无限产能,有限故事:AI短剧为何越做越像?
- 2026-10-06 12:41:11
文｜刘凌卿
中国社会科学院大学数字中国研究中心
2026年7月10日，《人民日报》刊文摆出一组令人意外的数字：今年一季度，全行业上线微短剧约12.8万部，其中AI微短剧占比超过95%。[1] 此前发布的首期《微短剧创作指引》给出的约数是，AI微短剧约12.2万部。[2] 供给量已经按万部计算，广为传播的头部作品却仍然不多。
7月15日，《文艺报》刊发精品微短剧夏季点评会观察，次日由中国网络视听节目服务协会转载。文章把“抛弃同质化流水线创作”列为行业转型方向，还提出一个比流量更难回答的问题：播放量、完播率和付费转化率，并不能说明一部作品能否被观众记住。[3]
警报其实出现得更早。4月30日，红果短剧称近期已处置超过一万部低质AI剧，涉及画面粗糙、剧情混乱、低俗猎奇和极端情绪渲染。[4] 另一边，在与平台业务人员的一次交流中，AI漫剧又被称作新的“增长点”。这不是平台的正式判断，却与前述清理行动形成了耐人寻味的反差。[5] “增长点”和“清理对象”，就这样出现在同一条生产线上。
一个季度上线12.8万部，一家平台处置超万部，行业观察呼吁告别流水线。三条新闻指向同一个变化：AI正在迅速降低“能不能做出来”的门槛，行业接下来却要为“做出来的是什么”付账。
带着这个问题走进一家头部AI漫剧公司的制作现场，最先撞上来的是“三天一部”。公司已经放慢排产，仍是单个制作组三天一部；新的视频模型刚出现、市场还留着窗口时，一两天一部也做过。[6] 这不是行业平均值，却足以知道：过去按月、按周计算的影像生产，现在已经有人按天排班。
有趣的是，再问一部剧怎么算成功，答案很快绕过模型，落到一句朴素的话：“剧本得有意思。”从网文写到短剧、如今又做AI漫剧审校的人，把三者的故事骨架概括为“一脉相承”：先让主角受辱、被轻视，再安排逆袭和打脸；小对手倒下了，就换一个更大的。[6] 机器跑得更快，故事的骨架却还站在原地。
这正是12.8万部之后更值得回答的问题：当影像已经可以批量生成，为什么新的故事没有同步增加？使用相近的训练材料、提示词和视频模型，可能提高面孔、运镜和画风相似的概率，但这至多解释作品为什么“看起来像”。它解释不了作品为何总从相似的压抑出发，又沿着逆袭、复仇和升级抵达熟悉的结局。
要回答这个问题，需要看见故事进入模型前后经历的多次选择。成熟IP更容易立项，人物和场景素材可以加快投产。从经营逻辑看，批量上线可能降低单个项目失败带来的损失，短周期指标也可能更快识别已经被市场验证过的结构。每个环节都在寻找一个不容易出错的答案。连接起来，新故事所需要的不可预测性却可能被逐步排除。
爆款如何变成模板
不少AI漫剧并不是从一张白纸开始，而是从网文和漫画IP库开始。2025年以来，阅文、番茄、掌阅、七猫等平台陆续开放版权资源，一些生成工具也开始覆盖剧本改编、分镜和视频生成等多个环节。[7]
对制作方来说，成熟IP像一份已经做过的市场测试。它往往已有可观察的阅读表现或受众积累，制作方不用完全从零判断题材能否被接受。获得明确授权后，也更容易说清版权从哪里来。可历史数据只能告诉人们，过去什么成功过。
聊到跟风，从网文写到短剧的创作者随手举了两个开场：一个是分家后被亲人赶出门，另一个是被前女友抛弃。门换了，路没换——主角仍要先跌到谷底，再等一次翻身。[6]
制作现场还有一句更直白的观察：一部剧只要起量，同行很快就会跟进。[6] 这是一线经验，不是行业统计，不能拿来计算复制比例，却能解释一个跑通的结构为什么会反复出现。
