AI的长会话叙事共创里，缺了三维空间这个东西

---

*本文是继 [《你写的不是故事，是景别标签堆砌》](网页链接) 之后的第二篇。第一篇聊了我脑子里那条 Previs 时间线怎么变成文字。这篇得告诉各位，模型的脑子里没有什么。*

---

在长会话叙事创作里，"控场"这件事情，可以简单的理解为控制剧情走向，保证角色不跑偏。这件事 AI 也能做，做得还挺好对吧。模型会埋钩子、维持人设、收线、追问等等，在合适的时候推进节奏。那我现在开这篇文章，重新说的"控场"，到底在控什么。

控的是目前暂时只有人类能做的事情，**空间**。

---

AI 只有概率，没有空间

要理解这个区别，那就得先说清楚，AI 的文字是怎么生成的。

**概率**。所有的 AI 大佬都会告诉你们，模型读取你的上文，然后计算下一个 token 最有可能是什么。模型推演"接下来她大概会说什么""接下来剧情大概往哪个方向走"，所有判断的依据是统计关联。"前面提到过左肩伤"和"现在是时候让它疼了"之间的关联，是模型在海量文本里学到的模式。它不会真的看见一道伤疤，更不需要知道左肩在身体的哪个位置。它只需要知道这两个词在你之前的文字里面经常一起出现。

这意味着空间信息对 AI 来说，跟"语气词""转折词"这种东西其实一样，这些东西只是文本序列里的一个 token。对模型来说，它才不会去区分"她站在田埂上"，以及"她流了一滴泪"这两个输入哪里不同。这些玩意儿，在模型的眼里仅仅只是文字，与三维坐标是产生不了关联的。

所以当你跑一场长会话，场景里有三个人：

> 幽谷捂着左肩站在麦田里，沈蕴背靠树干，刺客的匕首被夕阳反射出一道寒光。

AI 接收到的东西仅仅只是文字而已。第一轮对话，这些文字还在上下文的表层里面随时可见。第五轮、第十轮，你的上下文越叠越厚，那些曾经你脑海里精确的空间坐标，在模型的概率拟合里面，渐渐被磨成了几个模糊的关键词："田埂""刺客""伤"。

当然了，好的模型不会轻易忘记。但是模型从一开始就没有"记住"过你所描写或者它所描写的空间，它只不过是把那些词，当成词在处理。

你脑海里的空间信息，在大语言模型的纯文字流里会融化。对语言模型来说，概率文字生成这个机制，从一开始就不是为三维空间设计的。

---

空间会退化，而且每轮都在退化

各位会认为，模型记住的上下文不会忘。但实际上这个退化在长会话叙事创作里是累积性的。

我打个比方，假设你写一篇短文，也就几百一千字左右。那么你可以在动笔之前一次性搭完整个场景：这个房间的面积有多大，窗户在哪堵墙上，两个角色之间有多少距离，这些东西是可以是固定的。毕竟这是你写的嘛对吧，你脑子里的空间，在这几百一千字的整个写作过程中不会被稀释。

但你和模型一起进行长会话创作就不一样了。几十上百轮的连续对话，场景在每一轮之间持续存在。你上一轮刚写了他捂着左肩站在田埂上，过了二十轮，模型搞不好还在写"他站在田埂上"。但是，此时的"田埂"已经不是二十轮前，那个具体的有麦浪、有夕阳、有三个人的精确位置的田埂了。对话轮数多了，它就退化成了一团模糊的背景色。在这个场景里，模型还在用这个词，但它几乎忘了这个词携带的空间关系。

你认得那是"田埂"，因为你作为人类可以推演并且建立清晰的空间坐标。但对模型来说，早就搞不明白三个人站在什么位置、光从哪个方向来了。

---

用关联技巧给出画面

你要是对模型说，"记住啊，我们在田埂上，我的位置是……巴拉巴拉"，没用。模型没有空间记忆这么个东西。无论你怎么跟它解释空间关系，下一轮还是从概率出发然后重新推演。

所以，你能做的是：

**用一个具体的物理动作，把空间坐标硬塞进模型的上下文里。**

比如你说，主角捂了一下左肩，眉头紧皱。接下来 AI 就收到了信号。为啥，因为主角疼了啊。"疼"这个信息进入到了模型的上下文里。接下来它开始顺着"疼"往前追溯，发现哦原来十轮对话前，上文里有一个"左肩箭伤"，一场"田埂激战"，还有一名"刺客"。这些词和信息，就因为你说"疼"，被重新激活了。模型的概率权重变了，之前的场景从上下文的背景噪音里就重新浮到了表面上。

