企业该自建AI驾驭系统吗？Inkitt视频创作实践的五大启示

最 当前企业人工智能领域最具吸引力的发展方向 既不是模型，甚至也不是智能体（agents）：而是‘驾驭系统’（harness）

包括 Salesforce， DeepSeek 小米（Xiaomi）， Google 在内的多家公司正日益推出新型定制化驾驭系统，旨在增强底层人工智能模型与智能体的性能，并提升其在特定、可重复但又开放性任务上的可靠性。这些驾驭系统通过为人工智能模型提供一层专用软件、工具、提示词（prompts）、上下文、执行环境及操作指令，以实现所追求的目标。

但随之而来一个自然的问题：如果这些公司能做到，你的公司是否也应构建专属于自身、用于完成适用于 你所在业务的具体任务的驾驭系统？你自己的驾驭系统能否产品化？近期成功做到这一点的一家公司是数字出版与人工智能媒体初创企业 Inkitt，该公司以允许用户向其社区发布和分发电子书而闻名。今天，它推出了 Inkitt Movie Creator，一款公开测试版产品，旨在数分钟内将基于文本的剧本转化为人工智能生成的影片。

Inkitt Movie Creator 完全由 Cinematica驱动，这是 Inkitt 内部人工智能视频制作专家开发的一套内部驾驭系统，能够协调不同的图像、视频与语言模型，同时对真实世界中的电影制作技术进行编码。

Inkitt 创始人兼首席执行官 Ali Albazaz 在接受 VentureBeat 独家采访时指出，与其另建一个基础视频模型以直接挑战字节跳动（ByteDance）的 Seedance、MiniMax 以及不断扩大的生成式视频系统领域，Inkitt 押注于更大的机会——即让这些模型在实际制片流程中更易于控制。

Albazaz 表示：“该领域选择众多，我们根本无意在此竞争。Cinematica 的特别之处正在于其驾驭系统。”

研究日益表明驾驭系统工程为何至关重要。小米的 HarnessX 在测试中于 15 种模型-基准组合中的 14 种提升了性能，平均绝对增益达 14.5%，且并未简单替换为更强的基础模型。

VentureBeat 报道的另一项独立真实场景测试显示，同一模型在不同驾驭系统、工具配置及执行栈下会产生显著不同的结果。

Cinematica 代表了一种尤为切实的尝试，即将该原则应用于编程与企业智能体之外的领域：不训练更优的电影模型，而是构建一套更优的系统，用以指挥现有电影模型。然而，该公司拒绝在发布时公布其驾驭系统的具体基准测试数据，转而向 VentureBeat 提供演示与操作流程展示，说明该系统如何加速制作过程并在瞬间交付可编辑成果，从而创建出可用于广告或宣传材料的人工智能视频制作高效工作流。

依我之见，这些演示确实显示出，相较于直接在供应商网站上使用人工智能视频模型，甚至相较于通过 fal.al 等多模型聚合服务（用户需逐个点击多个下拉菜单并零散评估人工智能生成的视频片段，而非将其作为统一单部影片的一部分）使用，Inkitt Movie Creator 在用户体验便捷性方面有所提升。

而最重要的是，对于正思索是否应自行构建定制化驾驭系统的企业而言，Inkitt 的开发过程至少提供了五条有益经验。

经验一：从真实的内部工作流出发，而非泛泛的驾驭系统构想

Cinematica 并非始于一项抽象平台项目，亦非为寻找用例而生。

据 Albazaz 所述，该项目约始于 2026 年初，起因在于 Inkitt 已拥有不断增长的故事库，希望将其转化为面向 Inkitt Ironblood的影片——这是一项基于 Inkitt 畅销电子书标题打造的动作、冒险、科幻与奇幻题材人工智能视频流媒体服务。截至目前，该网站所有内容均由 Cinematica 制作，一位发言人向 VentureBeat 表示。

传统制作经济模式使得 Inkitt 按其期望规模改编这些故事变得不切实际，而日益强大的人工智能视频模型则提供了另一条路径。

Albazaz 表示：“我们开始创建 Cinematica 第一版。它最初是我们内部使用的工具。”向 VentureBeat 展示的系统如今已是第三版。

换言之，Inkitt 并非始于“我们需要一个人工智能驾驭系统”这一命题。它始于一个反复出现且代价高昂的业务问题：我们如何利用快速进步的视频模型，在不围绕每个新模型重建整个制作工作流的前提下，批量制作大量长格式影片？

