“哥们，我们完蛋了。”第一次看到 AI 生成逼真画面的演示时，本·阿弗莱克给马特·达蒙打了电话。他担心电影人很快就没戏拍了。后来他坐下来研究模型，发现了另一件事：它能做出像电影的画面，却很难听懂电影人到底想改哪一个镜头。
他把这个缺口做成了一家公司：InterPositive。2026 年 3 月，Netflix 宣布收购它。公司随后披露，3 月完成的一笔收购支付了约 5.87 亿美元现金；行业报道将这笔交易对应到 InterPositive。这个数字是公司收购对价，不能直接算成阿弗莱克个人的收入。
本·阿弗莱克，摄于 2026 年威尼斯电影节（资料照；摄影：Luca Fazzolari，原站裁切；Wikimedia Commons，CC BY-SA 4.0）。
最有意思的地方在这里：这家高价卖给 Netflix 的 AI 公司，没有主打一键生成整部电影。它先解决一件更窄的事——电影已经拍出来了，怎么把那些不得不修的镜头修好？
他发现，AI 最先该学的不是拍电影
阿弗莱克在 GQ 采访中回忆，最初的惊吓过去后，他去看模型的数据和制作方式，发现生成画面与真正的电影制作之间还有一段距离：画面可以逼真，却不容易保持可控和连续。电影人需要的，不只是“再来一段视频”，而是“保留这一条表演，只调整背景”“让这个镜头接得上下一条”。
拍摄现场留下的是一组互相关联的素材。一个场景可能拍了多条，演员的动作、眼神、站位，以及摄影机角度和光线，都要在剪辑后仍然说得通。普通视频生成工具可以从一句描述出发，先做一段看起来成立的画面；剧组后期要把新画面放回已经拍好的电影里。它前后有邻居，不能只顾自己漂亮。
比如导演满意演员在某条素材中的情绪，背景却需要调整。后期真正要动的是背景，演员的动作、表情和镜头衔接都得尽量保住。又比如拍完才发现，某个镜头的光线和上一条接不上。此时重新生成一段“更好看”的视频，未必比精确修掉问题更有用。
Netflix 公告给出的 InterPositive 应用场景，正是缺失镜头、背景替换和光线错误。公司称，它的模型着重理解视觉逻辑和剪辑连续性。这些词听着不如“一句话拍电影”热闹，却恰好指向片场和后期每天可能碰到的问题。它能否被反复使用，取决于制作团队能不能指定修改范围、复查结果，并把修改接进现有流程。
他没有先找更多电影，而是自己拍数据
阿弗莱克在 Netflix 公告中回顾，2022 年观察早期 AI 制作工具时，他认为现成模型缺少电影制作所需的细节理解。比如镜头畸变、光线在一场戏里的变化，以及片场不断出现的意外情况，都会影响最终画面。他随后与工程师、研究人员和创作人员组成团队，在受控摄影棚里拍摄自己的数据集。
绿幕摄影棚里的机位、轨道与灯光（2019 年资料图，非 InterPositive 片场；摄影：HeatherSignal；Wikimedia Commons，CC BY-SA 4.0）。
这一步有点反直觉。电影行业最不缺的似乎就是视频，为什么还要专门组织拍摄？因为专业工具需要学习的，不仅是最终画面长什么样，还有画面怎样被拍出来、怎样被剪在一起、怎样在修改后仍保持一致。哪个镜头属于哪场戏，摄影机和人物如何移动，哪些变化是导演有意保留的，哪些是要修的问题，这些关系决定了工具能不能听懂任务。
阿弗莱克后来在 GQ 访谈中谈到另一个理由：他不愿意把同行的作品当成自己产品能力的基础，因此选择组织拍摄、建立专有数据。这是他对数据来源和商业可持续性的解释。至于工具所用的每一层模型如何训练、每个项目的素材如何归属，公开信息还不足以画出完整的技术和权利边界。
