快，我们需要扩大团队来承接需求、发展业务。 但我们也不希望为了增加人数而增加人数，招聘必须非常审慎。现在招聘时，我们仍会让所有候选人都和创始人面谈。 **Luba Yudasina：** 你和其他联合创始人亲自面？那肯定占用很多时间。 **Anastasis Germanidis：** 是，但我觉得值得。这既是额外一道筛选，也能让公司保持足够小的感觉，让新加入的人觉得需要时可以直接找到我们。这两方面都能顾及到。 **Luba Yudasina：** 非常感谢收看本节目。请订阅，完全免费，而且这真的能帮助我把节目做大，继续邀请优秀嘉宾。我们回到节目。你个人既灵活又由好奇心驱动，同时也得做规划；从你的经历来看，你一直跟着好奇心走，让世界根据实时情况在眼前展开。现在更偏向规划，给你带来了什么代价？ **Anastasis Germanidis：** 这是个好问题。我人生里一直有两股相反的力量。一方面，我有很明确、想要追随的主题。以前做的各种项目，很多都围绕身份、模拟这些反复出现的主题。另一方面，我常常同时做很多事，有时候手头会有 50 个不同项目。但长期专注于一件具体事情，确实也带来很多好处。 ## [50:03] 从同时做 50 个项目到长期专注 · YouTube **Anastasis Germanidis：** 创业每天都不一样。创业令人兴奋的一点，就是能把几年或几个月压缩到几天里发生。每天做的事情种类繁多，所以这不太像一种妥协。很多时候，它反而让我能把想法推进得比以前一个人做小项目时更远。 当然，我现在做的艺术少得多，几乎没有时间做个人项目。不过我们能让其他人表达想象力，这仍然很有成就感。 **Luba Yudasina：** 公司现在大得多，你每天要处理各种各样的问题和任务。但最初只有你们三个人，围绕一个模型、一类研究工作。早期你怎么保持专注？ **Anastasis Germanidis：** 早期有太多事情要做，人手却很少。正是这份没完没了的待办清单，让我们能够保持专注。 **Luba Yudasina：** 没错。 **Anastasis Germanidis：** 是啊。那时公司里没有什么事情会自动发生，所有事情的进展都来自我们亲自做事。现在我仍然觉得亲自动手很重要，但刚开始时，公司必须靠我们把它往前推。我们来自非传统背景，所以“向外界证明自己”也一直是动力：证明我们真的能建立一家有影响力的公司。我们确实常常从被低估中获得动力。 ## [52:36] 被低估反而成为动力 · YouTube **Anastasis Germanidis：** 被低估会给我们动力。到现在，我其实挺喜欢有人低估我们、不相信我们能做到新事情。尤其进入新领域时，比如拓展世界模型和机器人业务，如果有人认为我们做不到、觉得我们不是专家，我会从中获得很多动力。公司不同阶段，动力来源也不一样。 **Luba Yudasina：** 想证明别人错，确实是一股很强的动力，甚至比证明自己错了更强，因为有那么多人的看法能推动你，而不只是自己。 **Anastasis Germanidis：** 当然，另一部分动力来自我们对正在做的事情和正在构建的东西充满热情。大规模模型有种美感：人们常说，模型不是被设计出来的，而是被“培育”出来的。你把算力和数据投入进去，却无法完全预知最终能做到什么；模型常常会带来意外。这种探索结果的过程很能满足好奇心。 这也是研究的美妙之处：你可以长期追随某些方向和信念，所以对具体想法要有点坚持。但抵达目标的路径总会出乎意料，因此也要保持开放；发现另一种方法更有效时，不要固执地认定只能沿着原路走，不愿根据新发现调整。 **Luba Yudasina：** 说到被低估，你们面对很多大型实验室的竞争。你们怎么建立起研究团队，先后做出早期视频模型和世界模型？ **Anastasis Germanidis：** 被低估确实是团队的动力之一。 **Luba Yudasina：** 你们招人时会特意寻找那些会被低估、能从中获得动力的人吗？ **Anastasis Germanidis：** 不会刻意这么招。