Бен Аффлек неожиданно стал вирусным героем техноинтернета: актёр публично и вполне связно рассуждает о тензорах, свёрточных нейросетях, трансформерах, весах моделей и инференсе. Для рынка ИИ в кинопроизводстве это не просто удачный пиар-эпизод: человек из Голливуда описывает практику, в которой генеративные модели становятся частью производственного контура, а не заменой всей съёмочной группы.
Аффлек рассказал о своём опыте в интервью GQ и на конференции Bloomberg Screentime в Лос-Анджелесе, сообщает TechCrunch. Ранее в 2026 году его стартап в сфере ИИ для создания кино был продан Netflix; в публикациях фигурировала оценка сделки в $587 млн, но сам Аффлек заявил, что эта цифра неверна, добавив, что ему принадлежала не вся компания.
Не «нейросеть сделает фильм», а настройка под конкретную задачу
В разговоре с GQ Аффлек связал интерес к технологии с переходом киноиндустрии от аналоговой плёнки к цифровому производству. Он упомянул, что давно следил за визуальными эффектами и машинным обучением, а также умеет писать «довольно плохие» скрипты на Python. Вирусным стал именно уровень детализации: актёр объяснял собеседнику, что изображение можно представить как набор чисел — тензор, включающий данные о кадре и значениях RGB-пикселей.
Дальше речь зашла о свёрточных нейросетях. Аффлек описал их прикладную роль в задачах компьютерного зрения: модель ищет закономерности и выделяет признаки, например границу оконного проёма, чтобы точнее отделить актёра от зелёного фона и заменить окружение. Для разработчика здесь нет магии — обычный pipeline CV. Но для публичного разговора о кино это заметно более предметный уровень, чем привычное «нейросети изменят всё».
Главный технический тезис Аффлека касается открытых моделей. По его словам, команда брала open-weight-модели, «размораживала» веса и обучала их под заданные кинематографические стандарты. Такой подход позволяет не строить базовую модель с нуля, а донастраивать её под конкретный визуальный язык и производственный процесс. При этом результат обучения и созданные на проекте наработки остаются у создателей фильма, а не растворяются в универсальном сервисе поставщика.
Для такого дообучения, по словам Аффлека, пришлось собрать собственный датасет. Он привлёк финансирование и около восьми месяцев снимал материал с большим количеством камер и оборудования. Данные использовались для позднего этапа обучения открытых моделей под дискретные задачи, где код обучения и инференса были привязаны к реальным операциям, способным дать измеримую пользу на площадке или в постпродакшене.
Датасет и права становятся важнее громких демо
Эта схема хорошо отражает, куда движется ИИ в кинопроизводстве. Индустрии не особенно нужен генератор красивых роликов, который нельзя встроить в согласованный процесс, проконтролировать по качеству и очистить с точки зрения прав. Крупным студиям и независимым продакшенам важнее модель, которая решает понятную задачу: помогает с масками, композитингом, версионностью, подготовкой кадров или другими этапами поста — и при этом не создаёт новый конфликт вокруг внешности актёров, исходников и авторских прав.
Аффлек прямо говорил, что хотел выстроить этичную работу технологии «рука об руку» с артистами. В кино это не абстрактная декларация: давно существуют контракты, правила использования внешности и сложная цепочка владения материалами. Если ИИ-инструмент обучается на правомерно собранных данных, решает ограниченную задачу и оставляет продакшену контроль над результатом, его проще согласовать с юристами, профсоюзами и творческой командой. Если же поставщик предлагает загрузить архив материалов в чёрный ящик, разговор быстро уходит из области эффективности в область рисков.
Собственный опыт Аффлек применил при работе над фильмом «Animals», где ИИ помогал на этапе постпродакшена. Конкретные инструменты и метрики экономии времени он не раскрыл, поэтому считать кейс доказательством окупаемости всей технологии было бы преждевременно. Но сам факт важен: ИИ в этом случае работал не вместо режиссёра, оператора или монтажёра, а как специализированный слой внутри уже знакомого production workflow.
Для российских команд вывод тоже довольно приземлённый. Конкурентным активом становятся не только доступ к популярной модели и навыки промптинга, но и легально собранные данные, экспертиза в узком процессе и способность связать обучение модели с эксплуатацией. Стартап, который знает конкретный pain point постпродакшена, может получить больше ценности от компактной донастройки открытой модели, чем от попытки конкурировать с лабораториями в обучении foundation model.
Аффлек при этом скептически относится к апокалиптическим сценариям. Его беспокоят не захват индустрии машинным интеллектом, а привычные последствия массового применения: зависимость школьников и студентов от подсказок, рост числа отличных оценок и «выученная беспомощность». Вопрос для кино и софта будет тем же: смогут ли команды использовать ИИ как усилитель квалификации, не превратив его в дорогой способ перестать разбираться в собственной работе. Исходные цитаты и детали выступлений собраны в .