編輯｜Youli

過去一年，Agent 無疑在代碼行業(yè)率先跑出了最清晰的「模板」。

以 Codex、Claude Code 為代表的各類 Coding Agent，不再停留在「輔助補代碼」工具階段，能夠執(zhí)行完整流程，甚至能在較長時間內持續(xù)推進一個軟件任務，真正解決問題。

最近，OpenAI 公布的一組數據顯示，Codex 的周活用戶已突破 500 萬，桌面版用戶數量自今年 2 月上線后更是翻了 6 倍多…… 某種程度上來說，Agent 正深刻地重構代碼行業(yè)。

在看到 Coding Agent 的巨大潛力之后，業(yè)界也在思考：軟件行業(yè)之外，下一個可能很快就會被重構的行業(yè)是什么？

井英科技（CreativeFitting）的判斷是「內容行業(yè)」。

井英科技成立于 2021 年。過去，外界對這家公司的認知更多停留在 AI 短劇，但公司認為 AI 短劇是 Agent 原生公司改造內容行業(yè)的第一個場景。所謂 Agent 原生公司，是一種全新的范式：每個人創(chuàng)造自己的 Agent 加入公司工作 —— 組織摩擦消失，公司以 Agent 的速度運轉。

井英科技押注的，正是成為內容行業(yè)第一家這樣的公司。其技術核心，是為 Agent 搭建一個能接入、能自我進化的強化學習環(huán)境。

之所以做出這一判斷，原因并不復雜：內容行業(yè)正在變得越來越像軟件行業(yè)。

在井英科技看來，軟件行業(yè)從誕生第一天起就完全運行在虛擬世界中 —— 代碼的編寫、編譯、測試、部署，全部在機器上閉環(huán)完成，不依賴任何物理環(huán)節(jié)。這恰恰是它能被 Agent 率先重構的根本原因：沒有物理摩擦，Agent 的能力就能被充分釋放。

而內容行業(yè)，隨著多模態(tài)模型的底座能力的增強，正一改過去高度依賴物理世界交互的方式，美工、拍攝、剪輯、配音等，越來越多原本必須依賴物理世界協(xié)作的環(huán)節(jié)，正在逐步被虛擬化，而當內容的生產越來越接近完全在虛擬世界中完成時，它就具備了被 Agent 重構的先決條件。

井英現在想做的事情正是去驗證：內容娛樂行業(yè)能否像代碼行業(yè)一樣，形成一個面向 Agent 的新型生產、評估和反饋環(huán)境。

最新消息，井英科技剛完成新一輪數千萬美元的 A 輪及 A + 輪融資，投資方包括 Lollapalooza Capital（王慧文家辦）、螞蟻集團、騰訊公司原集團副總裁殷宇等。與此同時，公司正式官宣原 AWS 亞馬遜上海 AI 研究院首席應用科學家、現任香港大學上海智能交叉創(chuàng)新研究院院長王敏捷加入，擔任首席科學家。

左：井英科技 CEO 朱江，右：井英科技首席科學家王敏捷

王敏捷本碩就讀于上海交通大學計算機科學與工程系，是著名的 ACM 班成員，之后獲得紐約大學計算機科學博士學位。他曾任 AWS 首席應用科學家，是該職級亞太地區(qū)最年輕的任職者。同時，他是深度學習框架領域的重要貢獻者，著名的開源圖深度學習框架 Deep Graph Library (DGL) 的主要發(fā)起人和核心維護者之一，也是深度學習框架 MXNet 的早期核心開發(fā)者。

而這一系列的重磅動作都在向業(yè)界釋放一個清晰信號：井英科技正在重新定義自己的技術邊界，加速成為一家 Agent 原生公司。

AI 視頻模型「卷生卷死」，為什么依然做不出好內容？

過去一年多，AI 視頻生成模型的進步非常明顯。畫質更穩(wěn)定、運動更自然、角色一致性更好，音視頻同步能力也在穩(wěn)步提升。對于很多人來說，調用一個強大的視頻生成模型，輸入 Prompt，生成一段視頻，這就是「大模型重構一切」的語境下，「AI 娛樂」的新敘事方式。

顯然，這是一個「誤判」。

對于真正的娛樂消費而言，生成一段驚艷的視頻片段僅是第一步。當技術真正進入殘酷的商業(yè)化語境后，問題接踵而至：什么故事值得做？用戶會不會看？內容的好壞由誰、什么標準來評估？消費端的反饋如何順暢回流？整個系統(tǒng)又能不能持續(xù)進行跨周期的自驅動迭代？