1983年，社会学家保罗·迪马乔（Paul DiMaggio）和沃尔特·鲍威尔（Walter Powell）曾追问：为什么组织努力适应环境，结果却越来越相似？
他们给出的一个解释是“制度类同性”（Institutional Isomorphism）——当目标含混、技术效果难以判断时，机构往往把看起来成功的同行当作低成本参照。[8]
这项理论不能解释每一次跟风，却提供了一个观察框架：当许多公司以成功同行为参照时，局部避险可能累积为行业趋同。
从这些环节，可以推演出一个容易被忽略的循环。如果熟悉题材因为有历史成绩而更容易进入生产线，它们就可能产生更多上线数据。这些数据若继续用于下一轮选题，又会强化这类题材的“可靠”印象。陌生故事原本就没有历史记录，如果连进入市场的机会也更少，它们的数据空白便会一直存在。这条循环究竟在多大程度上存在，还要由平台数据来验证。
数据因此不只是过去偏好的地图，也可能成为分配未来机会的门票。制作方看似在跟随市场，实际上也在参与制造下一轮市场将看见什么。
网文IP并不天然缺乏创造力。类型故事，也不必每部都前所未见。观众点开复仇、重生或者悬疑故事，本来就带着某种预期：受过伤害的人会讨回公道，重新获得机会的人会改写命运，隐藏的真相会被揭开。熟悉的规则可以降低理解门槛，也可以让作品迅速建立情绪契约。
类型与同质化的区别，不在于有没有使用旧母题，而在于人物是否面对了新的处境。两个故事都写重生，一个人物可能只想重新赢回财富，另一个却要在弥补家人和改变自己之间作出选择。两个故事都写复仇，拉开差距的是人物为了复仇放弃了什么，又在什么时刻发现自己无法全身而退。
有一个简单的检验方法：拿掉人物姓名、服装、时代背景和职业，如果他们仍会作出完全相同的选择，付出完全相同的代价，那么作品改变的主要还是外观。类型为创作提供入口，同质化则让入口变成唯一的路。
问题真正复杂起来，是这种熟悉感进入AI短剧生产线以后。相较于网文创作，AI短剧还要经历剧本改编、分镜设计、人物与场景资产化、批量生成、剪辑和审片等环节。一个已经被验证过的故事结构，不仅更容易获得立项，也更容易被整条生产线理解和执行。陌生尝试一旦在中途失败，前面投入的人力、算力和审片时间便很难收回。类型故事提供的熟悉感，因而不只降低观众的理解门槛，也在降低制作方的试错风险。
AI没有发明逆袭、打脸和升级。它只是让上一代内容产业验证过的公式，更快地变成了画面。
三天一部，慢的是什么
剧本一到制作组，先被拆开。人物在哪几集出现，什么时候换衣服，手机、车辆内饰和不同场景各要准备什么，都被列成素材。模型负责生成，制作人员负责挑选。口型不对、动作穿帮、前后不连，就退回重做。[6]
审核也不是最后才发生。制图组实际上是剧本之后的第一道关卡。哪些人物、情节和画面可以生成，哪些内容可能触及版权、导向、未成年人保护或平台规则，往往要在这里先做一次筛选。[9] 按制作现场的说法，审核责任大致有八成分布在剧本筛选和改编，视频生产环节约占两成。但这两成也并不均衡。制图、剪辑和审片仍要分别承担技术瑕疵、素材合规与上线风险。[6]
人物也被拆得更细。主形象、表情、服装和各种道具，都会成为后续生成时调用的参考。业内把这套流程叫作“资产化”。说得直白一点，剧里的人还没活起来，先要在生产表里变成一套可以反复调用的零件。
这是一种正常的工业方法。它能让同一个角色在几十集里尽量保持一致，也能减少重复劳动。至少在我们看到的流程里，素材复用主要发生在单部作品内部。制作团队也反复提醒，主角不能直接套用通用“网红脸”，也不能与明星撞脸。[6] 换句话说，资产化并不必然意味着偷懒或抄袭，它首先是在解决连续生产中的一致性和合规问题。