Cinematica 正是这一问题的答案。Albazaz 借用汽车类比描述了驾驭系统从内部基础设施向公共产品的后续转型。

他说：“打个比方，我们打造了一辆一级方程式赛车（Formula One car），用以帮助我们在内部制作这些影片；如今，我们正将其转变为本田 CR-V，以便外部用户开始使用。”

这种演进路径为其他企业提供了潜在的有用模板：从一项真实、重复且成本高昂的内部工作流入手，先为其员工解决问题，之后再考虑由此产生的驾驭系统是否应扩展为更广泛的产品。

经验二：将领域专家纳入驾驭系统开发闭环

实际开展工作的人员是 Inkitt 方法的核心。Albazaz 表示，截至采访之时，约有 25 人在 Ironblood 和 Cinematica 项目上协同工作，其中包括约 15 名视频制作人，且 Inkitt 持续招聘更多人员。

这些员工并非 Cinematica 的单纯终端用户，他们实际上充当着驾驭系统的持续性研发组织。

Albazaz 表示，Inkitt 每日召开会议，制作团队在会上讨论前一日工作中发现的技术，并探讨如何将其整合进 Cinematica。

他对该流程的描述异常直白。

他说：“‘杰西卡（Jessica），你今天学到了新东西。让我们把它产品化进 Cinematica，使团队其余成员也能受益于你的学习。’‘何塞（Jose），你今天刚学到新东西。我们将把它产品化，加入 Cinematica，从而使团队其余成员整体升级。’”

Albazaz 告诉我：“团队成员每日所获知识基本都输入进了 Cinematica。”

这可能是对典型自动化叙事的一种重要倒置：不是要求人工智能系统取代领域专家的工作并独立获取其专业知识，而是 Inkitt 将这些专家纳入优化循环中，并尝试将其反复做出的决策转化为可复用的软件。

因此，对企业而言，有价值的资产可能不仅包括专有数据，还包括 隐性操作知识 ——即那些比模型更了解工作流程的人员所掌握的知识。

经验教训三：将反复出现的失败及专家修复方案转化为可复用的系统知识

当人类输入与具体的故障模式挂钩时，其价值才最为显著。

Albazaz 将 Cinematica 描述为一种用于捕获 AI 视频制作过程中反复出现的问题之应对技术的工具。

如果 AI 生成角色的皮肤看起来呈蜡状，该“控制框架”（harness）可编码制片人已发现的、对修正该问题行之有效的技术；如果某特定场景需要某种电影化效果，它还可协助推荐摄像机或镜头配置。

更复杂的场景可能需要更奇特的干预手段。

Albazaz 描述称，视频生成器有时会在移动镜头中出现多人画面时，错误地互换人物面部或位置；一种变通方法是使用三维（3D）或计算机辅助设计（CAD）风格的参考图来排列人物，从而帮助底层生成器维持其空间关系。

“该控制框架正被训练以识别‘嘿，每当你面临这一问题时，就有这种技术可用’，”Albazaz 解释道，“理论上，你可以去 Twitter 和 Google 等平台，每次遇到问题都自行搜索；但我们实际上已把所有技巧整合到了一个地方。”

实际上，Inkitt 正试图将反复出现的故障排查过程转化为 机构记忆。

编程团队可编码代码仓库规范、调试序列或首选工具使用模式；安全组织可记录资深分析师针对特定类别告警反复采用的调查步骤；财务团队可编码经验丰富的员工在将某些异常升级前如何进行调和的方法。

Inkitt 所处领域恰好是电影制作，因此所积累的知识涉及人物、镜头、连贯性、提示词（prompting）以及视觉伪影（visual artifacts）。

但其底层模式具有可移植性： 找出模型反复失败之处，观察专家接下来采取的行动，并将该干预措施 在系统下次遭遇同类问题时提供出来。

经验教训四：将专有专业知识与公司外部的有用知识相结合

Inkitt 亦未声称 Cinematica 的全部制作知识均为内部原创。

Albazaz 表示，其制片人持续关注更广泛的 AI 视频社区公开分享的技术，尤其关注 X 平台（原 Twitter），同时也通过实际制作工作开发自身方法。

他说：“这既是我们向社区学习的过程，也是制片人自身实践的过程。”