大模型的單點能力再強，也無法自發(fā)回答這些系統(tǒng)層面的問題。

井英科技首席科學家王敏捷將其概括為，內容行業(yè)，「模型提升的是下限，不是上限?！?/strong>

從底層邏輯來看，大模型本質上是對海量數據的壓縮，擅長從大量樣本中生成一個穩(wěn)定、安全、平均的答案，即「均值回歸」。但好的內容，或者說創(chuàng)意是非均值的，是「毛刺」型：在平均水準之上，有一個尖銳的、意料之外的東西突出來。就像短劇中，一個反套路的人設、一個精準踩中大眾情緒的設定、一個出乎意料的反轉…… 都是創(chuàng)作者個人靈感的表達，模型無法自己「生長」出來。

如果模型只能輸出訓練數據中的平均值，那就只是在復制套路，難以持續(xù)生成真正讓用戶眼前一亮的東西。

更復雜的是，用戶的內容偏好本身也在不斷變化。依舊是以短劇為例，今天流行都市愛情，明天可能轉向科幻懸疑；用戶在通勤時想看輕松內容，晚上可能更愿意看強劇情；同樣一個題材，在不同平臺、不同地區(qū)、不同人群中，反饋也可能完全不同。

總結來看，內容行業(yè)面對的不是一個靜態(tài)正確答案，而是動態(tài)變化、極度個性化、持續(xù)分眾的偏好系統(tǒng)。這遠遠超過通用模型本身的迭代速度，不可能每隔兩周重新訓一版百億參數的模型來追趕用戶口味的變化。

王敏捷認為，這兩個問題加在一起，結論就是：光有好的模型遠遠不夠—— 模型解決不了創(chuàng)意從哪來、反饋怎么回流的問題。Coding Agent 之所以能率先成熟，不只是因為模型夠強，更是因為代碼行業(yè)天然有一套完整的環(huán)境：文檔體系提供知識積累，編譯器和測試框架提供即時反饋。Agent 在這個環(huán)境里能學、能試錯、能迭代。

內容行業(yè)缺的正是這套環(huán)境。每個人創(chuàng)造自己的 Agent 接入其中，專注創(chuàng)意與品味，繁瑣的流程交給 Agent，并能持續(xù)進化。而類比 Coding Agent 的經驗，一個真正能運轉的內容強化學習環(huán)境，至少需要兩樣東西：

• 好的創(chuàng)意先驗：對應 Coding 環(huán)境中存儲知識和經驗的文檔體系（如 README、API 規(guī)范），創(chuàng)作絕不是無中生有的空中樓閣，接入環(huán)境的 Agent 需要題材認知、受眾畫像、風格參考和行業(yè)經驗的沉淀，才能站在更高的起點上，去深刻理解「這個類型的用戶真正期待什么樣的劇情反轉」，而不只是機械地計算「什么樣的內容點擊率最高」。
• 準確真實的內容偏好信號：對應 Coding 環(huán)境中提供真實反饋的編譯器和測試框架，代碼有著黑白分明的客觀對錯，編譯通過就是通過，測試失敗就是失敗。但娛樂內容天然帶有強烈的個人主觀性，如果 Agent 在回路中拿不到準確、密集的偏好信號，它就無法真正實現自驅動迭代，只能重復產出那些「安全但平庸」的均值化內容。

這兩樣，是模型給不了、但 Agent 真正需要的東西—— 有了它們，Agent 才有先驗知識可以調用，有真實反饋可以對齊，自驅動迭代才真正能跑起來。

范式升級：打造內容行業(yè)的 Agent 原生公司

其實，井英在做的事情，本質上是對內容娛樂行業(yè)的一次范式升級，打造屬于這個領域的 Agent 原生公司，即為內容行業(yè)提供一個 Agent「能接入、能自我進化」的內容環(huán)境。

Agent 原生公司運轉模式

展開來看，這套技術系統(tǒng)所包含的核心維度可以拆解如下：

• 能接入：井英科技構建了一套開放式的 Agent 原生創(chuàng)作工具鏈，擁有不同創(chuàng)意類型的人 —— 劇本、拍攝、剪輯、畫面 —— 都可以構建自己的 Agent 完成從創(chuàng)意到成片的完整創(chuàng)作鏈路，并接入評估環(huán)境。
• 能自我進化：與 Coding 環(huán)境不同，內容行業(yè)的評估標準本身是動態(tài)的 —— 用戶偏好隨時在變。因此整個系統(tǒng)需要持續(xù)進化：創(chuàng)作者的 Agent 不斷注入創(chuàng)意，市場反饋實時回流，驅動評估標準動態(tài)更新，創(chuàng)作者的 Agent 也在每一次結果中校準方向，兩者共同逼近真實的市場信號。

而在這個過程中，Agent 驅動減少了執(zhí)行摩擦，加速了市場驗證與反饋回路，創(chuàng)作者得以從流程協(xié)調中解放，真正專注于創(chuàng)意本身。

