起源：U17国足挺进亚洲杯决赛对战日本作者： 沈慧萍：

最近刷屏的Flipbook，想把互联网彻底造成实时天生的无限世界

作者 ｜ 孙芮邮箱 ｜ sunrui@pingwest.com

“总有一天，我们会把此刻这种‘人为造作的电影’当作旧时期的器材来讨论，而主流将造成按需天生、能够无限延展的 AI 内容。」剽是Karpathy在2016年颁布的推文。

按需天生、能够无限延展的 AI 内容是什么样的呢？

若是这种能力不仅用于天生内容，也用于沉构我们获守信息的方式，那Flipbook或许提供了一种值得参考的状态。它用一种全新的方式在做浏览器——不再把信息组织成一页页能够跳转的网页，而是把整个互联网造成一张能够不休天生、不休延展的图像。

当浏览器不再是网页

凭据官方介绍，Flipbook 是一个能够无限延展的视觉浏览器，所有内容都是按需、实时天生的。

怎么理解视觉浏览器呢？

在Flipbook中，你看到的每一个“页面”，性质上都是一张图片。当你点击图片中的肆意地位时，系统会凭据你的点击天生一张新的图片，带你持续往更深刻的方向索求。整个过程里，没有 HTML、没有代码，也没有传统意思上的链接或输入框，你所看到的“网页”，其实都只是屏幕上一帧一帧被天生出来的像素。

屏幕上的所有文字，同样也是由图像模型直接渲染出来的，而不是叠加在图片上的文本。当然，这会导致文字有时辰会出现错位或不够清澈的情况，这必要通过模型能力的提升来改善。

用文字论述可能有点难理解，他们颁布的Demo可能更直观的感触到Flipbook想做的事件。

他们以观光规划这个场景为例，左侧的笔记本电脑上显示的是 Notion 界面，在进杏装巴黎观光规划”。这是各人做观光规划通；嵊玫降慕换シ绞健诜制绲耐持涮，通过文字和列表来整顿碎片化的信息。

在当下的互联网中，信息通常以文本、链接和？榛缑娴拇缶直蛔橹鹄，一个网页会被拆分成分歧的内容区块，再通过链接彼此衔接。用户获守信息的过程，性质上就是不休点击按钮、在分歧页面之间跳转。其底层依赖的是 HTML 和 DOM 所组成的结构化系统。

也就是说，我们所使用的网页，性质上是一个由清澈结构和固定关系组织起来的信息系统。

而右侧则是一幅等轴测插图，上面是一幅干净线描、低鼓和配色的巴黎地标交互图，有埃菲尔铁塔、卢浮宫、圣母院这类巴黎的标志性地标。

在肆意区域点击一下就能得到一个“详情页”，图中用简洁的文字和图标整合了正本必要去官网查问的碎片信息：门票采办（Buying Tickets）、盛开功夫（Opening Hours）、无阻碍（Accessibility）、着装要求（Dress Code）。

再点击一次，又能获得更多构筑内部的细节。左侧的文字信息变得越发具体，像是一个实时的“智能副手卡片”。这里不仅有各个区域的价值表 ，还有预期情况，以及具体功夫表。底部灰色方框给出了最优建议，“提前 1-3 天预约是明智之举”。甚至还有一个显著的 “Reserve Now” (立即预约) 按钮，实现了一站式关环。

团队暗示，这些图片中的信息，来自两部门的结合，一部门来自模型自身的知识，另一部门来自具备行动能力的搜索系统。

内容可能会偶然出现不正确的情况，但通Ｄ芄蛔魑桓龀醪较嗍兜牟慰，并且大多是基于真实的在线数据天生的。整体的事实正确性，大体能够达到平时使用 ChatGPT、Gemini 或 Claude 时的水平。

复杂信息理解的最佳打开方式

不外，这种成效在现实履历中到底是怎么的？

因而，我上传了一张之前用ChatGPT Images 2.0天生的《百年落寞》人物关系图，来测试它的阐发。

在我点击左下角的奥雷里亚诺·布恩迪亚上校后，约莫期待了20秒，新的页面才天生出来。天生出来的图像是一张奥雷里亚诺·布恩迪亚上校的家族关系和生平逻辑图。再点击左下角出现的放开的书本，就能看到梅尔基亚德斯的预言的图解。