Inkitt 鼓励其制片人投入时间跟进新近发现的技术；Albazaz 还提到，AI 视频创作者聚会中的交流也是实用知识的重要来源，这些知识可反哺并融入系统。

因此，竞争优势未必必须源自每一项底层技术的发明。

它可源于 收集、评估、标准化并持续更新适用于某一特定工作的各项技术，再将普遍可得的知识与企业内部独有方法及工作流程数据相结合。

该过程亦可防止控制框架趋于静态。

在 VentureBeat 后续演示中，Inkitt 高管强调，Movie Creator 用户将受益于其内部制作团队不断发现的新技术，而无需等待偶发的重大产品版本更新。

一位 Inkitt 高管表示：“它也并非停滞不前。他们所使用的全部提示词、全部反馈，使其变得愈发智能，而这些改进会持续同步至 Inkitt 的用户端。”

经验教训五：使控制框架与底层模型保持分离

Inkitt 的最终架构选择或许是对企业最具直接适用性的： 控制框架并非基础模型（foundation model）。

在面向 VentureBeat 的演示中，Cinematica 展示了一种工作流程：电影制作人可设定人物、地点与道具；生成多个单场戏版本；从中选取偏好的生成结果；并以对话方式要求系统修改那些接近正确但仍有偏差的镜头。

但创作者并不被锁定于某一个底层视频生成器。

Albazaz 表示，Cinematica 可依据质量与成本等因素，在不同系统间进行选择，例如在追求更高品质且预算充足时选用字节跳动（ByteDance）的 Seedance 2.5，而在希望控制成本时则选用 MiniMax H3。

Albazaz 表示：“若你真想追求高画质，就选 Seedance 2.5，但它成本高昂；若你想以极低成本实现高画质，则很可能选用 MiniMax H3，我们允许用户自主做出此类选择。”

Inkitt 高管在后续演示中描述了一个更为宽泛的技术栈，组合了不同供应商提供的图像生成、视频生成及对话交互能力。

Albazaz 表示：“我们并不绑定于单一模型。我们将为你提供最佳工具。”

这种分离之所以重要，是因为 Cinematica 的预期价值并不仅限于接入某个特定视频生成器，而是 凌驾于这些模型之上的制作逻辑。

Albazaz 表示：“如何让角色在一小时长的影片中保持一致？如何确保声音一致？如何维持场景一致性？拍摄时应选用何种镜头？我们在数月来反复试验不同模型的过程中所积累的诸如此类技巧，使我们得以创作出极具电影感的影片。”

对企业而言，这种与模型无关（model-agnostic）的方法有助于防止业务流程本身与当下表现最强的 AI 供应商过度耦合。

倘若另一模型明日变得性能更优或成本更低，理论上模型可以更换，而组织所积累的工作流程、规则与专业知识仍将保留在控制框架中。

该原则在 AI 视频领域尤为明显——此处模型能力与定价正快速变化；但该原则在企业级 AI 中亦日益显现。

例如，Salesforce 正在推动一种覆盖全企业的治理层理念，使其可跨模型及智能体（agent）平台运行，而非假定企业将统一采用单一供应商。

Cinematica 的范围要窄得多，但其架构直觉是相似的： 掌控工作流与编排层，即便基础模型由其他方拥有。

定价与可用性

Inkitt Movie Creator 今日起（即2026年9月24日）通过 该公司网站上线提供。此外， Cinematica 在发布时暂未提供 API， 因此所有制作目前均需在 Inkitt 网站上完成。尽管 Inkitt 运行着一个 MCP 服务器，Albazaz 表示该服务器尚未与 Cinematica 连接——计划后续进行集成。

这些缺失可能使 Cinematica 在初期更适合作为创意制作工具，而非可直接接入大型企业营销技术栈的基础设施。

根据 Inkitt 向 VentureBeat 提供的一份事实说明书，Inkitt 估计 Movie Creator 制作的成本为“每分钟最终成片内容 75 至 500 美元”，价格区间较宽的原因在于创作者在最终接受某一场景前尝试生成的次数，以及所选用的基础 AI 视频生成模型（用户可自行选择）。Inkitt 通过 Movie Creator 向用户提供这些模型，并对其界面使用额外收取溢价，但该公司拒绝说明该溢价的具体金额或是否可变。