我觉得团队里这种动力已经够多了，不需要再专门多招一些。不过，我印象最深的时刻之一，是我们发布 Gen-3 的时候。那是在首批视频模型发布一年后。OpenAI 推出了 Sora。 ## [55:55] Sora 发布后的一小时存在主义危机 · YouTube **Luba Yudasina：** 我正想问，Sora 发布时你们是什么感受？ **Anastasis Germanidis：** 2024 年 OpenAI 已经是家实力强大的公司，但当时大语言模型领域几乎没人能真正和它竞争。Gemini 刚刚问世，我觉得 Claude 也还在起步阶段。他们进军视频生成，而且拿出了看起来非常强的 Sora；那时的成果远远超过我们手上的模型。我们确实经历了一两个小时的存在主义危机，心里想着：我们真能和 OpenAI 竞争吗？ ## [57:03] 三个月内追上并超越 Sora · YouTube **Anastasis Germanidis：** 但与此同时，Sora 也是研究团队收到过的最好的礼物。它让路线图大幅提前：我们得在接下来三个月里想办法做出比 Sora 更好的模型。于是全公司都动员起来，迎接挑战。我最喜欢这个项目，因为最后大家再次发现，自己的能力比原先以为的强。 刚开始时，大家很不确定：我们真的有资源和技能赢过 Sora 吗？最后我们做到了，几个月后推出了比 Sora 更好的模型。我们在大型计算机视觉会议 CVPR 上发布 Gen-3，团队非常欣慰，大家都在谈论这个模型。这是公司发展中的一个关键时刻：面对看起来难以逾越的挑战——当时很多人觉得 Runway 完了，不可能和 Sora 竞争——我们证明了那些人错了，也让团队真正相信自己比想象中更有能力。 **Luba Yudasina：** 这和你说的让大家看到可能性有关。Sora 当时的模型比你们的好；除了“我们能不能迎接挑战”，也许团队还会想：“这件事是可能的，那我们就得做出来、变得更强。”我人生中很多时候也需要先看到某个例子，才能受到启发、获得积极动力，而不是嫉妒或责怪自己没做到。看到别人做到了，同时相信“我也可以”，是个很有力的组合。 **Anastasis Germanidis：** 不过，我觉得优秀研究者和杰出研究者的区别之一，是不需要先看到别人做出来，才相信一件事可能存在。即使没人做过或证明过，也能想象那是个里程碑，并努力抵达。Sora 确实让我们看到优秀成果的样子，但世界模型领域里，我们很多时候得想象并建立这个领域自己的基准。这才是真正杰出的研究者会做的事。 **Luba Yudasina：** 实际上怎么做到？学术背景的研究者可能会花很多时间摸索，不把成果拿出来，也不怎么做基准测试，因为他们好像有无限时间。你们怎样在鼓励大家大胆想象、快速探索新可能的同时找到平衡？ ## [1:01:06] 用原型把愿景变得具体 · YouTube **Anastasis Germanidis：** 一部分来自我们从艺术学校起步这件事。伟大的艺术在于提出别人没有提出过的新问题。我们在 ITP 研究生项目里也很重视通过原型来说服别人：先做一个演示或低保真版本，展示目标或最终愿景大概是什么样。很多时候，我们先做出一个原型，让大家看到几个月后想达到的样子。这有助于激励团队，也让目标变得清晰。 ## [1:01:56] Solaris：实时生成的软件 · YouTube **Anastasis Germanidis：** Solaris 是我们最近推出的一个项目，体现了这种做法。 **Luba Yudasina：** 多讲讲 Solaris 是什么。 **Anastasis Germanidis：** 我们把它叫作“界面世界模型”。它是一个系统，能用视频模型实时为你生成界面，让你像使用传统网站、界面和软件那样与之互动。因为界面是即时生成的，所以可以根据你的目标完全个性化、定制化。 **Luba Yudasina：** 举些例子。 **Anastasis Germanidis：** 比如新的电商体验：你上传一张公寓照片，就能往里面添加新家具，实时看看不同摆设下房间是什么样。