整个使用过程中，的确如团队所说的图片中的肆意地位都能够被点击，被索求。读过《百年落寞》的人肯定都知路，书里的人物和结构都很复杂，统一个家族里几代人反复使用一样的名字，人物之间又不休交错，加上叙事不是按功夫线推动，而是跳跃、回环、甚至把未来写在从前里，很容易读着读着就分不清“此刻是谁、产生在什么时辰”。

而Flipbook用交互式可视化能够很好地成立一个阅读参考系，援手读者理清人物关系和书中的沉点信息。这是 Flipbook 在复杂信息的可视化与交互式理解场景下的利用。

不外必要把稳的是，Flipbook由于接见人数过多，服务器压力太大，临时必要列队进入。

在X中，也有不罕用户颁布了自己的使用案例。

Gemini的后训练软件工程师Xiao Ma用Flipbook进建葡萄酒知识。

还有效户做了一张叶绿体光合作用图解，暗示这极度适合教育场景。

从以上的使用案例来看，Flipbook最适合解决的是结构复杂、关系交错、必要成立整体认知的问题，它能够把这些信息压缩进一个能够不休发展的视觉空间里，通过点击逐层深刻，让“理解”造成一个陆续的过程。

放在讲授场景中，Flipbook能够用图像来承载信息，再共同可点击的图像延长，会比纯文字更容易成立直观感触。好比科学道理、流程机造、汗青事务演变，这些场景的需要不是查尺度答案，而是搞明显道理、逻辑。

它同样合用于启发式索求的场景。好比你并不是带着一个明确问题来查资料，而是想相识一个领域、寻找灵感。在这种情况下，是没有固定蹊径的，Flipbook能够点哪里看哪里，会带来一种类似浏览展览或翻阅画册的履历，更容易产生新的遐想和灵感。

但反过来说，它并不适合那些高频、精确、效能优先的工作。好比查一个具体数据、急剧对比信息、实现一段明确流程，这类场景更必要的是结构化信息和不变、急剧的响应，而不是天生式的视觉表白。天生延长、信息不不变、文字不成复造这些问题，在这些场景下城市被放大。

为了实时天生，底层做了什么

Flipbook令人惊艳的同时，也让人好奇这到底到底是用了怎么的技术来实现的。

首创团队在X说，他们大量用了激活缓存、量化，以及 torch.compile + 内存快照。

Flipbook 钻营的是一种即时交互，但图像天生模型通常极度重大和缓慢，想做到这种响应速度，就必须在底层进行极致的机能压榨。Zain提到的这四项为相识决这个瓶颈而做的工程优化，他们从推算蹊径、数值暗示、执行方式和状态治理四个层面同时做了刷新。

首先，激活缓存（activation caching）削减了图像天生过程中大量沉复推算。传统扩散模型每去除一点噪声、画出一个细节，都要齐全跑一遍神经网络的所有层，而其中好多层的推算了局其实和上一步险些一样，出格是那些掌管提取基础特点的部门。

激活缓存就是把这些变动不大的中央了局保留下来，在后续的步骤里直接复用，不再沉新推算。在陆续天生多帧画面（好比造作视频流）时，帧与帧之间的共性更大，能共用的激活值就更多，这能砍掉绝大部门冗余运算，让推理速度成倍提升。

其次，量化（quantization）技术解决的是模型在数值推算层面上的效能问题。你能够把模型参数正本使用的16位浮点数，设想成一种高精度但极度占用空间和推算资源的暗示方式。量化的过程，就是将这一个个“高成本浮点数”精准地映射为对应的“低成本整数”，好比8位整数。

这样做有两方面的益处：第一，整数运算远比浮点运算快，并且此刻的硬件对此有专门的加快设计，所以每一个推算步骤的耗时都缩短了，模型推理速度直接提升；第二，每个数字从16位压缩到8位，整个模型文件的体积和运行使丶用的显存都至少减半。