但当人物、场景和道具都被整理成可以调用的素材，生产效率提高的同时，故事也更容易被理解为一组可以替换的组件。同一套技术既能制造表面的差别，也能支持真正的内容差异。
问题在于，这两种差异的制作难度并不相同。换一套服装、背景和画风越来越容易，重新写出一段可信的人物关系，仍然需要编剧和编辑慢慢判断。人物可以像零件一样局部替换，人物的命运却不能靠更换零件成立。
过去，一处场景太贵、一组演员档期不合，可能直接限制故事能否拍出来。AI正在拆掉其中一部分物理限制。它可以让废土、太空、古代城市和大规模战争以更低成本进入画面，也让小团队有机会处理过去不敢碰的题材。
但物理限制减少以后，内容差异不会自动出现。恰恰因为任何画面都更容易生成，决定“为什么要生成这幅画面”的判断变得更加显眼。技术扩张的是可选项，创作仍要负责从可选项中建立因果、取舍和意义。
AI压缩得最快的，是执行时间。没有被同等压缩的，是内容判断。而当内容判断没有变快，成败又难以预判，“多做几部”就成了最自然的经营回答。
多做几部，还是多活几天
“谁也不知道哪部会火。”制作现场给出的理由很直接。杭州一家中型AI短剧生产公司去年花更多时间做过一部末世废土剧，画面更精细，成片也不差，观众却没有买单。[6]
这个失败比成功案例更能解释经营者的谨慎。时间花得更多，不等于回款更确定。AI把试做成本降下来，多做几部、再看市场反应，于是显得顺理成章。但这种选项并不向所有公司平等开放。
AI短剧只是比真人拍摄便宜，并不等于做一部剧不花钱。人物设计、分镜、生成、剪辑和审片，都要在人力与算力上先行投入。作品如果卡在审核和上线环节，前面的花费就很难及时回到下一轮生产。[6]
对现金储备更厚的公司，一两部失败还可以由后续项目消化。对靠上一部回款支付下一部工资和算力费的小团队，同样的失败可能直接拿走下一部的启动金。
今年春天，这层安全垫又薄了一层。生产现场反复谈到三件同时发生的事：市场供给迅速饱和；审核从手指穿帮等技术瑕疵细化到口型、音乐版权、内容导向和未成年人保护；早期能够托住收益的平台保底明显收缩，收入越来越依赖定制订单、流量补贴和分成。[6]
保底的变化最容易在公开材料中看见。5月，有编剧发现部分红果AI仿真人剧本过稿后变成“零保底、仅分成”，红果方则否认“全面取消”，表示部分剧本仍然保留保底。[10] 保底没有彻底消失，但它已很难再被所有团队当作一张稳定的安全网。
另一层压力来自审核。审核变细有保护版权、未成年人和公共价值的正当理由。难处在于，具体边界不总能在开工前被一张清单说尽，许多经验要在打回、修改甚至无法上线之后才学会。算力和工资已经付出，规则却有一部分要靠失败来摸索。对大公司，这是经验库；对小公司，这是现金流。
当审核与保底同时变化，供给又在短时间内涌入。有人把今年4月称作一个明显的退场点。2月至4月，大量团队涌入，市场很快饱和。到了4月，一批小公司开始停下业务。[6] 这是一线从业者的市场观察，不是工商注销统计，无法据此计算究竟退出了多少家。它仍然点破了“低成本生产”叙事里最容易漏掉的一件事：成本降低，不等于失败已经变得便宜。
“批量试错”因而有两张面孔。对头部公司，它是一种项目组合；对资金绷紧的小公司，它更像是在有限的生存期里多等几个回款机会。多做未必是贪心，有时只是想多活几天。
这可以称作“求生型同质化”：并非每家公司都相信模板最好，而是当现金流只够支撑很短时间，最缺钱的团队也最难等待一个陌生故事慢慢证明自己。成熟IP、已经过审的经验和跑通过的节奏，不能保证成功，却能减少一部分未知。创意可遇不可求，工资和算力账单却按期而来。