如何理解？

井英科技 CEO 朱江告訴機器之心，傳統(tǒng)內容娛樂行業(yè)長期受到三大核心摩擦的掣肘：

• 創(chuàng)作端摩擦：復雜且優(yōu)質的內容需多人協(xié)作，組織和溝通成本高；
• 消費端摩擦：創(chuàng)作者主觀創(chuàng)作的內容與用戶喜好之間存在天然 Gap，傳統(tǒng)做法是通過推薦算法在既有池子里撈內容，去匹配最合適的人，但由于每個人喜好極度個性化，即便是達到推薦算法的極限，也無法滿足用戶需求，對方的偏好內容甚至世界上還不存在；
• 內容類型迭代摩擦：物理世界的組織摩擦太重、試錯成本太高，導致行業(yè)探索和涌現全新內容類型的演進周期被拉得極長，從動漫到短視頻再到短劇，都是如此。

而井英科技的這一內容環(huán)境，通過把人類從「同步回路」移至「異步回路」，大幅壓縮傳統(tǒng)內容制作中人類社會固有的組織和協(xié)作摩擦。

在新的「異步回路」模式下，人類不再需要進行繁瑣、同步的 AI 工具具體操作，只需要在「異步回路」中源源不斷地提供靈感與創(chuàng)意，多角色分工的 Agent 則全天候 24 小時停留在高效的「同步回路」中，自驅動地完成生產、評估、迭代與分發(fā)任務，最終將產出的內容精準交付給消費者。

為什么 AI 短劇是 Agent 原生公司改造內容行業(yè)的首選場景？

為什么從 AI 短劇開始？井英科技告訴機器之心，這并不僅是 AI 短劇大熱，或自身有經驗，背后是出于技術與業(yè)務考量的雙重考量。

一方面，短劇的反饋密度天然適合驅動系統(tǒng)迭代。娛樂內容天然具有快速、高頻的特征，而短劇是近年來被市場驗證的，正處于爆發(fā)增長態(tài)勢的內容形態(tài)之一。數據顯示，今年一季度，短劇的月活躍用戶（MAU）規(guī)模已突破 7 億，幾乎每 10 個網絡用戶中就有近 7 人觀看短劇，甚至有機構預估，2026 年中國微短劇、漫劇市場規(guī)模保守估計將突破 1200 億元……

這種增長環(huán)境能為系統(tǒng)在短時間內回流海量、高密度的真實正向反饋，為 Agent 的進化和迭代提供了源源不斷的信號。

這也是王敏捷極為看中的一點。他告訴機器之心，之前在 AWS 負責 Deep Research 產品評估時，寫調研報告屬于典型的信息類內容，其質量好壞帶有強烈的主觀性，收集真實用戶反饋的鏈路拉得特別長。做了一版改進，要等很久才知道好不好，而等到反饋終于來了時，甚至需求已經變了，產品在研發(fā)期間幾乎無法快速迭代。但這種困局在短劇這里堪稱不存在：用戶喜不喜歡、看不看得下去，幾分鐘內就會有明確的行為反饋。

另一方面是短劇考驗敘事能力，正是檢驗內容質量上限的「試金石」。短劇雖然短，但它并不只是一個?；蛞粋€畫面，依然依賴人物、沖突、反轉、節(jié)奏和情緒推進。這使得短劇成為一個特殊的內容形態(tài)：消費時長足夠短，能快速獲取反饋；卻又足夠重，能考驗系統(tǒng)是否真的具備講故事能力。

此外，之所以將 AI 短劇作為 Agent 原生公司改造內容行業(yè)的首選場景，還有一個重要原因。朱江認為，想要讓這套全新的 Agent 內容環(huán)境真正運轉起來，絕不能依賴憑空捏造的模擬數據，系統(tǒng)必須要跨越「冷啟動」的生存門檻，而這恰恰是井英科技過去幾年在 AI 短劇領域深耕所帶來的的核心護城河。

通過在短劇業(yè)務上的真實跑通，目前已經積累了海量的真實創(chuàng)作者和高頻消費的真實消費者。創(chuàng)作者在線上提供的創(chuàng)意代表了人類的優(yōu)質高維信號，而消費者在終端的真實訂閱、付費、互動和反饋數據，則提供了內容偏好信號。

兩者形成的雙向信號構成了Agent 內容環(huán)境的「冷啟動」土壤。這意味著，井英科技不需要像其他玩家那樣，從零開始構建一套理論系統(tǒng)，可以直接將現有環(huán)境升級為 Agent 原生環(huán)境。

據井英科技透露，目前該系統(tǒng)已正式進入內測階段，不久之后就會對外推出。

但這只是開始，短劇也只是第一個入口。當越來越多的人創(chuàng)造自己的 Agent，將 Agent 派入這套環(huán)境，內容行業(yè)的生產方式將被徹底重寫 ——不只是短劇，而是整個內容行業(yè)。

井英科技要做的，是成為這個時代內容行業(yè)第一家 Agent 原生公司。接下來要看的，是它能跑多快。