VentureBeat 在测试这款新创作工具时，收到了一个以信用点（credits）为单位的定价页面，起始套餐为 50,000 信用点，售价 10.61 美元，Inkitt 估计这足以生成约 30 秒的影片。其他套餐包括：

• 100,000 信用点售价 20.91 美元（约一分钟）

• 200,000 信用点售价 41.51 美元（两分钟）

• 500,000 信用点售价 103.30 美元（五分钟）

• 100 万信用点售价 206.29 美元（十分钟）

• 250 万信用点售价 515.25 美元（25 分钟）

据此计算，每分钟生成视频的预估成本极为稳定，约为 20.60 至 21.20 美元，且当用户购买更大额度的信用点套餐时，几乎不存在数量折扣。

该定价大致处于其他 AI 视频服务（包括第一方 AI 视频模型）价格区间的中段。在 BytePlus 第一方 Seedance 2.5 的定价方案下，720p 分辨率生成成本约为每输出分钟 27.72 美元，480p 分辨率则约为每分钟 12.34 美元，这意味着 Movie Creator 在 720p 分辨率下实际上比直接调用 Seedance 2.5 更便宜，但在 480p 分辨率下则更贵。

谷歌最新发布的 Veo 3.1 API 定价 范围为：标准 720p/1080p 带音频生成每分钟 24 美元，Veo 3.1 Fast（720p）每分钟 6 美元，Veo 3.1 Lite（720p）每分钟仅 3 美元。MiniMax 的价格更低：其 第一方 H3 API 定价 为 768p 分辨率每分钟 4.80 美元，或 2K 分辨率每分钟 7.80 美元。

因此，Inkitt 的原始生成成本估算大致相当于高端 Veo 或 Seedance 接入价格，但比直接调用低成本 Veo 变体或 MiniMax H3 的价格高出约三至七倍。

然而，这一对比并非完全同类可比：上述 API 出售的是原始模型推理服务，而 Inkitt 的价格则包含了对 Cinematica 更高层级的编排、资产与连贯性管理、模型选择及积累的电影制作技术的访问权限——本质上正是本文所探讨的“驾驭层”（harness layer）。

至少相较于 Seedance 2.5 720p 和标准 Veo 3.1，其表观每分钟生成成本具备竞争力；但相较于 H3、Veo Fast 和 Veo Lite 等低成本模型，其溢价则明显得多。这实际上使企业级问题更具探讨价值：Cinematica 所增加的工作流智能是否值得支付数倍于最低可用原始推理成本的费用？

Inkitt 从数据驱动型图书到 AI 电影的发展路径

Cinematica 也契合 Inkitt 十余年来持续推行的战略。

该公司最初是一个作者可发布小说的平台，Inkitt 同时分析读者行为以识别有潜力的故事。2017 年，该公司围绕其 “读者驱动型”（reader-powered）出版模式 筹集了 390 万美元。据 TechCrunch 报道，截至 2019 年，Inkitt 拥有 160 万读者、11 万名作者及约 35 万部上传小说。

此后，Inkitt 通过付费小说服务 Inkitt Galatea 拓展成功作品，并于 2021 年完成 5900 万美元 B 轮融资，当时其雄心已扩展至多媒体娱乐领域。

2024 年， Khosla Ventures 牵头完成了新一轮 3700 万美元 C 轮融资。当时 Inkitt 告知 TechCrunch，其用户总数已达 3300 万，并计划进一步进军有声书、游戏，最终延伸至 AI 生成视频领域。本轮融资使其公开披露的融资总额达到 1.17 亿美元。

此次扩张最终促使 Inkitt 推出 AI 生成的短格式“微剧”（microdrama）平台 Inkitt CandyJar ，以及近期推出的 Inkitt Ironblood——一个专为科幻与奇幻题材影片打造的 AI 视频出版与流媒体平台，内容基于 Inkitt 平台上的热门作品。