组织研究学者詹姆斯·马奇（James March）把寻找新可能称为“探索”（exploration），把继续使用旧答案称为“利用”（exploitation）。探索的回报更远、更慢、更不确定，旧答案的结果则更近、更容易观察。[11] 当一家公司的现金流只够撑过有限的制作周期，“继续利用”便不完全是审美选择，也可能是生存选择。
而“探索”之所以艰难，还因为文化产品本来就很难提前押中。2006年，马修·萨尔加尼克、彼得·多兹和邓肯·瓦茨建立了一个人工音乐市场，让14,341名参与者在48首陌生歌曲中试听和下载。只要参与者能看到前面的人下载了什么，成功就会变得更集中，也更难提前预测；同一批歌曲进入不同的实验“世界”，甚至会跑出不同的榜单。[12]
音乐不是短剧，这项实验也不能证明爆款全靠运气。它提醒我们，质量很重要，却不足以单独决定谁会成为赢家。热榜和播放量不仅记录选择，也会影响后来的选择。生产现场又补上了另一半：文化市场很难预测，而承担这种不可预测性的能力并不平等。
“批量测试”是否真的带来新认识，还取决于企业究竟改变了什么。如果一百部作品只更换面孔、场景和画风，测试得到的仍然只是同一套故事怎样包装更有效。它回答不了观众是否愿意进入一种完全不同的人物关系。
头部公司可能把熟悉结构当作片单里的稳健项，小公司则把它当作活过下一次回款的保险。两者动机不同，却可能把同一种故事推上更多生产线。作品上线以后，指标还会继续决定它能否获得下一轮机会。
看下去，为何记不住
一部片子送审，先过几道肉眼可见的关：口型、字幕、水印和画风。更难的一关藏在第十或第十一集附近——付费卡点够不够刺激，观众会不会继续看。薄弱处补剧情，多余处删掉。[6]
卡点并不站在故事外面。它会反过来决定人物何时受辱、冲突何时升级、真相又在什么位置突然中断。这些要求究竟是来自平台、制作方，还是双方在合作中共同形成。几次现场对话还很难判断，但它们已经进入故事的时间表。
完整的用户和收益数据并不向每个制作岗位敞开。在我们看到的流程里，数据停在老板、运营和平台对接层，再被翻译成订单要求、题材判断、审核意见和项目节奏。到了制作人员手里，通常只剩剧本、制作要求和被打回的修改单。[6]
平台最容易看见的，是短时间内发生的动作。观众有没有点开，在哪一集离开，是否继续观看或付费。这些数字可以判断一段内容能不能迅速抓人，却很难回答过一段时间以后，观众是否还记得里面的某个人。
这里存在两种不同的时间尺度。播放、完播和转化回答的是观众此刻有没有继续看。长尾播放、复看、主动搜索和更久以后的记忆，可以作为观察作品是否持续产生影响的候选指标。但这与长期记忆之间的关系仍需专门验证。快指标并没有错，只是观察窗口更短，如果它们成为唯一裁决，那么新故事可能在较慢的价值显现以前就被淘汰。
中国网络视听协会转载的观察稿追问“能否被记住”，原因正在于此。[3] 一部作品可以让观众顺利看到结尾，也可以成功引导下一次付费，却未必留下一个值得重新寻找的人物。
这个问题在泰国和越南的四组讨论里出现了一个有意思的现象：不少人认为“剧情”重要，却未必记得具体发生了什么。
四组学生讨论里，“剧情”多次被列为选择短剧的重要标准。可继续问起最近看过什么，至少有一组只记得“男主、女主、小三”或者“死后重生”，具体情节反而说不清。霸总、重生、穿越被反复提起，也有人喜欢复仇和圆满结局。[13]
这不只是“喜欢熟悉套路”的反差。如果这一线索在更大样本中成立，它说明熟悉的剧情钩子可以帮助观众迅速进入故事，却未必足以留下一个具体人物。
受辱、失去、重来、讨回公道和获得圆满结局，是可以跨越地域的情绪入口。但如果换掉姓名、城市和服装，故事仍能原封不动地发生在任何地方，观众记住的也可能只是人物功能。共通情绪帮助故事跨出去，不可替换的地域、职业、家庭关系和社会规则，才可能让人物留下来。
