【学习笔记】拆解抖音「基地」的 AI 科普视频：暗色 3D 世界、漂浮卡片与一镜到底是怎么做出来的

整理日期：2026-09-20 调研方式：一手取证——用 SnapAny 解析下载两期最新视频的无水印 2K 原片，ffmpeg 抽帧做接触表 / 关键帧 / 运镜连续帧 / 场景切分 / 响度与频谱分析；账号信息来自抖音网页版主页与百度百科词条。所有数字均为实测，推断处会明确标注。 写作动机：之前梳理过视频制作的一般流程和代码生成视频的 skill 全景，理论地图有了，缺一个「现实中的高分样本」来对照。刷抖音时反复被「基地」的 AI 拆解视频击中——它既不是真人口播，也不是常见的 AI 拼贴，而是像「在一件 3D 装置里飞行」的观感。这篇就把这套效果拆到能复刻的粒度。

一、太长不看

「基地」最新 AI 拆解视频的效果，一句话概括：不是在「剪辑」一条视频，而是在一个主题化的暗色 3D 世界里飞行，所有知识内容都是躺在这个世界里的「卡片」。

三个实测支撑：

1. 视觉系统：每期一个主题化 3D 场景（商业话题 = 黑色电路桌面，芯片话题 = 绿色主板世界），低多边形道具散落其间，信息卡带透视躺在场景里；卡面是严格的组件库设计系统（薄荷绿 + 紫 + 白三色、胶囊标签、大字标题、图表卡、对比面板），15 分钟全程不复用错一个样式。
2. 运镜：准一镜到底。8 分 20 秒的片子里，场景切分阈值 0.3 下只检出 1 处硬切（430 秒处），放宽到 0.15 也只有 8 处软过渡——转场基本靠相机推拉平移完成。连续帧验证透视严格刚性、卡面中文随卡片一起变换却始终锐利，排除 AI 视频生成，判定为「3D 渲染 + 动画相机 + 卡面贴图」。
3. 规格：上传原画 2.04 / 2.36 GB（约 33 / 20 Mbps），2K 60fps HEVC——专业渲染工程导出的量级；音频 -19.9 LUFS、响度范围 2.0 LU 的重度归一化混音，BGM 全程铺床。

复刻这件事，签名要素只有三个：固定设计 token 的卡面组件库、暗色 3D 世界、用运镜代替剪辑。路线与可行性见第十节，我认为用现有的代码渲染工具栈（Remotion / HyperFrames + TTS + ffmpeg）能做出「一眼同款」。

二、「基地」是谁

值得注意的一点：这个账号在全网没有任何专访、团队报道或制作自述，搜索引擎几乎零覆盖。所以下文所有结论都来自对片子本身的取证，能实锤的实锤，不能的标「推断」。

三、分析方法：怎么拿到原片、怎么拆

抖音网页版不登录也能打开视频页和用户主页（会弹登录墙但内容可读），视频 URL 形如 douyin.com/video/<id>。把它丢进 SnapAny 就能免登录解析出无水印直链，提供原画 / 2K / 1080p 多档。我下载了两期：

然后用 ffmpeg 做了五件事：每 20 秒一帧的 5×5 接触表（整片结构一图看全）、按时间点抽全分辨率关键帧、运镜处的连续帧序列、select='gt(scene,阈值)' 场景切分统计、ebur128 响度与全片频谱图。下文所有定量结论都来自这几组数据。

四、舞台：一个主题化的「3D 信息世界」

先看达里奥那期的全片接触表（从左到右、从上到下，每 20 秒一帧）：

能看到几个立刻跳出来的特征：

• 整条片子共享一个「舞台」：黑色桌面 / 地面上有电路走线般的白色细线，散落着低多边形 3D 小道具——十字螺丝、电容、金手指、垫片、书堆、键帽、薄荷绿霓虹灯管，全部带柔和阴影。
• 所有内容都是「卡」：大字标题卡、图表卡、插画场景卡，以轻微透视躺在场景里，卡片边缘有一圈白色描边，像真的实体屏幕 / 纸片。
• 配色纪律严明：背景接近纯黑，内容只用三色——白色（正文与标题）、薄荷绿（强调、标签、进度）、紫色（次级强调）。15 分钟内没见过第四种强调色。

而 A20 Pro 那期，把接触表和上一张并排放：

是同一套系统换了主题皮肤：桌面变成一整块绿色主板，SMD 元件铺满地面；卡面组件、配色、字体、运镜语法完全一致，卡内还嵌入了芯片封装的等轴测 3D 渲染（蓝灰金属 + 薄荷绿发光元素）。这说明制作方维护的是一套可换场景的工程，而不是每期从零做——这是高频更新的产能基础。

