構建 Foundry：AI 並非取代創造力，而是消除摩擦

在遊戲工作室、後期製作公司、動畫管線以及設計機構中，像“final_final_v7.png”、“USE_THIS_ONE.mov”或“new_character_export.psd”這樣的文件名幾乎無處不在。這些命名慣例雖然各不相同，但背後的問題卻是共通的：創意工作的累積速度遠超人們的整理能力，而六個月前創造的內容往往比從頭開始重新制作更難找到。

解決這個問題並不需要更好的命名規範或不同的設計工具。本質上，這是一個檢索問題，而且大多數創意工具從未被設計來解決它。

問題不在於創造力

關於 AI 與創意工作的討論中，一個持久的問題是 AI 是否能生成繪畫、劇本或音樂等作品。然而，更緊迫且實際的故事遠沒有那麼戲劇化。

考慮一個遊戲製作管線的實際運作過程。概念藝術家可能畫出幾十個角色草圖，直到其中一個方向獲得批准。被否決的探索被放入一個名為“alt_directions_v2”的文件夾中，三個月後，沒有人能可靠地找到那個激發最終設計的版本。當開發續集或擴展包時，有人需要那個確切的色彩調色板和美學方向。由於搜索“dark armour character concepts 2023”毫無結果，他們只能從頭開始，而不是在已有的基礎上繼續。

這個問題在不同領域中表現各異。電影剪輯師尋找特定 B-roll 時，不得不滾動瀏覽按卡片編號和拍攝日期標記的素材箱，因為製作期間沒人有時間寫鏡頭描述。動畫師尋找某個奔跑循環的參考時，可能要深入到三級文件夾後放棄。平面設計師為回訪客户尋找早期標誌探索時，只能憑記憶重現。音樂製作人尋找兩年前使用過的鼓聲紋理時，不得不打開一個又一個項目，瀏覽音軌，直到找到或妥協使用新材料。

搜索以往工作、重新設計已完成的內容、在日益增長的媒體海洋中保持組織性，這些都佔用了真正重要的創作時間。

時間實際上花在了哪裏

在大多數創意工作流程中，實際創作的時間只佔項目總時間的很小一部分。前期製作和後期製作的時間遠超製作本身。研究、參考收集、資產組織、版本追蹤以及不斷定位已存在內容的過程，都消耗了本應用於實際工作的時間。

以動畫製作中常見的情景為例：綁定團隊需要檢查之前項目中某個角色的肩部拓撲處理方式。但這裏沒有組織化的資產庫，只有一個按項目名稱和日期排列的共享驅動器。綁定文件就在那裏，但找到它要麼需要確切知道位置，要麼詢問知情者。如果原始綁定者已經轉到其他工作室，知識也隨之流失。

這在一定程度上是文檔問題，但正確的命名和組織只能幫團隊到一定程度。工作和信息都存在，但無法高效檢索導致團隊損失時間、一致性，有時甚至金錢——當他們無意中重複了已有的工作。

傳統搜索不僅沒有解決問題，反而使問題更復雜。關鍵詞搜索要求你猜測命名或描述時使用的詞語，而這些詞語往往是他人數月甚至數年前使用的。搜索“blue environmental concept”如果文件名為“ENV_ALTSTYLING_DARK_V4”，則毫無結果。

Weaviate 正是為了處理這種檢索而設計的，它在傳統元數據旁邊存儲語義表示，使創意資產可以通過含義和結構化過濾器進行搜索。

AI 作為工作流程層

AI 在創意領域最有用的一面，並非作為新作品的生成器，而是作為使現有作品更易訪問的基礎設施層。

這就是一類稱為語義搜索的技術變得真正相關的地方。為了構建這個基礎設施層，我們可以使用語義搜索根據含義而非精確匹配的術語或短語來組織和檢索文檔。

其工作原理是利用機器學習將原始媒體轉換為向量嵌入。機器學習模型處理一段內容（無論是文本、圖像還是音頻文件），並將其轉換為一長串數字，代表該內容的意義或描繪的內容。意義相似的兩個事物，即使描述方式截然不同，也會產生在後續高維向量空間中彼此接近的數字序列。例如，查詢“dark forest with blue atmospheric haze”和一張黃昏時分霧氣瀰漫的松林圖像，其嵌入會在該空間中聚類靠近，儘管查詢和圖像沒有任何匹配的文本。

向量搜索就是找到與給定查詢嵌入最接近的項的過程。這種接近度使得通過含義而非關鍵詞進行檢索成為可能。

一個簡單的例子

一個開發開放世界 RPG 的遊戲工作室，在多年代開發過程中可能積累數萬張概念圖。團隊構成變化，文件夾結構演變，第一年精心維護的命名慣例到第三年已經變得相當隨意。

一位在項目後期加入的設計師需要為寒冷森林生物羣系提供參考，該羣系應與遊戲現有環境在視覺上區分明顯。搜索“cold forest biome”從關鍵詞搜索中得不到有用結果，因為這些文件命名時沒人預料到那個特定查詢。語義搜索系統，給定相同的自然語言描述，可以匹配圖像本身的視覺嵌入、索引過程中自動生成的描述，或兩者的結合。

在搜索成為可能之前，內容需要以支持語義檢索的方式處理和存儲。這就是攝取步驟：通過管道運行文件，為每個項目生成嵌入，並將該嵌入與原始內容和元數據一起存儲。

即使在語義搜索系統中，元數據仍然重要。我們需要這些信息來確認結果屬於正確的項目、創建於過去兩年內、並且是合適的文件類型。因此，除了原始媒體和生成的向量嵌入，存儲文件的元數據也很重要。

向量數據庫將這一切整合在一起。與傳統關係數據庫專為精確查找設計不同，向量數據庫將嵌入與原始數據和元數據一起存儲，其內部架構針對快速語義檢索進行了優化。當你運行查詢時，數據庫將其轉換為嵌入，並返回嵌入最相似的項目。結果是搜索似乎理解你實際在找什麼，而不僅僅是你輸入的內容。

這只是開始

上述描述沒有超出當前技術範圍。語義搜索和向量數據庫已經用於企業知識管理、法律文檔檢索和電子商務產品搜索，原因正是如此。我們可以將這些原則應用於創意資產管理。

挑戰在於攝取層：決定索引哪些內容、如何為不同類型內容生成描述和嵌入、以及搜索界面如何融入現有工具和工作流程。

下一步

在下一篇文章中，我們將仔細審視創意工作流程真正崩潰的地方，以及為什麼傳統文件夾結構、標籤系統和關鍵詞搜索始終無法跟上創意團隊的工作節奏。之後，我們將逐步構建一個具體的實現：使用 Weaviate 構建創意資產的語義搜索系統。

準備好開始構建了嗎？查看快速入門教程，或註冊免費 Weaviate Cloud 賬户。