从讨论现场回到推荐系统，平台看到的偏好也不完全是自然形成的。一项2018年的推荐系统模拟研究提示：如果系统不断用已经受过此前推荐影响的行为数据重新训练，用户互动过的内容集合可能越来越相似，却不一定获得更高效用。[14]
推荐系统当然可以发现新作品，平台也未必主动要求所有故事相似。问题在于，如果新题材和成熟模板由同一套短周期指标裁决，新故事可能更容易在回报显现之前被淘汰。
2026年5月，广电总局发布“微短剧精品创作传播计划”，提出“优化算法推荐机制，强化正向推送，不得唯流量排名挤压精品作品传播空间”。[15] 这项要求虽不能证明某个平台已经造成挤压，却表明“唯流量排名”带来的传播风险已进入政策视野。
清理粗糙、低俗和侵权内容，解决的是底线。让一个暂时没有历史数据的新故事获得足够时间，解决的是另一件事。
这也把问题推向下一层：快速生产省下来的风险，最后由谁承担？
风险没有消失，只是搬家
制作费降了，钱却没有因此变得好赚。投流竞争和获客成本仍可能上升，许多项目依然难以回本。[16] AI拿走了演员、场地和拍摄中的一部分风险，又把另一些风险推向审核、上线和分发。它们最终还会落回故事里。
这种风险怎样落回故事？调研中，我们问了一个看似有些扫兴的问题：短剧里的坏人，为什么不直接由法院判刑，或者被警察抓走？
答案分成两路。写故事的人觉得那样“不够爽”，观众更愿意看主角亲手翻身。盯制作进度的人担心的却是审核和返工，法院、警察等角色一旦处理不当，作品被打回，整个上传周期都要往后拖。[6] 同一个情节选择，一头连着情绪回报，一头连着生产风险。
一处生产现场当然不足以代表整个行业，它却让一种选择变得更可见。不一定有人明确要求故事怎样写，只要一次判断失误可能让整部剧返工，已经过审、市场也接受过的写法就会更有吸引力。
这类选择串联起来，一条可能的循环便逐渐显现。制作方倾向于从有历史成绩的IP中选故事，并将人物和场景整理成可以快速生产的素材。作品上线后，流量和审核结果又可能反过来影响下一轮选题。没有哪个环节公开要求“照着上一部做”，每个人都在选择眼前风险更小的办法。
一次拍摄越昂贵，企业越有动力在开机前反复判断项目是否值得投入。当试做成本下降，“先做出来，再让市场筛选”便更容易成为选择。企业未必因此放松了审稿，但一个需要追踪的问题已经出现——那些原本应在投产前解决的问题，会不会被推到上线后，再交给流量、审核和平台治理？
红果处置超万部低质AI剧，让平台承担的治理压力变得可见。它不能证明制作端普遍减少了前置筛选，却至少说明，供给快速扩张以后，平台仍要承担审核和清理任务。降本没有自动消灭成本，它也可能只是改变成本出现的位置。
风险之所以会这样搬家，是因为一部短剧本来就是多人协作的结果。霍华德·贝克尔（Howard S. Becker）在《艺术界》（Art Worlds）中提醒，一件作品从来不只是一个作者的产物。创作者、技术人员、供应者、发行者、评论者和消费者共同构成合作网络，共享的惯例让协作得以进行。[17]
借用贝克尔的视角来看，模型只是AI短剧生产网络中的一环。IP、编剧、分镜、人物素材、审核、推荐、结算和观众点击，共同决定什么最容易被做出来、被看见。
在AI短剧的生产现场，熟悉的故事还有一项额外功能：它像一套各环节都能看懂的协作语言。编剧知道怎样设置冲突，制作人员知道哪些画面必须出现，审片和运营人员知道要在什么位置检查节奏与卡点，观众也熟悉故事最终会兑现怎样的结局。在这套协作中，共同的惯例可能降低沟通成本，也可能帮助高速生产维持稳定。偏离惯例，却需要有人承担额外的测试和失败成本。
然而，各环节省下来的风险可能只是换了位置。制作方降低单个项目投入后，平台可能承担更多筛选和治理工作，观众则可能付出更多寻找有效内容的时间。最安全的单个项目，未必会组成最安全的内容市场。