Inkitt 的 Movie Creator 现在向外部用户开放了部分支撑该视频制作工作的工具。

企业如何利用 Cinematica 和 Inkitt Movie Creator 开展自身的内容与广告活动

Inkitt 认为，Cinematica 在一个尤为应时的企业应用场景中具有潜力，即 品牌微剧（branded microdramas）。

Albazaz 告诉 VentureBeat，已有公司主动联系 Inkitt，探讨将自身产品与服务融入系列化故事中。他举例称，一家未具名的公寓搜索公司正与 Inkitt 合作开发一部关于一对情侣寻找公寓的故事；另有一家邮轮公司也表达了合作兴趣。

他说：“微剧正成为一种广告形式。我认为，这将成为品牌及其传播部门打造微剧并按需分发至任意平台的绝佳工具。”

更广泛的广告行业已在尝试这一形式。

宝洁（Procter & Gamble）、美宝莲（Maybelline）、Dr Pepper、Marc Jacobs、JCPenney 以及 Crocs 均已推出品牌微剧项目。 《快公司》（Fast Company） 今年早些时候报道称，Crocs 推出的以 Jibbitz 饰品为核心的微剧《Charmed to Meet You》获得了近 1,000 万次观看；而据《营销 Dive》（Marketing Dive）报道，JCPenney 与 TelevisaUnivision 合作推出的微剧项目则产生了 1,600 万次曝光量和 560 万次视频观看量。 《营销 Dive》（Marketing Dive）。

其商业可行性仍无定论。营销人员仍在摸索微剧参与度能否稳定转化为流量、销量等具体指标。《华尔街日报》（Wall Street Journal） 报道称 ，美国品牌微剧的典型制作成本约为 20 万至 45 万美元。相比之下，Inkitt 公布的 Movie Creator 成品视频每分钟制作成本区间为 75 至 500 美元，据此推算，60 分钟成品视频的成本约为 4,500 至 30,000 美元——此数字尚未计入任何额外人工劳动或外部后期制作费用。

但 Albazaz 本人表示，Cinematica 生成的素材仍可导入 Premiere 等工具进行剪辑、音效添加及其他后期制作。因此，Inkitt 所报价格应被理解为生成与 AI 制作环节的成本，尚非经验证的、可全面替代传统制作预算的综合成本。

这可能使企业在投入传统制作预算前，更易就系列化品牌娱乐内容、以产品为中心的故事线及叙事型广告展开试验。

一个悬而未决的重大问题在于：Cinematica 的基准测试表现如何？

然而，有一个重要问题笼罩着全部五条经验教训： Cinematica 是否确实提升了底层模型的性能，且提升幅度有多大？

Inkitt 尚未向 VentureBeat 提供 Cinematica 与直接使用 Seedance、MiniMax 或其他视频模型的基准测试对比数据。

目前未披露任何盲测偏好实验、角色一致性评分、重生成率、制作时间对比，亦无任何测量数据表明该“封装层”（harness）能将达成可接受镜头所需成本降低多少。

这一缺失尤为显著，因为其他同类封装层项目正日益尝试独立于其底层基础模型，量化自身所作贡献。

在 VentureBeat 的演示过程中，Albazaz 展示了一段约两分钟的样片，并称该样片由 Inkitt 一名制作人耗时约 25 分钟完成，尚未经最终后期制作。

他说：“这正是你能在 25 分钟内实际完成的内容。之后你再对其进行剪辑，并在整个后期制作流程中添加音效。这便是该工具在现实中的实际能力。”

不过，平均制作时间的缩短幅度迄今尚未被量化。企业在产品发布初期还面临其他限制。

Inkitt 带来的启示未必是每家企业都应自建 AI 影视制作平台。其真正启示在于： 其他企业可能已具备构建实用领域专用封装层（domain-specific harness）所需的要素：重复性工作流程、能够执行其中部分任务的基础模型、熟知这些模型失效点的资深员工、可补充其专业知识的外部知识，以及一套用于弥补模型缺陷的、持续积累的技巧集合。

倘若该论点成立，下一阶段的企业级 AI 竞争或将不仅取决于谁拥有最强的基础模型，更取决于 谁能最擅长将其员工历经艰辛所获的专业知识，转化为包裹在基础模型之上的封装层。