KeyFrame內部研究專用

Keynote 动画制作全流程,以及我对 AI 动画的一些看法

马克的技术工作坊·8月9日週日·52 min中文

三句話摘要

用 Keynote 制作科普动画的完整流程,以及为什么 AI 目前还无法完全取代传统动画工具。 动画质量取决于创作者的设计能力和反馈循环的快慢,而不是工具本身;科普内容需要稳定的视觉参考点让观众不迷路,这点目前 AI 还难以自动实现。 1. Keynote 是高效的动画工具

重點整理

重點
  • 1

    1. Keynote 是高效的动画工具

  • 2

    Keynote 不只是PPT软件。通过形状绘制、关键帧动画、神奇移动(Magic Move)等功能,能快速制作带有复杂过渡效果的科普动画。最关键是即时反馈——改好就能立刻看效果。

  • 3

    2. 「神奇移动」是核心技巧

  • 4

    在第一张幻灯片放一个图形,第二张修改它的属性(位置、大小、颜色等),Keynote 会自动平滑过渡中间的变化。这让观众看不出是两张幻灯片,而是元素在动。

  • 5

    3. 科普动画需要「视觉毛点」

  • 6

    所有内容应围绕一个稳定的布局展开,让观众始终知道自己在流程的哪个位置。AI 随意生成的动画常缺这个概念,导致观众每次都要重新建立方位感。

  • 7

    4. AI 的真正瓶颈不是生成速度

  • 8

    动画制作最耗时的是设计与打磨,不是操作。用 AI 需反复用文字描述修正方向,反馈循环很长;Keynote 想到什么立刻看到,加快收敛到理想方案。

實用技巧與重點

乾貨
  • 软件与工具
  • Keynote(Mac):主要动画制作
  • Audacity(免费):录音与音频编辑
  • Pixabay:免费音效库
  • 剪映(免费):合成视频与旁白
  • 具体步骤
  • 新建 Keynote → 换深色背景 → 添加标题与流程图元素
  • 为每个元素配动画(淡入、画线等),调整时长
  • 复制当前页,修改元素属性,设置「神奇移动」过渡
  • 在 Audacity 录制旁白与音效
  • Keynote 录屏(禁用麦克风,仅录音效),导出视频
  • 剪映导入视频 + 旁白音频,对齐后导出成品
  • 关键参数
  • 淡入动画时长:0.3 秒
  • 画线动画时长:0.5 秒
  • 神奇移动过渡:1 秒
  • 文本框同步:设置「与上个构建一起」播放
  • 设计原则
  • 维持用户/工具/模型三个角色的相对位置不变
  • 讲解细节时放大对应区域,其他区域降低透明度
  • 一次只让一个信息变化,避免观众眼睛无处放
  • 保留「毛点」(不变的参考物),方便观众追踪内容进度

結論

結論

动画质量取决于创作者的设计能力和反馈循环的快慢,而不是工具本身;科普内容需要稳定的视觉参考点让观众不迷路,这点目前 AI 还难以自动实现。

完整解析

詳細

讲者马克演示了一个完整案例:将「AgentScale」概念讲解转成 20 秒动画视频。这涉及从零建立 Keynote 文稿、绘制流程图、添加动画和音效、录制旁白,最后在剪映中合成。

制作的核心是「神奇移动」功能。当两张幻灯片中同一元素的位置、大小或颜色改变时,Keynote 会自动补充中间帧,产生流畅的过渡效果。但有个陷阱:如果第一页元素是单个对象(如带文字的方框),第二页拆成两个独立对象(方框 + 文字),Keynote 无法对应,只会简单淡出淡入。解决办法是保持两页的对象数量一致——第一页也要拆成两个。

为了让动画更有质感,讲者从 Pixabay 下载音效(如箭头滑动声),用 Audacity 编辑到正确长度。然后在 Keynote 录屏时禁用麦克风(仅保留音效),同时通过手机播放旁白稿件来卡准点击鼠标的时机。这样生成的视频只包含音效和动画,旁白在后期用剪映对齐合成。

讲者特别强调了「视觉毛点」的重要性。在他做 Token 生成流程的动画时,始终保留"用户 → Tokenizer → 模型"三个角色及其相对位置不变。讲编码细节时,只是把该区域放大,观众始终能在这个布局里找到自己的位置。而一个 AI 生成的版本虽然逻辑清楚,但每换一页布局就大改,导致观众需反复建立方位感,理解成本上升。

最后讲者转向讨论 AI 动画的限制。他承认自己有用过 AI 生成的 HTML 动画,但大部分视频还是用 Keynote。原因不是 Keynote 操作简单,而是设计与打磨才是最耗时的环节。用 AI 需将脑中想法转成文字指令,等待生成,再看效果,如果不符合预期还要重新描述——这个反馈循环很长。而 Keynote 让你想到什么就立刻调整立刻看,快速逼近理想效果。工具本身没那么重要,重要的是创作者的设计判断力:为什么要这个转场、为什么这里要留白、为什么这个元素要一直在画面里。这些决策需反复调整,Keynote 的及时反馈让这个过程更高效。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。