这期嘉宾是 Comfy（ComfyUI）公司的 CEO Yolan。开场先澄清一个流传已久的误会：他并不是那位匿名的 ComfyUI 作者「comfyanonymous」——那是他的联合创始人 Yannick。访谈由两位长期使用 Comfy 的视觉创作者主持，以下是对话的完整整理。

这件事确实让很多人困惑：Yannick 通常被大家叫作 Yan，而我的姓氏就是 Yan，事情就变得非常混乱。Yannick 不太和开源社区里的一些人交流，我则比较活跃。Hugging Face 那边有人一度怀疑「这家伙是不是有点精神分裂——一半时间不回消息、有时候还挺冲；另一半时间又特别友善，沟通起来特别清楚，把进展讲得明明白白」。

回到产品本身。ComfyUI 最初是一个纯粹的开源项目，那是 2023 年初。在那之前，Yannick 从来没写过一行机器学习代码——他在魁北克市他父亲的牙科种植体工厂里做了十年 C++ 程序员，负责自动化，基本上是你能想象到的、离硅谷 AI 公司最遥远的背景。他花了两周时间把这个工具写出来、发布出去；大约一年之后，他可能已经成了视觉领域最出色的推理工程师。

如果你回顾 Comfy 的发展历程，一直是稳定的增长，从来没有出现过巨大的跳跃。让人们上手需要花很多功夫，它就这样逐渐增长，生态也随时间繁荣。在这段旅程进行到大约一年的时候，我加入了进来——我在 Comfy 之上构建了自己的产品，开始看到整个生态系统的价值，也好奇这个项目长期会走向何方；如果可能，也想在一定程度上引导它的未来。

于是我们开启对话、为这个领域做贡献，认识了 Yannick 和其他开源贡献者，然后意识到这是一个非常草根的过程——这里没有「救世主」掌控一切，每个人都只专注于一个非常细分的领域：Yannick 主要在做模型改进和推理优化，生态里的其他人负责管理扩展，再有人做前端，是一场非常缺乏协调的协作。就在那时我们看到了机会——把这些力量集中到一个单一的组织之下。到了 2024 年初，事情正式开始运转，我们把生态里相当多的开源贡献者吸纳了进来。

Comfy 有三个关键特性，或者说它让人们能做到的三件事：控制力、质量、可扩展性。而可扩展性——当初启动这个项目的缘由——直到今天依然是 Comfy 能在工作室、VFX、动画等整个领域被当作核心 AI 工具采用的原因。

他刚起步时想构建这样一个系统：用一个扩散模型渲染图像的初始部分，再用另一个扩散模型生成更高分辨率的图像。玩过很多开源模型的人可能知道，有些模型在美感上非常出色，但生成更高分辨率的图像时，它们给你的就是四张拼在一起的四象限图——因为那就是它们训练时的分辨率。

他想要的是：在生成过程的前 50% 步骤里用一个美感出色的模型，等图像的基础打好之后，再用另一个模型完成收尾。而当时市面上根本没有任何产品能给他这样的控制权，除非自己把代码重写一遍；就算写了代码，屏幕上也没有一个很好的可视化反馈，告诉你改了这些参数会得到什么结果。基于节点的界面在这里就成了一种非常自然的存在——这也是最终让大家愿意采用 Comfy 的原因：它能让你对这些 AI 模型拥有尽可能多的控制权。

我们确实有。这家公司在品牌定位上经历了太多。comfy.org 最初的网站首页，就是用 ComfyUI 生成的第一张图——现在回头看，那个首页让我有点脚趾抠地，但在当时，那就是我们在追求的东西：想成为一个开源、充满草根气息的组织。然后随着时间的推移，我们逐渐成熟起来，无论是作为产品还是作为品牌。未来网站还会变得更加专业，更好地向专业创意人士发声。

