Runway花了數週修不好的AI影片Bug，最後被做成了產品功能

Runway ML 的實時影片生成產品 Runway Characters 上線前遇到過一個頑固 bug：AI 生成的虛擬人像在實時生成過程中會不受控制地「漂移」——偏離畫面中心，像是有一股看不見的風在推著它走。

工程團隊花了好幾周時間試圖在模型層面修掉這個問題。蒸餾、對抗性後訓練——各種技術手段都試過了，漂移就是去不掉。最後產品團隊做出了一個多少有些反直覺的決定：不修了，把這個問題變成一個功能。

他們在前端加了一個叫「影象質量最佳化」的按鈕。使用者上傳圖片時點一下，系統自動把使用者圖片居中、對齊、最佳化構圖，然後再餵給模型生成。使用者看到的不是一個「模型有 bug 需要容忍」的提示，而是一個「一鍵提升畫質」的便利功能。

Runway 的企業產品負責人 Ryan Phillips 在 VB Transform 2026 大會上分享了整個決策過程。他說得很實在：AI 產品的開發不是一條筆直的線，你大機率會卡在某個問題上好幾天甚至好幾周。關鍵是你要判斷——有些限制能不能透過換個角度，變成一種差異化的產品體驗。

這背後的方法論其實很有參考價值。Phillips 展示了 Runway 內部怎麼搭建評估體系——他們不是靠直覺判斷模型好壞，而是做了一套 Excel 驅動的評估流程。團隊每天記錄測試輸出，分「輕微失敗」和「嚴重失敗」，定好透過率紅線，達標就發版。現在連視覺評估的自動化都在用 LLM 替代人工了。

關於基礎設施，Phillips 談到了一個細節：Runway Characters 上線後他們發現有 8% 的 API 呼叫率從 24fps 掉到了 16fps。排查過程出動了 Claude 驅動的 AI 智慧體，配合 Datadog 和 Sentry 做鏈路追蹤，最終定位到 us-east-1 一個資料中心的 GPU 物理故障——解決方案是直接派人去機房裡把 GPU 換了。

這條產業鏈的教訓是：當你做的事情涉及真實世界的硬體和大量的推理呼叫，「穩定」不是寫出來的，是一層一層排查、最佳化、替換出來的。

對大多數不自己做基礎模型的企業來說，Runway 分享的這些經驗可能比它做的產品本身更有價值——怎麼評估 AI 輸出質量，怎麼應對非確定性漂移，怎麼在預算和效果之間平衡。說到底，AI 產品成功的關鍵不在模型多強，而在圍繞模型的系統工程有多穩。