这也是为什么“用自己的数据”并非一个好听的宣传标签。对剧组来说，素材涉及未公开的故事、演员表演和制作安排。如果工具要进入正式流程，数据从哪里来、谁能访问、用完后留不留下，都得说清楚。公司公开讲的是让电影人拥有更多控制权；具体到每部作品，还需要合同和技术安排来兑现。
这也解释了它与通用模型公司的位置差异。通用模型比拼的是跨场景生成能力，影视制作工具还要面对更窄、更苛刻的验收：导演想改的地方有没有改到，不想改的表演有没有被动到，前后镜头能否接上，修改后的结果能否交给原有团队继续工作。
Netflix 为什么愿意花 5.87 亿美元
Netflix 3 月宣布收购时没有披露价格。到二季度财报，外界才看到“3 月完成的一笔收购约 5.87 亿美元现金”的记录；行业报道将其与 InterPositive 对应。金额足够惊人，但财报没有把技术、人才、数据和商誉逐项标价。
更有意义的问题是：Netflix 为什么需要把这种能力收进内部？从公告看，InterPositive 整个团队加入 Netflix，阿弗莱克担任高级顾问。Netflix 同时强调，它希望把技术用于扩展创作者的选择。交易价格说明公司愿意为这项能力和团队付出相当高的成本，但并不能单凭价格证明工具已经为电影节省了同等规模的预算，更不能证明所有后期岗位都会被替代。
对 Netflix 来说，这类工具可能在多个环节产生价值：少一次返工，少一次补拍，把同一套能力用于更多项目，让导演和后期团队更快看到不同修改方案。这些是理解交易的可能路径，并非 Netflix 公布的投资回报。价值能不能实现，还要看工具在真实剧组里是否稳定、是否好用、是否得到创作者信任。
其中最容易被低估的是信任。剧组交给工具的是尚未公开的素材，里面可能包含演员表演、未定稿情节和商业机密。产品除了生成质量，还得回答谁能访问素材、模型如何使用它、项目结束后数据如何处理。公开声明给出了“让创作者控制工具”的方向；具体到每个项目的合同和技术措施，仍要看实际安排。
这笔交易更值得记住的事
如果把 AI 影视工具一律归为“生成电影”，很容易把两类工作混在一起。一类是在创作开始前提出画面和故事，另一类是在已有创作基础上解决制作问题。InterPositive 公开展示的方向主要靠近后者。它的价值，要放在拍摄、剪辑、视效之间的接力中看。
这个区分并不意味着后期处理没有创作性。背景换成什么、镜头要不要延长、光线该传达怎样的情绪，本来就可能改变叙事。工具越容易修改画面，越需要明确谁提出修改、谁批准、谁对最终版本负责。所谓“由人作判断”，落实到现场就是一套可以追溯的决策和审片流程。
对使用 AI 的影视团队，至少可以问四个具体问题。第一，输入素材来自哪里，授权范围包括训练、推理还是只限当前项目处理？第二，工具允许修改哪些画面元素，哪些元素必须锁定？第三，成片与原镜头相比，谁负责检查连续性和人物表演？第四，项目结束后，素材、生成结果和模型能力分别由谁保管？
这些问题适用于更广的专业 AI 产品。一个系统在演示中完成任务，不等于它已经能进入团队工作流。真正的门槛常在演示之外：数据能不能合法取得，输出能不能受控，错误能不能被发现，责任能不能分清，现有专业人员愿不愿意使用。
阿弗莱克的态度变化，给这笔交易留下了一个很有意思的注脚。第一次看到生成技术，他以为电影人要被赶下场。后来他发现，电影制作里有大量难题，恰恰需要懂电影的人来定义。他如今更担心 AI 对孩子、学校和社会的影响；对影视业，他认为技术可以成为补充。这是他的判断，行业的就业、版权和创作争议仍然存在。
InterPositive 的方向已经很清楚：把模型能力压进一个具体、昂贵、需要专业判断的生产环节。它从补一个镜头、换一处背景、调一段光线开始，而不是先许诺包办一部电影。