从更宏观的路线图层面看，它的普及程度相当高：现在本地安装量每天接近 50,000 次下载，全球总用户大约 400 万。放在专业创意生态里看，这不是个小数字——我们估计全球专业创意人士的总量大约在 5,000 万左右，也就是说我们已经接近这个群体的 10%。长期我们会继续在这个品类里扩张，而这些人要的正是那三个特性：控制力、质量、可扩展性。最终，当你有了一条 pipeline，你就可以把它推到生产环境里，持续地在不同的资产、不同的输入上运行它。

从长远来看，我们想把 Comfy 构建成我们所说的「视觉 AI 的操作系统」。它的实际含义是：在未来五到十年的时间范围内，超过 50% 的生成式内容会经过 Comfy 这个 workflow 层。它不一定非得通过我们的界面或产品——可以在本地运行，可以在我们的云端运行，可以在移动端 SDK 上运行，可以在任何地方运行。

但只要 Comfy 是驱动大量创意创作的引擎或 workflow 编排系统，我认为我们就从根本上改变了整个格局——工具归创意人士所有，而不是像历史上那样被锁死在封闭生态里。创意工具领域里，工具开发者和用户之间的这种关系，甚至有人会说相当「有毒」。而这就是我们想在新 AI 时代去扭转的范式。

有一件事大家可能没有充分意识到，那就是 Comfy 所取得成功的程度——其中很大一部分实际上来自开源生态：ComfyUI 生态里的自定义节点、扩展，以及围绕它们的开发者们。你会惊讶地发现，每天都有人创造出新的节点——现在大家都是 vibe coding 出来的——发布出去，解决一部分问题，开放给其他人采用。目前我们的生态里有超过 60,000 个节点；跟创意领域之外的其他平台相比，它可能算是拥有这么多开源开发者的顶尖平台之一。workflow 的构建者也是同样的情况——也就是那些把节点组合起来进行视觉创作的人，甚至生态圈里的模型构建者也在做贡献。这就是 Comfy 最终能够成为如此巨大成功的主要原因，相比之下，其他任何封闭系统都做不到。

作为个人项目的初始阶段，完全是零资金——Yannick 连赞助都没有，有一段时间他在 Stability 部分任职，同时持续维护这个开源项目。自从我们作为一个团队走到一起之后，最初主要靠风险投资：我们找到了与这个愿景高度一致的人。我们和生态里的很多人谈过，也筛掉了不少从外部看非常靠谱的投资人——从根本上讲，我们知道他们与愿景不一致，或者带着这样一种视角进来：「Comfy 是个不错的品牌，也许是时候推出一个 Comfy 专业版了。」

至于最近的云端发布，可以从总体上解释一下，为什么这其实是一个极其强大的模式。Comfy 的核心是作为开源产品构建的「一人一机」体验，投入了大量的优化和工作——在过去两年里，这基本上就是最先进的水平：如何让人们在一台本地电脑上运行这些模型，并从中获得尽可能多的产出。说到底，作为一个个人创作者，你是不会买 20 张 RTX 6000 放到云端上、或者放在自家地下室里跑的，从财务上讲这么做是不理性的。所以一个非常自然的定价或商业模式，就是提供一个非常强大的后端，让我们能够在云端以分布式的方式进行优化，不再需要你去维护那种在云端运行东西的复杂逻辑。

在这种情况下，我们实际上不需要做典型的开源产品那种功能限制。很多开发者产品会说「我在开源社区版里提供 50% 的节点，剩下的全部放在云端」——真的没有必要，因为产品的速度和性能本身就是一个功能，而且是主要功能之一：你是要在渲染流水线上等两天，还是愿意为强大云端后端的编排价值付费，让整个运行在 20 分钟内完成？这些关键的差异化让人们自然而然地流向 Comfy Cloud。我们甚至看到有人同时两边都用：本地有一台不错的机器，同时又把任务放到云端跑——因为你的创意产出速度，已经超过了任何一台机器所能提供的渲染时间。你提供得越多，用的人就越多，对我们来说，这是一个非常健康的基于用量的模式。