兄弟们，你只是说了这么一个动作，但它代表了一帧画面。你不需要重复告诉模型原来那个空间是啥样的，只需要做一个只有在这个空间里才会发生的动作，模型就会从那个动作往回倒，在上文里找，然后自然就被找回了正确的坐标（严格地说是上下文）。

这就是我说的"控场"。你在这里控场，控的是三个人的相对位置、是光的来源、以及那道伤到底在左肩还是右肩（或者说是通过一个词重新激活回溯的上下文）。这一点 AI 做得不好，因为空间坐标在文字层面，根本就不在它的设计维度里。它能控叙事，但是没法控空间关系。

---

两个维度，各干各的

我之前写过一篇文章不知道各位看过没，叫 [《你以为你在引导 AI，其实 AI 在引导你》](网页链接)。那篇讲了 AI 根据人设，给你埋钩子、在概率里回收钩子、根据你给出的走向推进叙事节奏、追问重要的对话场景。这种纯文字的概率拟合它比你可擅长得多。

不过那篇文章里，我没讲清楚一个边界。AI 能给你的故事缝钩子是时间上的叙事能力，但它缺失了知道三个人站在田埂上的相对位置是什么的空间能力。

空间是一个物理事实。

AI 能主动的判断"这个伏笔埋了十轮了，应该收了"，"这个叙事节奏太慢了，加一个冲突进来吧"，这些判断来自概率。模型的参数量那么大，它读过无数的故事，它来说怎么埋钩子怎么收不是问题，模仿就行。你让它十几轮对话下来，还能知道谁站在哪儿，谁的位置变了，那你就是在难为它。

AI 的创作引导机制，是一个精确的分工协议。它会在叙事层面引导你，你就得在空间层面控全场，把每一帧画面的物理坐标锁死，不让它在概率流里融化成模糊的关键词。

这两个维度，在目前的创作过程里，只能各管各的。你能干的它不行，它能干的你再干，累不死你。

---

为什么这件事对影视创作是要命的

第一篇文章里我讲过，我的故事被叙事转译 Skill 诊断为不适合短剧，适合电影或剧集。是因为我的故事吃空间关系。

而空间关系之所以重要，本质上是因为文字并不是影视创作的终点。

你和模型通过长会话的模式，把脑子里的画面翻译成了文字。文字再交到导演、摄影、美术手里，被重新翻译回一个可以布光、可以走位、可以架机器的物理空间。

这就是两次翻译：**人脑→文字→可拍摄空间。**

AI 能帮助你的位置，刚好就是中间文字这部分。它能在文字的层面推进叙事，但是它看不到你脑子里的 Previs，也就帮不了第一重翻译。它也同样帮不了第二重翻译，因为它不知道自己的文字该如何重建为三维空间。就像提示词反推和文生图，空间理解能力依然是现在视觉和图像模型正在突破的东西。

如果你产出的文字不携带空间信息，只是情绪浓度的堆砌，以及景别标签的拼贴，那么第二重翻译就会失败。文字到了现场，没人知道她应该站哪儿，没人知道光从哪个方向来。那种堆砌式的文字本身就缺乏可重建的物理数据。好比剧本化阶段，单纯的情绪氛围也一定要翻译成具体的可操作的动作和表情一样。

俺的职业病让我会下意识地关注这些东西。每一场戏，站位在哪，动线怎么样，如何调度，这些我必须在文字里把它们都"钉"死。你要是到了拍摄现场，什么都不管，想直接从文字里挖出那个空间来，那就只能依赖影视化训练的成果了。

---

到这里就收一下

第一篇讲的是人的脑子里，应该有什么。这篇讲的是 AI 的脑子里没有什么。AI 重叙事，但轻空间。把叙事的任务交给了 AI，人类就要控住空间这个场。分工不重叠，也不可互换。

那么下一篇，我会聊聊长会话角色扮演叙事法里一个更隐蔽的问题：为什么你演的角色，永远比 AI 演的角色薄，以及如何解决这个问题。这和你的写作水平没有关系，是媒介通道的问题，所以是有解的。

---

*《一名 DIT 的 AI 故事剧本创作方法论》第二篇*