Building Foundry: AI isn’t replacing creativity, it’s removing friction

构建 Foundry：AI 并未取代创造力，而是消除了摩擦 | Weaviate

构建 Foundry：AI 并未取代创造力，而是消除了摩擦

2026年7月30日

·

8分钟阅读

Shan Blackwood

网页开发人员 - 增长

Svitlana Smolianova

设计负责人

Victoria Slocum

机器学习工程师

像 final_final_v7.png、USE_THIS_ONE.mov 或 new_character_export.psd 这样的文件名具有某种奇特的普适性。它们出现在游戏工作室、后期制作公司、动画制作流程以及各类项目的设计机构中。具体的命名惯例各不相同，但背后的问题始终如一：创意成果的积累速度远超人们的组织能力，而查找六个月前完成的作品往往比重新创作还要困难。

解决这个问题不需要更好的命名规范或不同的设计工具。这是一个检索问题，而大多数创意工具从未被设计用来解决这类问题。

问题不在于创造力本身

关于 AI 与创意工作的讨论中，一个持续存在的问题是 AI 是否能生成某些内容：一幅画作、一部剧本，或是一段音乐。但更直接且实用的现实却远没有那么戏剧性。

以游戏制作流程为例。概念艺术家在某个方向获得批准前，会产出数十张角色草图。被拒绝的方案会被归档到名为“alt_directions_v2”之类的文件夹中，而三个月后，没人能可靠地找到最终设计灵感来源的版本。当续作或扩展项目启动时，有人需要使用那个确切的配色方案和美学方向。由于搜索“dark armour character concepts 2023”找不到任何有用结果，他们只能从零开始，而非基于已有内容进行构建。

不同领域面临的问题表现形式各异。影视剪辑师寻找特定的 B 碴素材时，需要翻阅按卡号和拍摄日期分类的素材箱，因为制作期间没人有时间撰写镜头描述。动画师寻找特定奔跑动作参考时，需要翻遍三级目录的文件夹后才放弃。为回归客户寻找早期标志设计探索的平面设计师只能凭记忆重建。音乐制作人寻找两年前使用过的鼓点质感时，需要逐个打开会话文件，聆听音轨分层，直到找到目标或妥协于新方案。

在浩如烟海的媒体内容中查找过往作品、重复设计已有的成果、试图保持有序，这些都正在消耗真正重要的创造性工作时间。

时间实际消耗在哪里

在大多数创意工作流程中，实际创作的瞬间仅占总项目时间中出人意料的小部分。前期制作和后期制作的耗时远超制作本身。研究、参考资料收集、资产整理、版本追踪，以及持续寻找已有内容的过程，都在争夺本可用于核心工作的小时数。

考虑一个动画制作中常见的场景：绑定团队需要检查之前项目中某个角色肩部拓扑结构的处理方式。没有经过整理的素材库，只有一个按项目名称和日期分类的共享驱动器。绑定文件就藏在其中某个位置，但找到它需要要么确切知道去哪里找，要么询问那个知道的人。如果最初创建绑定文件的人员已经转去其他工作室，那么这些知识也随之消失。

这在一定程度上是文档管理的问题，但正确的命名和组织方式只能让团队走到这一步。工作确实存在，信息也确实存在。但无法高效检索这些信息正在消耗团队的时间、一致性，有时甚至会带来经济损失——当他们无意中重复完成已经存在的工作时。

传统搜索方式反而加剧了这个问题。关键词搜索需要你猜测在命名或描述某物时使用了哪些词汇，而这些词汇往往由其他人、在数月甚至数年前使用。如果文件名为ENV_ALTSTYLING_DARK_V4，搜索“蓝色环境概念”将找不到任何结果。

Weaviate 的设计正是为了解决这类检索问题，它在传统元数据之外存储语义表示，使创意素材能够通过语义和结构化筛选条件同时进行搜索。

AI 作为工作流层

AI 对创意领域最有价值的部分不是作为新作品的生成器，而是作为使现有工作更易访问的基础设施层。

这就是语义搜索技术真正与创意工作流程相关的领域。要构建这一基础设施层，我们可以使用语义搜索，根据意义而非仅仅匹配精确术语或短语来组织和检索文档。

这通过机器学习将原始媒体转换为向量嵌入来实现。机器学习模型处理一段内容（无论是文本、图像还是音频文件），将其转换为表示内容含义或描述的数字列表。两个含义相似但描述方式截然不同的事物，其生成的数字序列会在高维向量空间中彼此靠近。例如，查询“黑暗森林与蓝色大气雾霾”和一张黄昏时分的雾气松林图像，即使查询和图像之间没有匹配文本，它们的嵌入向量在空间中也会聚类在一起。

向量搜索是寻找与给定查询嵌入向量最接近的项目的流程。这种接近性使得通过语义而非关键词进行检索成为可能。

一个简单示例

一家开发开放世界RPG游戏的工作室可能在多年制作过程中积累数以万计的概念图像。团队成员变动、文件夹结构演变，以及第一年精心维护的命名规范到第三年已变得相当创意化。

在项目接近发布时加入团队的设计师需要参考一个寒冷的森林生物群落的设计，这个生物群落需要在视觉上与游戏现有的环境有明显区别。通过关键词搜索“cold forest biome”无法找到有用的结果，因为这些文件在命名时没有人预料到这样的查询。而语义搜索系统在接收到相同的自然语言描述后，可以匹配图像本身的视觉嵌入向量、索引过程中自动生成的描述，或两者的结合。

在实现搜索功能之前，内容需要以支持语义检索的方式进行处理和存储。这就是摄入步骤：通过一个处理流程对文件进行处理，为每个项目生成嵌入向量，并将该嵌入向量与原始内容及其元数据一同存储。

即使在语义搜索系统中，元数据仍然至关重要。我们仍需要保留这些信息，以确认搜索结果属于正确的项目、是在过去两年内创建的，并且是正确的文件类型。因此，除了原始媒体和生成的向量嵌入之外，存储文件的元数据同样非常重要。

向量数据库将所有这些内容整合在一起。与专为精确查询设计的传统关系数据库不同，向量数据库将嵌入向量与原始数据和元数据一同存储，其内部架构经过优化，可实现快速的语义检索。当您运行查询时，数据库会将其转换为嵌入向量，并返回嵌入向量最相似的项目。最终实现的搜索功能似乎能真正理解您实际要查找的内容，而不仅仅是您输入的关键词。您可以尝试语义搜索体验区，直观感受关键词搜索、向量搜索和混合搜索在相同查询下的差异。

这仅仅是开始

目前描述的所有内容都不超出现有技术的范畴。语义搜索和向量数据库已经在企业知识管理、法律文件检索和电子商务产品搜索中广泛应用，原因正是如此。我们可以将这些相同的原则应用于创意资产管理。

挑战在于摄入层：决定哪些内容需要被索引、如何为不同类型的内容生成描述和嵌入向量，以及如何将搜索界面整合到现有工具和工作流程中。

接下来是什么

在下一篇文章中，我们将深入探讨创意工作流程实际出现断裂的地方，以及为什么传统的文件夹结构、标签系统和关键词搜索始终无法跟上创意团队产出工作的速度。之后，我们将逐步演示一个具体的实现方案：使用Weaviate构建的创意资产语义搜索系统。

准备开始构建了吗？

查看快速入门教程，或注册免费的Weaviate云账户。

GitHub

论坛

X（Twitter）

不想错过任何博客文章？

订阅我们的双周通讯，及时获取最新动态！

通过提交，我同意接受

服务条款

和

隐私政策