测试者探索使用DeepSeek和Grok制作AI动态图形

概述

创作者和数字艺术家正越来越多地转向生成式人工智能工具，以简化动态图形的制作流程，其中 DeepSeek 和 Grok 已成为这一实验性工作流程中的值得关注的新秀。新一代测试人员不再依赖传统动画软件，而是利用大型语言模型通过基于文本的提示来编写脚本、分镜和构思动画内容。

这一转变代表了创意流程的重大变化，从手动逐帧渲染转向基于提示的可视化。早期采用者报告称，通过提供详细的叙事流程和反馈循环，他们无需手动创建资产或处理复杂的技术渲染任务，即可实现精致的成果。

“我没有任何一帧是亲手制作的。” —— F2aldi (@F2aldi)

这一趋势凸显了人们对当前人工智能模型在视觉叙事方面的能力日益增长的探索欲。用户正在测试这些工具的边界，看它们能否替代或增强传统设计软件，用于社交媒体内容，特别是 Instagram Stories 等短视频格式。

近期使用 DeepSeek 进行的实验表明，通过结构化的提示过程可以生成有效的动态图形。一个值得注意的测试案例是一段 56 秒的关于印度尼西亚数据中心基础设施的动态图形作品。创作者强调，整个工作流程均由自我撰写的提示驱动，无需外部资产库。

该过程始于定义清晰的叙事弧线。测试人员没有要求人工智能直接生成视觉资产，而是专注于创建一个逻辑流程：从 X 到 Y 再到 Z。这种方法使模型能够理解事件顺序和故事的预期进展。

自主撰写的提示： 创作者编写了核心指令，而不是依赖通用模板，确保输出符合其特定愿景。
分镜流程： 叙事被分解为线性序列，DeepSeek 利用该序列生成预览分镜。
无需资产的测试： 这项实验中的一个关键约束是决定不要求人工智能生成资产。通过仅关注结构和动画方向，测试人员可以评估模型处理运动逻辑的能力，而无需引入图像合成的变量。

这种方法表明，对于擅长叙事结构的用户来说，人工智能模型可以充当动态设计的强大导演，承担概念性的繁重工作，而人类创作者则保留对创作方向的控制权。

与 DeepSeek 测试并行的是，另一项重要的探索是使用由 xAI 开发的人工智能机器人 Grok 进行的。该实验侧重于通过迭代反馈来优化输出，模仿传统的客户-设计师互动，但时间压缩到了几秒钟。

最初的请求是让 Grok 制作一段关于印度尼西亚数据中心的动态图形。然而，工作流程的真正价值在反馈阶段显现出来。创作者要求进行特定的风格调整，例如使设计更加极简主义，并针对 Instagram Stories 优化纵横比。

最终的视频展示了干净的线条艺术、用于大数字的动画计数器以及每个场景底部的微妙来源引用。这些细节表明，Grok 能够解释抽象的设计指令，并将其一致地应用到多场景视频中。

此工作流程的关键方面包括：

创作者推测，底层技术可能涉及先进模型，并质疑是否在其后台利用了类似于 Opus 5.5 的功能。无论具体后端如何，可观察到的输出是一款专业级的动态图形，且几乎不需要人工干预。

这些测试方法的兴起引发了关于动态图形制作未来的一系列重要问题。如果人工智能能够处理分镜、基础动画和风格优化，那么动态设计师的角色可能会从执行转向策展和导演。

对于企业和内容创作者而言，这意味着视频内容的周转时间更快。以前需要数天渲染的概念，现在可以在单次会话中完成原型制作和优化。然而，对基于文本的提示的依赖也引入了新的技能要求，叙事清晰度和技术词汇变得与艺术眼光一样重要。

“最近大家都在吹捧人工智能动态图形，所以我自己也试了一下。” —— F2aldi

随着社区继续分享这些实验，一套最佳实践共享库很可能会应运而生。创作者已经计划通过meetup和社区聚会传播这些发现，这表明AI辅助动态图形的规范化方法论即将到来。

当前的人工智能动态图形格局以快速实验为特征。DeepSeek 和 Grok 都已证明其在处理视频制作特定细分领域（从结构性分镜到迭代视觉优化）方面的潜力。

虽然这些工具可能尚未取代高端商业动画工作室，但它们为社交媒体内容、解释性视频和快速原型制作提供了一个诱人的替代方案。对创作者来说，关键要点是入门门槛正在降低；指导人工智能动画师的能力本身正成为一种宝贵的技能。

随着模型的不断演进，我们可以期待对视觉资产更 sophisticated 的处理以及对设计原则更细致入微的理解。这一趋势的下一阶段可能涉及这些基于聊天的界面与专业设计软件之间的更紧密集成，从而弥合概念性人工智能提示与成品制作文件之间的差距。

目前，实验阶段广泛开放，邀请创作者测试自己的提示，优化反馈循环，并在 AI生成动态图形 领域发现新的可能性。