了局是，正本必要亏损大量显存能力运行的高分辨率图像天生工作，此刻能够在更幼、更遍及的GPU上跑起来，或者在统一块GPU上同时处置更多的天生要求。对Flipbook而言，这险些是实现急剧、陆续出图必不成少的一步。

接着，torch.compile 充任了翻译优化器的角色。通常用写 PyTorch 代码时，每执行一个操作，Python 诠释器都要调度一次，产生好多细碎的幼工作，GPU 也因而频仍地启动和终场。torch.compile 会将整个推算图拿过来整体分析，把相邻的、能够归并的运算融合成一个大的优化内核，并且一次性编译好。这样，当模型真正起头天生图像时，就相当于从一条条诠释执行造成了一段陆续的编译法式在跑，省去了大量的 Python 开销和算子调度功夫，在不少场景下能够带来显著的机能提升。

最后，内存快照（memory snapshotting）是一种解除调度延长的伎俩，通常指像 CUDA Graph 这类技术。传统流程里，CPU必要一步一步地向GPU下达指令，每一次调度都有微幼的延长。内存快照的做法是将一整套固定的GPU操作序列（例如去噪步骤中的特点提取、把稳力推算、卷积等）齐全“录造”下来，形成一个静态执行图。后续天生新图像时，不再必要CPU逐条调度，而是直接沉放这张图，让GPU像播放录像带一样无搁浅地陆续工作。对于必要每秒24帧陆续输出的视频流场景，解除这些累积的调度间隙是实现实时天生的关键。

性质上，它一方面通过缓存中央了局来预防沉复推算，一方面通过量化降低推算成本，同时借助编译优化执行效能，并通过内存快照解除调度间隙，从而在有限算力下显著降低单次推理延长和单元要求成本，使系统可能不变支持高频、陆续的天生要求。

同样值得一提的是，我们此刻看到Flipbook的画面风格经历了上百次迭代打磨。一路头，他们尝试用80 年代老式 CRT 屏幕的复古科幻风格，有扫描线、霓虹色和类似《新世纪福音战士》的高密度视觉界面感；褂20 世纪 50 年代漫画插画风格，带有老式印刷、粗描边、高鼓和色。

最后他们选定编纂插画感的等距视角风格。这是一种斜俯视、带立体感但不复杂的插画方式，把信息、空间和概想清澈地组织起来，EbbieJiao说，这种风格在可读性和阐发力之间找到了一个很好的平衡，不仅方便用户理解，又能用一种 HTML 始终做不到的方式把设法出现出来。

风格的选择，指向的是团队做这件事的初衷。 他们以为，一张图往往比大量文字更有表白力，但今天的屏幕却被文字和各类方框界面所占据。好多所谓“天生式 UI”，看起来更先进，但性质上依然是在用有限的大局去承载复杂的信息，就像试图用一根细吸管去吸一整片海洋。

所以他们想尝试另一种方式，就是让推算了局变得更直观、更丰硕，用为每幼我即时天生的视觉内容来表白信息。

我们此刻看到的屏幕，性质上也是一张图，只不外它是由固定的代码和规定天生的，这种方式在表白复杂内容时存在局限。而 Flipbook 则脱节了这些限度，它会凭据内容自身，选择最相宜的表白方式——可能是一句话、一幅插图，或者一张靠近真实的画面。

目前，Flipbook 还是一个尝试项目，重要用于盛开式索求和进建。随着图像和视频模型能力的提升，未来这些页面可能会接入更多真实数据，变得越发可交互，甚至能够直接执行操作、保留数据。

这也意味着，好多正本必要在分歧利用或网站之间实现的事件，未来有可能在一个类似 Flipbook 的界面中一次性实现。好比你此刻能够用它来查观光信息，但必要去此外平台实现预约。未来，这些步骤都能够在统一个系统中实现。

Flipbook设想的，是一个所有工具都像现实世界一样丰硕、直观、以视觉为主题的推算世界。

只管此刻Flipbook 还远谈不上成熟，但当信息不再被锁死在代码框架里，而是按内容自由成长成图像时，我们在Flipbook的每一次交互都在实时沉组信息的出现方式。

而我们理解世界的方式，可能也会随之扭转。

点个“爱心”，再走 吧