不过，风险怎样分配并不是技术写死的。全流程AIGC科幻短剧《太阳坠落之时》用三个月完成30集、50余个角色和200余个场景，让过去受预算限制的硬科幻文本获得了视觉化机会。[18] 其商业回报或ROI如何，现有公开资料尚不足以判断。但这个案例至少说明，技术没有把故事锁死。
同一种技术，既可以反复制作已经验证过的爽剧，也可以承担传统拍摄难以负担的想象。区别不只在模型能力，还在谁来选择文本、用什么标准判断结果，以及谁愿意承担一次不同尝试的失败。
谁来为新故事签字
一个AI人物拥有逼真的皮肤、眼泪和表情，不等于他已经有了“人味”。
如果他的全部作用只是先受辱、再翻身，他仍然只是一个等待触发的剧情按钮。人物之所以变得“具体”，是因为他同时想要两件相互冲突的东西，作出选择以后会失去什么，而且这种失去不能在下一集轻易撤回。
答案不能只落在编剧身上。一个陌生故事要进入生产线，既要有人写出“具体”的人，也要有人愿意为这种不确定性签字。
但把“人味”还给故事，也不是把人工重新塞回每一道工序。人物和场景仍然可以在单部作品中整理成素材，模型仍然可以提高生成效率，平台也仍然需要播放、完播和转化数据。
AI擅长的是加法：再生成一个镜头，再换一个场景，再做一个版本。内容判断常常表现为减法：这部剧不值得投产，这个冲突没有人物依据，这个版本虽然更刺激，却破坏了前后的因果。
供给按万部扩张以后，编辑、监制和平台能给每个项目多少判断时间，公开材料没有答案。如果每个项目获得的判断时间未能同步增加，决定“哪些项目不该继续做”的能力就可能成为新的约束。
这里所说的否决，不是监管意义上的删禁，而是企业在投产前作出的编辑判断。对有能力连续试错的公司，需要让负责立项、剧本和审片的人拥有否决高度相似项目的权力，把一部分同质化治理从上线后的清理移回生产上游。
可对中小团队来说，如果陌生故事的全部试错成本仍由制作方独自承担，劝它们“更有勇气”没有多少用。平台和IP方是不是可以把一部分不确定性接过去。在整部投产前提供小样预审和更清楚的案例反馈，为原创小样保留一定的试验预算与推荐位置。
当然，播放和转化仍然要看，观察窗口也可以容纳长尾播放、复看、主动搜索和更久以后的记忆。这些不是本文已经取得的结果，而是可以继续检验的制度安排和评价变量。
这不是要求企业忽视成本。恰恰相反，算力越便宜，越要分清“生成得更多”和“留下有效作品”不是一回事。多做一部无人记得的剧，可能只是把制作成本变成后续的投流、审核和用户流失成本。
如果产业链能在投产前识别高度相似的项目，并共同承担原创试错责任，那么这种内容判断就可能比单纯压缩生成成本更省钱。它是否成立，还要用项目命中率、回款和治理成本检验。
一边，单个制作组三天一部。另一边，一批制作小团队从4月起陆续退场。两幅看似相反的景象，其实发生在同一条生产线上。生成速度提高了，承担失败的能力却没有一起普及。
AI短剧的下一阶段，不只是继续缩短生成时间，而是重新决定哪些旧答案不再值得重复，哪些陌生故事应该获得一次不被即时数据过早淘汰的机会。生成越便宜，越需要把选择和否决留给人，也需要让平台、IP方与制作方共同承担不同故事的失败成本。所谓“人味”，一半在人物作出不可替换的选择，另一半在这条生产线愿不愿意给陌生故事留出活下来的时间。
*参考文献：
[1] 方敏：《面对时代浪潮 坚守创作初心》，《人民日报》，2026年7月10日。
[2] 中国网络视听协会：《中国网络视听协会发布首期〈微短剧创作指引〉》，2026年4月30日。