道具放大后可以确认材质：几何完全笔直、平面着色、干净软阴影，是标准 3D 资产库的质感，没有任何生成式伪影。

五、卡面：一套组件库设计系统

按内容形态，卡面可以归为四类组件，且同类组件跨期跨分钟保持像素级一致的设计语言：

大字金句卡——一行超大号黑体占满卡面，下方一枚圆角胶囊小标签：

开场钩子也用同一语法：扁平矢量插画（Altman 与同行把联名信递向白宫）+ 薄荷绿标签「不给免死金牌」+ 大字「AI就要毁灭世界？」。注意拉丁字符「AI」用的是与中文黑体配套的几何无衬线，中英文字重视觉平衡，这是设计系统里定好的配对，不是随手排的。

图表卡——折线图 / 流程图 / 思维导图，灰线为主、结论节点用薄荷绿或紫色点亮：

对比面板——一张大卡内嵌左右两个子面板做二分论证，中间一枚圆形「?」：

插画场景卡——扁平矢量插画构成的隐喻小剧场：车内第一视角开向悬崖（前面：万丈悬崖 / 后视镜：马上超车）、两人对坐访谈、深夜办公室。人物是插画而非真人，规避了肖像与实拍成本，同时保留叙事感。

这套组件库的价值在于生产效率与观感稳定：文案写成节拍表后，每个节拍从库里挑组件填内容即可；观众看到的永远是「熟悉的语言讲新事件」。

六、运镜：招牌是「准一镜到底」

这是全片最核心、也最容易被观众「说不上来但觉得高级」的部分。传统 MG 科普视频是一个镜头一个镜头硬切（PPT 式）；「基地」的做法是给 3D 世界架一台动画相机，转场全靠飞行。

实测数据：达里奥期 499.9 秒，场景切分阈值 0.3 下只检出 1 处硬切（430.2 秒处）；放宽到 0.15 也只有 8 处。剩下的所谓「转场」，全是相机在卡片之间的推、拉、横移，以及推入某张卡后卡内内容展开成全屏场景（开场车内夜路那段就是推入插画卡内部展开的）。

放在 95 秒处的三张连续帧（间隔约 0.33 秒）验证运镜性质：

三帧里两张卡片（「不是空穴来风」与「先看技术事实」）随相机后拉做严格刚性的透视收缩，桌面螺丝、键帽、霓虹管走精确视差，卡面上的中文大字跟着卡片一起变形却始终锐利无涂抹。这个性质直接排除了 AI 视频生成——生成式模型撑不住 15 分钟连续一致的世界，也做不到中文文字在透视变换下逐帧保持渲染级清晰。结论：真 3D 场景 + 动画相机 + 卡面作为贴图平面（卡面内容本身是预渲染的 MG 动画或设计稿）。

七、规格与声音：专业管线的指纹

画面之外的证据同样能说明生产方式：

• 上传原画：达里奥期 2.04 GB（8:20，约 33 Mbps）、A20 期 2.36 GB（15:38，约 20 Mbps）。这个码率是渲染工程直接导出的量级——剪映随手导出通常在个位数 Mbps，差一个数量级。
• 封装：容器 encoder=Lavf58.76.100，即 ffmpeg 封装——至少最后一道工序是脚本化 / 命令行化的，不是 GUI 剪辑软件的直接导出（推断：也可能是平台转码所致，此条证据强度弱）。
• 响度：全片综合响度 -19.9 LUFS，响度范围 LRA 只有 2.0 LU——从开头到结尾响度被压得极平，是做过归一化母带的配音 + BGM 混音，不是随手铺音乐。
• BGM：频谱显示 500 秒无一处静音，低频有持续的乐段能量床——铺底音乐全程存在，与人声分开处理（呼应流程笔记里「声音与画面分离处理」那条规律）。
• 字幕：白色粗黑体、底部居中、烧录进画面，无描边无背景条，与卡片系统的极简风格一致。

八、叙事：模板化的论证结构

两期的叙事骨架完全同构：插画 + 大问句钩子 → 交代事件 → 拆成双论点（悬崖说 vs 超车说，各有章节卡与时间戳）→ 逐层图表推演（算力账单、反垄断豁免、监管俘获）→ 双卡对照收束（「限速 / 巨头的呼吁」vs「停下 / 并非停下」）。

这套结构的信息密度靠卡片序列承载，8 到 15 分钟的时长不会散——因为观众始终被相机带着在「论证的地图」上走。另外抖音视频页上的「章节要点 / 内容由AI生成」摘要是平台侧功能，不是作者做的。