还可以做虚拟试衣，上传自己的照片，再从服装目录里试穿不同衣服。也可以做新的教育体验，比如你想学习…… **Anastasis Germanidis：** 也就是说，你可以上传一张图片，试穿目录里的衣服；也能做新型教育体验。比如想了解细胞，系统就立刻生成一个教你生物学的界面，你可以在里面浏览、放大线粒体并继续学习，而不是只看静态图。它像一个可以互动的世界。 **Luba Yudasina：** 所以它会根据你的互动动态生成。 **Anastasis Germanidis：** 对。你不必先写代码，或让编程智能体写代码来生成界面，而是直接渲染像素。软件说到底是接收鼠标或键盘输入，然后返回像素。如果训练模型自己完成整个过程，就不需要中间那层代码表示，再由代码生成界面。我想象它最终可能成为一种新操作系统：你互动时，它随时生成所需的界面。 **Luba Yudasina：** 把它和我们一开始聊的模拟、世界模型、合成数据联系起来。这为什么重要？ **Anastasis Germanidis：** 世界模型既供人体验，也可以用来训练机器。像 Solaris 这样的系统，能成为一种新软件，让人们获得动态、丰富的交互体验；同时，它也能训练机器如何和软件互动，因为我们可以模拟出一个通用的软件模拟器。 ## [1:05:16] 为什么 AI 实验室要花钱买“假亚马逊” · YouTube **Anastasis Germanidis：** 现在，大语言模型实验室会花很多钱制作软件的模拟环境，在里面训练智能体。比如做一个假的亚马逊或 Booking.com，让智能体在里面操作。但这种方法限制很大，每个模拟环境都得手工制作。Solaris 则用一个模型生成各种不同的应用。我们所有的世界模型都具有双重用途：既能让人体验，也能训练智能体更好地与特定环境互动。 **Luba Yudasina：** 普通消费者为什么需要和世界模型互动？实际场景是什么？ **Anastasis Germanidis：** 虚拟试衣是一种。另一种是新型教育体验。很多人通过视觉学习，现在会看 YouTube 视频了解新概念。如果能即时生成任何主题的教程，让你提问、把结果可视化并继续探索，会有很大潜力。世界模型可以用于教育，构建个性化、实时生成的互动学习体验。 就像让大语言模型教你某件事时，可以调整它传递信息的方式，让你更容易吸收。有些人喜欢很长、很详细的解释，有些人喜欢简洁的要点。视觉界面也一样：有人喜欢信息量很大，有人喜欢简单干净的界面。这能让视觉界面拥有类似大语言模型的个性化和灵活性。 游戏也一样：如果能根据任何概念即时生成游戏，会很强大。 **Luba Yudasina：** 你就能做出你那款关于人生选择的哲学游戏了。 **Anastasis Germanidis：** 这就是目标。你可以生成一个设定很特别的游戏，随后理想情况下还能和其他人一起进入这个世界，多人互动。 ## [1:08:28] 视频生成的 token 成本是大语言模型的 100 倍 · YouTube **Luba Yudasina：** 听你这么说，我想到的就是成本会很高。一个一切画面都能实时生成的世界，要花多少钱？ **Anastasis Germanidis：** 这些模型训练起来确实很贵。视频模型的一次平均请求，消耗的 token 大约是大语言模型平均请求的 100 倍。与此同时，我们也花了很多精力提高效率。让模型实时运行的工作就是一个例子。我想用不了太久，很多模型就能直接在设备上运行。尤其 Solaris 这样的实时模型，最好能在手机上运行一部分，也许另一部分放在远端，但很多视觉处理应该在本地完成。 **Luba Yudasina：** 而且成本显然正在下降。 **Anastasis Germanidis：** 是。首先得让这些东西能运行；一旦能运行，之后提高效率、优化它们只是时间问题。不过，我确实认为实时生成对视频模型很重要。要做出真正…… **Anastasis Germanidis：** OpenAI 用 Sora 2 尝试打造面向消费者的体验和社交网络，但没有那么成功，其中一个原因是运行模型的成本太高。