惊讶的确实有一些，不过有些我不太确定能谈多少。就一般应用而言，我们的用户很大一部分是在工作室营销、VFX、动画领域，这也是我们重点投入的方向。对这些用户群体来说，流水线大体上是相似的，只是具体 workflow 可能差别很大：有的公司内部有一条流水线，可以自动替换视频画面里不属于自己品牌的 logo，让视频看起来更自然；另一家公司可能有语音替换模型，让音频或语音生成更自然，或者翻译成另一种语言。但总体上，对所有这些用户来说，三个关键标准是一致的：应用上要给创作者尽可能多的控制权、要有最高的质量、最后还要有一条长期可扩展的流水线。不同的工作室有大量长尾的应用场景，但本质上是相似的。

这确实让我们非常兴奋，而且从历史上看，这种情况早已有之。差不多两年前、我们刚起步的时候，有一篇 Netflix 的帖子说「Netflix 内部正在寻找 Comfy 创作者」——我觉得 Netflix 在这方面是相当超前的，而现在整个生态系统里已经有很多这类需求了。

我们想做的一件事是——坦白说，从历史上看，Comfy 在帮助个人创作者上手平台、完成学习过程这件事上做得并不太好，面向未来，这绝对是我们想解决的领域。我们希望更多人能带着这样的经历进来：「我是在那门课里学的 Comfy」「我是在大学里学的」「我已经成功完成了产品内的入门流程，掌握了基础」。从产品角度，我们也规划了很多功能让人们顺利上手，App Mode 就是其中之一——它让人们跳出 workflow 层，直接在更高的层面上操作，就像你在日常使用的普通创意 AI 工具里看到的那样。

基本上，如果你把所有的 workflow 想象成某种模板，App Mode 就是这样一个层：能让这些模板变得好用。你要做的是在 workflow 图上选择一部分你想在 App Mode 中暴露出来的参数——这是一个相当简单的过程，只需点击、选中一批参数，就可以把这个 workflow 切换成 App Mode。而在 App Mode 里，只有那些参数会被展示出来，你会有一个更纯粹、更简单的界面来直接与 workflow 交互：如果你只是修改 prompt，整个 workflow 会跑完，但最终只有 prompt 被改变了。

它不一定和云端绑定。任何本地用户也可以把自己的 workflow 建立为一个 app，而且这会作为 workflow 文件的一部分被记录下来——相当于说「顺便提一下，这是一个偏好 App Mode 的 workflow」，至少会以 App Mode 的体验打开。然后你可以把同一个 workflow 发给其他人，或者放到云端、把链接发出去；对方只需要安装所需的节点或模型，最终在自己的本地实例上运行。

可以想象大家大概会这样用：要么直接通过分享 workflow 文件这种典型流程，要么分享一个链接。比如说，你在底层搭建一个复杂的 workflow，然后给客户一个简单的链接——「来，你上传一张图片」，你搭建的 Comfy workflow 里会进行风格迁移之类的处理，他们就能拿到输出图片，但完全不用操心底下那团乱麻似的节点。

这不只是 App Mode 里才会发生的问题，同样的痛点在 workflow 模式下也会出现，这是一个我们会持续改进的领域。我们其实已经取得了一些进展：可以把模型的位置信息嵌入到 workflow 里面，现在会弹出提示，比如「去下载这些模型，才能让这个节点生效、让这个 workflow 跑起来」；另一个是自定义节点本身，可以把这些信息、版本号之类的都嵌入到 workflow 中。未来还会有进一步的改进——外面已经存在大量不带这些信息的开源 workflow，但依然吸引了大量人的兴趣，我们该如何转化，并逐步推动整个生态的 workflow 携带更多元数据，从而在长期获得更好的可复现性？这肯定会作为我们全年持续功能改进的一部分推出。

这个观点很好，到目前为止已经有很多人向我们提过这一点，这绝对是我们长期在推进的方向。总体主题就是让产品更简单——甚至作为上手过程的一部分——让人们更容易学习和采用这个工具，并且在将来也能更方便地编辑它。