九、制作管线还原

把以上证据拼起来，最可能的管线长这样（✅ = 有实测证据，⚠️ = 合理推断）：

选题 / 文案        每期一个 AI 行业事件，双论点论证结构模板化            ⚠️
配音 → 节拍表     定稿配音，按句切节拍，对齐卡片序列                    ⚠️
卡面设计          从组件库挑组件填内容（大字卡/图表卡/对比面板/插画卡）  ✅ 跨期样式一致
3D 世界 + 摆卡    主题化场景（黑桌/主板）+ 卡片作为贴图平面             ✅ 两期同系统换肤
相机路径          按节拍表编排飞行动作，转场即运镜                      ✅ 实测准一镜到底
渲染              2K 60fps，原画 20~33 Mbps 量级                        ✅ 文件规格
字幕 / 混音       烧录硬字幕；配音 + BGM 铺床，loudness 归一            ✅ -19.9 LUFS / LRA 2.0
封装上传          ffmpeg 封装后上传                                     ⚠️ Lavf 标签

工具链判断：最贴近的形态是 After Effects（3D 图层 / Element 3D）或 Blender / C4D 建场景与卡片平面、相机动画，卡面内容用 AE 合成或设计导出做成贴图或视频纹理；插画的来源（画师绘制还是 AI 生成后清理）无法从帧上判定。工具名本身是推断，但「3D + 贴图 + 相机」这个架构是实锤的。

十、能否复刻：两条路线与三要素

签名要素只有三个，都可直接工程化：

1. 固定设计 token 的卡面组件库——三色体系、圆角胶囊标签、大字卡、图表卡、对比面板，做成可复用的模板 / 组件；
2. 暗色 3D 世界——低多边形道具 + 主题化地面，一次搭建多期复用、按话题换肤；
3. 用运镜代替剪辑——相机从卡片 A 飞到卡片 B，推入即全屏，这才有「装置感」。

两条实现路线：

• 真 3D 路线（还原度最高）：Blender（Python API）搭场景库，卡面用 HTML/CSS 渲染成贴图贴到平面，脚本按节拍表驱动相机路径，EEVEE 渲 2K60。工程量中等，透视与光影完美。
• 2.5D 伪 3D 路线（性价比最高）：全部用 HTML/CSS perspective + rotateY / translateZ 做卡片透视与分层视差道具，Remotion 或 HyperFrames 把 DOM 逐帧渲染成视频——正好是我代码生成视频 skill 调研里盘过的两条主力管线。配合 TTS + 强制对齐出字幕、ffmpeg 混音归一，就能接到我那套 AI 日报视频化流水线上，做成「md → 节拍表 → 卡片序列 → 相机飞行 → 成片」的全代码管线。

差距主要在资产不在架构：低多边形道具库和扁平插画人物需要用免费资产包拼或 AI 生成后清理。做到「一眼同款」没有障碍；做到他这种 15 分钟连续世界的成熟度，预计要几期迭代。

十一、没搞清楚的事

• 配音是人声还是 TTS：频谱无法可靠区分。账号 2018 年起就有配音史，可能是本人，但也可能已换 AI 配音（这类账号的常见做法）。需要听感判断，我没有音频理解能力，存疑。
• 插画与 3D 道具的来源：自绘 / 资产库 / AI 生成后清理，从帧上无法判定。
• 团队构成：零公开信息。单看产能（高频、15 分钟、双主题世界）不像一个纯单人业余项目，但也没有任何 MCN 或工作室署名可查。
• 这套风格何时上线、是否自建：主页作品网格翻旧页需要登录，没拿到风格切换的精确时间点。

附录：工具与命令备忘

• 无水印下载：SnapAny 的「TikTok(抖音)视频图片下载」页，粘贴 douyin.com/video/<id> 即可解析出原画 / 2K / 1080p 直链，免登录。下载直链需要带浏览器 UA 与 referer，大文件用 curl -C - 断点续传（直链有有效期）。
• 接触表：ffmpeg -i in.mp4 -vf "fps=1/20,scale=384:-1,tile=5x5" -frames:v 1 contact.jpg
• 场景切分统计：ffmpeg -i in.mp4 -vf "select='gt(scene,0.3)',showinfo" -f null - 2>&1 | grep -c pts_time
• 响度：ffmpeg -i in.mp4 -af ebur128 -f null - 2>&1 | tail
• 频谱图：ffmpeg -i in.mp4 -lavfi "showspectrumpic=s=1600x700:legend=1:stop=8000" spec.png
• 分析用的原片与全部中间图在临时目录留存，文中配图版权归「基地」所有，此处为评论性使用的少量截帧。

来源

• 「基地」抖音主页与两期视频：《罕见联手，达里奥带领AI巨头们逼宫白宫》《苹果新CEO放开手脚上技术，A20pro芯片推翻10年祖传架》（账号数据与简介为 2026-09-20 主页快照）
• 基地（自媒体创作者）— 百度百科
• SnapAny 抖音视频解析