若想基于这些模型打造出色的消费产品，运行成本得降低 10 倍甚至 100 倍。这也是我们投入实时生成、模型蒸馏和高效视频模型的原因之一。 ## [1:09:54] 为什么 Sora 难以成为消费级应用 · YouTube **Luba Yudasina：** 你刚才说 Sora 的发布对公司来说是个存在主义时刻。后来 OpenAI 决定停掉 Sora，你是什么感受？ **Anastasis Germanidis：** 我觉得这说得通。总体而言，组织最好能更聚焦，把精力集中在单一主线上。对我们来说，视频模型和世界模型是公司的核心。如果能让它们奏效，就是公司的使命。因此，我认为公司在研究上押下重注很重要；我们和 OpenAI 的选择略有不同。 **Luba Yudasina：** 回到你自己和经营 Runway，最难学会的是什么？ **Anastasis Germanidis：** 学会放手。我通常会亲力亲为，也很在意我们所做产品的细节。随着时间推移，我得弄清楚哪些事情适合授权，哪些地方应该让比我更聪明的人来推动。这大概是我必须做出的最大改变。 **Luba Yudasina：** 有没有某个具体时刻，让你意识到得放手、不能再事事亲自深入？ **Anastasis Germanidis：** 很难说有一个具体时刻，更像是逐渐意识到的。每次招人，比如招第一位工程师，都是一个学习过程。八年前我第一次当经理，为了让公司、研究、技术和工程继续发展，我必须加快学习。不是哪一刻突然学会了，而是为了持续发展公司，我得快速吸取很多教训。 **Luba Yudasina：** 那你现在还在学什么、还觉得困难？ **Anastasis Germanidis：** 创业里我最喜欢的部分之一，是进入新的业务领域或工作方向，通过快速试错弄清楚该怎么做好。然后招聘、扩大团队，让这部分能够自主运转。比如大约一年半前，我对机器人学了解很少，但必须快速学习。进入一个新领域或公司新职能时，尽早形成关于正确做法的强假设很重要。即使最后证明假设错了，这也是最快找到真相的方式。 今年我也花更多时间了解并负责市场营销。 ## [1:13:54] 研究与营销的共同点 · YouTube **Luba Yudasina：** 营销挺有意思的，因为 Runway 的主要客户之一就是营销团队，公司的营销工作也在发展。你觉得研究和营销之间有什么共通之处？ **Anastasis Germanidis：** 我一直认为不同领域之间有很多共同点。比如小规模实验、隔离变量、把实验做好，这些都很重要。时间尺度不一样：营销要很快得到信号，研究可能要几周或几个月。但它们都关乎如何做实验、如何被证据说服自己错了。最好的研究者往往能同时做到两点：有很强的信念，也愿意接受自己被证明错了。 **Luba Yudasina：** 就是“观点坚定，持有松弛”。 **Anastasis Germanidis：** 这两点结合起来很难。很多时候确实要坚持，不能太早放弃；你可能思路是对的，只是实现或方法错了。但另一些时候，你要观察实际发生的事，及时调整方法。这其中有门艺术，在研究和公司其他职能里都一样：找到既有强烈信念、又愿意更新观点的人。 **Luba Yudasina：** 生活里也是如此：要有足够信念去追求某件事，但也别放弃，要尝试不同方法。你们招聘时怎么判断一个人有没有这项本领？ ## [1:16:33] 招聘看实际作品 · YouTube **Anastasis Germanidis：** 有些东西可以通过交谈了解，但我们最成功的一些招聘，背后都有候选人公开展示的工作成果。公开记录自己做过的项目很有价值。 **Luba Yudasina：** 比如参与开源项目？看的不只是某个项目的质量，也能看出一个人能不能把事情讲清楚、是否注重细节、项目如何从早期版本一路发展，以及这个人随时间进步了多少。现有作品能提供很多信号，这些信号光靠面试对话很难获得。 我们之前聊过，Runway 会给那些没有对口学历或传统公司经历的人机会，因为你们自己的背景也不传统。