[3] 《文艺报》：《流量退潮，价值归位——二〇二六精品微短剧夏季点评会观察》，2026年7月15日；中国网络视听节目服务协会于7月16日转载。
[4] 北京日报客户端：《红果短剧处置超万部低质AI剧》，2026年4月30日；新华网：《AI剧，好内容才有未来》，2026年4月30日。
[5] 2026年7月15-16日平台从业者访谈。
[6] 课题组访谈资料：（1）2026年7月11-14日，AI漫剧生产流程、合规机制与行业趋势访谈；（2）2026年7月18日，短剧内容创作逻辑、监管环境与市场趋势访谈。
[7] 新华网：《当AI遇到漫剧》，2026年1月9日。
[8] Paul J. DiMaggio and Walter W. Powell, “The Iron Cage Revisited: Institutional Isomorphism and Collective Rationality in Organizational Fields,” American Sociological Review, 48(2), 1983, pp. 147—160.
[9] 《人民日报海外版》：《AI要给微短剧“洗牌”？》，2026年5月11日。
[10] 蓝鲸新闻：《红果短剧取消部分AI仿真人剧本保底后，有工作室表示不会再合作》，2026年5月27日，新浪财经转载。
[11] James G. March, “Exploration and Exploitation in Organizational Learning,” Organization Science, 2(1), 1991, pp. 71—87.
[12] Matthew J. Salganik, Peter Sheridan Dodds and Duncan J. Watts, “Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market,” Science, 311(5762), 2006, pp. 854—856.
[13] 2026年7月在泰国和越南开展的四组短剧消费者焦点小组。泰国一组16—19岁学生，越南三组为高校学生。
[14] Allison J. B. Chaney, Brandon M. Stewart and Barbara E. Engelhardt, “How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility,” Proceedings of the 12th ACM Conference on Recommender Systems, 2018, pp. 224—232；开放全文。
[15] 国家广播电视总局：《“微短剧精品创作传播计划”实施方案》，2026年5月26日。
[16] 证券时报：《“制作成本降90%，流量成本涨超100%”！AI短剧产量暴增！多家A股公司布局》，2026年6月29日。
[17] Howard S. Becker, Art Worlds: 25th Anniversary Edition, Updated and Expanded, University of California Press, 2008（初版1982）。
[18] 新华网：《科幻短剧〈太阳坠落之时〉即将上映》，2025年4月25日。
END
* 所刊专家文章并不代表本中心观点。
* 部分图片来源于网络，如有侵权，请联系我们删除。
【欢迎转载】
请注明“来源：数字社会发展与研究”。
数字社会发展研究中心
专注于数字技术发展及相应经济、社会、人文领域的新现象，新问题的公共性观察和研究。