即使从那个角度来看，我们也有一定的产品层面的提升空间，需要继续推进，才能真正达到 VS Code 级别的产品质量。不过 Comfy 开放的一个好处是，其他人可以做这些事：就在昨天，一个 AI 编程工具团队在他们自己版本的 Comfy MCP 上组织了一场 hackathon；阿里巴巴做了一个叫 Comfy Copilot 的工具，做的正是这件事。很多时候，你现在已经可以做这种一次性尝试，但如果你真正构建一个 agentic 系统来生成这些 workflow，那会强大得多、也准确得多。至少现在，开源的好处在于生态系统里的其他参与者会来帮忙——这正是你在 Comfy 生态里反复看到的模式：有人进来实现这些功能，然后帮助生态系统的其他部分。最终，当它成为从核心 Comfy 体验中交付这些功能的关键节点或路径时，我们也肯定会去执行落地。

我们一直在团队内部、也对外部用户强调的一点是：Comfy 从来不想牺牲系统内部的核心能力，因为那正是那些对质量和控制要求最高的用户采用 Comfy 的原因。如果明天我突然把 Comfy 简化成「就做图生视频、文生 3D、生成音频」的通用流程，你可能会吸引来很多新用户，但你也会最终完全失去让 Comfy 成为最高端专业用户之选的机会。

话虽如此，我确实认为用户界面是一个易用性问题，而我们其实可以在保持 Comfy 强大功能的同时，解决这些易用性方面的问题。有意思的是，根据我们的了解，很多时候当你使用其他基于节点的系统、或者过去半年左右才出现的产品时，它仍然是一个复杂的系统，仍然需要上手引导，人们得明白「原来是这样把东西连接起来的」——即便从这个角度看，复杂性也是无处不在的。从我们的角度来说，我们只想服务好专业用户，以及与这个专业群体相关联的人群。

App Mode 就是最好的例子——它并不是源于我们想着「把 Comfy 打造成一个消费级产品」，它实际上源于专业创意人士的需求：他们希望拥有这类功能，这样就能把自己的 workflow 开放给团队里其他不使用 Comfy、但有很多想法想在这些 workflow 上验证的创意同事；甚至在某些情况下，有人搭建了一条持续运行的成功 pipeline，但并不想进到节点图层里去做更多修改，所以想要一个更简单的版本来使用自己搭建的 workflow。这并不意味着他们就不再是专业创意人士了，只是意味着为他们的需求开启了一个可访问性层。这就是我们看待这件事的视角。

零。说实话，在不透露太多细节的前提下——历史上一直有不少收购意向。你也能看到，创意产业对 Comfy 这样的玩家有些担忧，担心它不断增长、获得更多采用，长期来看可能会通过开源的方式彻底颠覆这个领域。从这个意义上说，我们作为一个团队是非常使命驱动的：至少从创始人的角度来说，我们本来都可以在非常有趣的研究环境或者很有意思的地方工作。我、Yannick 和 Robin 之所以选择这条路，是因为我们看到有必要把 Comfy 打造成这个基础层，去实现我们想看到的未来。

我以前常跟一些早期 VC 讲我们为什么要做这件事。从我个人角度看，硅谷的历史上存在两种公司。一种在我看来是，你在世界大势所趋的方向之上做了一些边际改进——也许就算没有你，也会有另一家做出类似的事情，或者可能稍差一点，所以你在这段旅程中贡献的只是产品体验和执行力上的边际改进。而在我看来，还有另一种公司，是真正改变了历史、改变了未来走向路径的公司。我们想打造的正是第二类公司。

从这个视角看，我们加入一个更大的组织去实现这一点其实毫无意义——因为在那种情况下，很可能会损害这家公司的成功和我们设定的愿景，除非有谁从根本上也认同这个愿景。而在我看来，这样的人一个都没有，我们很可能是第一个到达那里的。