现在听起来，你们尤其重视实际作品，这比上过哪所学校、在哪工作过是更好的信号。 **Anastasis Germanidis：** 正是。能不能端到端地把项目做出来，比资历、甚至发表很多论文都重要得多。在大型实验室或公司里，你可能参与了一个很成功的项目，但很难判断个人贡献有多大。相比之下，一个看起来不那么耀眼、却能证明某个人从头到尾推动完成的项目，往往是更好的信号。 **Luba Yudasina：** Runway 这个名字怎么来的？ **Anastasis Germanidis：** Runway 最早是个运行模型的工具。最初它是一个地方，让大家能运行社区里各种开源模型，并把它们用于创意应用。所以叫 Runway，意思就是模型在这里运行。名字也有点像时装秀的“伸展台”、或者航空跑道的双关。 ## [1:19:44] 与 Cristóbal Valenzuela 成为联席 CEO · YouTube **Luba Yudasina：** 最近你们决定由你和 Cristóbal Valenzuela 担任联席 CEO；此前他是唯一的 CEO。能讲讲这个决定吗？为什么会有这样的变化？ **Anastasis Germanidis：** 某种程度上，这只是把我们长期以来的合作方式正式化了，日常工作并没有发生太大变化。我一直在想公司当前最重要的问题是什么。比如，我开始负责营销的一部分工作。后来大家发现，把这种安排正式确定下来，能让团队更清楚。我们原本就是这样运作的，只是我的工作范围已经变化。我仍然每天都深度参与研究，但职责已不只是技术方面…… **Luba Yudasina：** 你们现在具体还是各自负责不同领域，还是必要时能互相替代？ ## [1:21:21] 多年合作形成的联席领导 · YouTube **Anastasis Germanidis：** 某种程度上，我们可以完美模拟彼此，因为已经一起合作快十年了。 **Luba Yudasina：** 你们怎么学会做到这点的？ **Anastasis Germanidis：** 就是长期共事的结果。我们确实各自负责具体领域，但实际领导公司是个非常协作的过程。合作这么久之后，我们有种心意相通的感觉。 **Luba Yudasina：** 你负责营销和研究决策，那他负责什么？ **Anastasis Germanidis：** 他负责商业职能、企业业务、财务和创意团队。不过公司如何发展，很多决定实际上都是一起做的。 **Luba Yudasina：** 我很喜欢关注追求抱负和做出某些决定要付出的代价。你们为了建立 Runway、押注这么长远的目标，最近付出了什么代价？ **Anastasis Germanidis：** 我们选择了一条困难的路：做一家全栈公司，既做研究、构建基础设施，也在自己的模型上开发应用。其他公司可能只选择技术栈中的一层。我认为全栈是更适合我们的长期策略，因为我们能从应用中学习，知道怎样开发下一代模型，也能更好地控制成本。但这条路更难，我们既要做好研究，又要把产品推向市场，还要在模型上做好应用和工具。虽然困难，我觉得它更好，也更能经得住时间考验。 **Luba Yudasina：** 那对你个人来说，代价是什么？听起来你没时间做创意项目了，还有别的吗？ **Anastasis Germanidis：** 创业基本会吞噬所有生活，很难想别的。比如我们今天有个好消息宣布，我马上又开始想有哪些问题没解决、接下来要修什么。公司涉及的事情范围很广，总有可以改进的地方。这也是有趣之处：我从来不用担心没事做。对某种性格的人来说，创业是很合适的环境——虽然很累、工作很多，但永远有更多问题等着解决。 研究尤其如此，我们常常会第一个看到某种方法究竟行不行。比如第一个视频模型进入市场时，成为第一个做出某件事的人很令人兴奋，因为你在学别人还没学过的东西。 ## [1:25:22] 全栈公司的代价与创业的吸引力 · YouTube **Anastasis Germanidis：** 对于喜欢解决问题、又充满好奇心的人来说，创业可能是最理想的环境。 **Luba Yudasina：** 你看起来很放松，会有压力吗？ **Anastasis Germanidis：** 现在我已经经历过很多轮这样的起伏。公司早期，我会更担心竞争、担心事情做不成。现在我仍然很自我批评，总能找到问题和可以改进的地方，但心里会有种“这我以前经历过”的感觉。 **Luba Yudasina：** 有没有什么方法能帮你处理负面的自我对话或调节压力？ **Anastasis Germanidis：** 没有，因为这些特质其实有好处。 **Luba Yudasina：** 你为什么觉得它们有好处？很多东西对个人生活不太好，但管理公司时会很有用吧？ **Anastasis Germanidis：** 没错。比如有点执着、总想找出哪里出了问题、不太庆祝已经取得的成绩、而是一直想着下一步——这些特质可能不利于个人生活，却能成为创始人的优点。所以这是把双刃剑。 **Luba Yudasina：** 你会觉得自己错过了普通人那些不必 24 小时想着公司的生活体验吗？ **Anastasis Germanidis：** 无论过哪一种生活，总会错过没有选择的另一种生活。我喜欢模拟的原因之一，就是能在一生中经历很多种人生。 **Luba Yudasina：** 那就是你想创造的目标吗？模拟各种自己的人生？ **Anastasis Germanidis：** 传统艺术，比如电影和故事，也都是很有限的模拟，能让你学到一些东西。小时候，父母或祖父母给你讲他们的故事，你差不多是在低保真地体验他们的人生。这能教会你一些事，帮你避免犯同样的错误——当然，你也可能还是会犯。 我用这个想法减少对另一种人生的遗憾：自己真正活过一种人生，和通过听别人的故事、或者未来通过模拟了解另一种人生，差距没有我们想象的大。我们不只是过自己的生活，也通过他人和故事去体验生活。 ## [1:29:22] 通过故事体验别人的人生 · YouTube **Luba Yudasina：** 我们会通过故事间接体验人生。 **Anastasis Germanidis：** 对，你读过的每个故事里的每个角色，都能让你间接经历另一种生活。或许这是我用来减少对未曾体验的人生感到遗憾的一种理由，但我确实倾向于这么想。 ## [1:29:39] 他会选择再过一遍同样的人生吗？ · YouTube **Luba Yudasina：** 这让我想到你 15 岁时想做的那款游戏：重过自己的人生，看看是否会做出同样选择。如果真有这样的工具，你会选择过怎样的人生？ **Anastasis Germanidis：** “永恒轮回”的核心问题就是：你会不会选择重过自己的人生？这是个很好的检验——如果要你永远重复这一生，你会选吗？某种程度上，我会选择再过同样的人生。 当然，也存在很多平行宇宙：从艺术学校毕业后，我本可以继续发展艺术实践、全身心投入艺术；也可以继续当工程师、不创办公司。但我觉得现在走的这条路是对的。 ## [1:30:57] 他仍在成为怎样的人 · YouTube **Luba Yudasina：** 最后，Anastasis，你觉得自己仍在成为怎样的人？ **Anastasis Germanidis：** 这是个好问题。说回我们之前聊的身份并非固定不变：我在 Runway 之前做的很多项目，都围绕一个想法——你可以成为任何人，身份的限制是人为的。这个信念也影响了我们如何招聘、如何发展团队。 我一直坚信，你能成为什么样的人、能做什么事，很多限制都是人为的。我觉得自己一直在成为另一个人。自我成长最大的敌人，可能就是你自己，以及你对自己能成为什么样的人抱有的成见。别人也会对你形成某种固定印象，想预测你接下来会做什么，甚至在脑子里建立一个关于你的模型、不断模拟你。但这些都只是建议而已。我一直相信自我塑造，也相信人会不断演变、成长。 ## [1:32:53] 片尾 · YouTube **Luba Yudasina：** 太棒了，非常感谢你抽出时间。 **Anastasis Germanidis：** 谢谢。