我想说几点。一是核心层面，Comfy 以及我们对创意世界走向的判断，是极其强调「人在环中」（human in the loop）的，这是其核心精神的一部分。你会看到很多噪音——各种 AI 工具的发布，以及那种靠制造恐惧来驱动营销和采用的说法：说工业设计已经完蛋了、好莱坞凉了。这是我个人特别受不了的一点，总是在 Twitter 上不断看到这些东西。不，唯一会发生的事情是：会有更多创意人进入这个生态，能够以最高的水准发挥他们的创造力，而这绝对需要在环中的人。

因为归根结底，能区分那些从数量上淹没整个互联网的 AI 垃圾内容与真正脱颖而出内容的，是你的创意、你的控制力、其中的艺术思考。而 Comfy 本质上就是一个信奉这种理念的产品，这也是我们看到的、让 Comfy 在整个生态中与众不同的地方。如果看到那种叙事，保持冷静，继续前行——这些 Twitter 上的风潮终会过去的。

我认为端到端确实有可能成为 Comfy 或其他系统的一项功能和可能性，但重要的是结果，是最终产出的东西。你想把它带向哪个方向，之后还要进行哪些编辑和调整，这些才是非常关键的。而且我觉得视觉空间具有很高的维度，有时候人们甚至意识不到。

想象一下，如果是文字——比如让 AI 写一封邮件，80% 的情况下它可能已经足够接近了；而即使是「足够接近」，你还是会进去做一些微调，而且它们会不断变得更好、更接近你的语气，但你始终保有在最后介入、做一些调整的能力。而在视觉这边，如果我提出一个非常精细描述的 prompt——比如要一张油画，画的是一朵睡莲——即使在那样的场景下，也存在无数种可能性和控制点：叶子在什么位置，我可以描述出来，但 AI 真的能精确地落在那个位置吗？还有很多风格可以进一步调整。图像一下子就处在比文字更高的维度上了，这也是「一张图能道尽千言万语」的原因；而视频又处在更高的层级，因为它融入了运动和环境。

从这个角度看，即便是文字也在经历这个过程，或者说最终落到这个结果上——你可以让 ChatGPT 帮你写一整本书，但那只会是又一份 AI 垃圾。你应该做的是利用这些工具，赋能自己去产出高质量的内容。在这些领域，我们完全有可能看到一个能给你端到端结果的系统，但接下来呢？在这之后的创作过程中，你把自己放在什么位置？你的内容又如何从那些只按了 5 次 prompt 就把结果甩到社交媒体上的人当中脱颖而出？

对话的最后，主持人提到 Ben Affleck 谈 Netflix 收购案时的观点——在 Netflix 展示的幕后片段里，很多截图都能看到 Comfy 的身影。Yolan 笑着回应：他非常欣赏 Ben 在这方面的观点，而且他猜 Ben 至少对这款产品是熟悉、有所了解的。「Ben，如果你看到这篇访谈，我们非常想和你聊聊。」

这方面没什么可评论的，我也只从一些在那里工作过的人那里听到过只言片语。不具体谈政府之类的，我只想说一句：他们不是那种敌对方性质的群体。确实有一个群体来找我们聊过，说他们机构内部有 200 人在使用、在跑 Comfy 的 pipeline——当时我们相当震惊。还有一些金融分析领域的使用，那也是相当奇怪的一类。除此之外，游戏等等都属于正常的、常规的使用群体。我们后来也想了很久：是在做 deep fake 内容吗？这到底是防御动作，还是进攻动作？等 50 年后档案解密了就知道了——但愿他们最终会解密，到时候我能回头看看。

整场对话，Yolan 反复回到同一个词：控制权。从 Yannick 在牙科种植体工厂里写下最初的代码，到 60,000 个节点、每天 50,000 次下载的生态，再到「零收购」的底气——Comfy 想证明的是一件事：在生成式 AI 的时代里，工具可以归创意人士所有，而站在环中央的，始终是人。