Flipbook正在颠覆传统浏览器的信息组织方式，将整个互联网变成一张可无限延展的实时生成图像。这款视觉浏览器通过点击任意位置即时生成新内容，完全摒弃了HTML和代码框架，用纯图像重构了我们获取信息的方式。从旅行规划到复杂文献解析，它展现了生成式AI在可视化交互领域的突破性应用。

“总有一天，我们会把现在这种‘人工制作的电影’当作旧时代的东西来谈论，而主流将变成按需生成、可以无限延展的 AI 内容。”这是Karpathy在2016年发布的推文。

按需生成、可以无限延展的 AI 内容是什么样的呢？

如果这种能力不仅用于生成内容，也用于重构我们获取信息的方式，那Flipbook或许提供了一种值得参考的形态。它用一种全新的方式在做浏览器——不再把信息组织成一页页可以跳转的网页，而是把整个互联网变成一张可以不断生成、不断延展的图像。

当浏览器不再是网页

根据官方介绍，Flipbook 是一个可以无限延展的视觉浏览器，所有内容都是按需、实时生成的。

怎么理解视觉浏览器呢？

在Flipbook中，你看到的每一个“页面”，本质上都是一张图片。当你点击图片中的任意位置时，系统会根据你的点击生成一张新的图片，带你继续往更深入的方向探索。整个过程里，没有 HTML、没有代码，也没有传统意义上的链接或输入框，你所看到的“网页”，其实都只是屏幕上一帧一帧被生成出来的像素。

屏幕上的所有文字，同样也是由图像模型直接渲染出来的，而不是叠加在图片上的文本。当然，这会导致文字有时候会出现错位或不够清晰的情况，这需要通过模型能力的提升来改善。

用文字阐述可能有点难理解，他们发布的Demo能够更直观的感受到Flipbook想做的事情。

他们以旅行规划这个场景为例，左侧的笔记本电脑上显示的是 Notion 界面，正在进行“巴黎旅行规划”。这是大家做旅行规划通常会用到的交互方式——在不同的网页之间跳转，通过文字和列表来整理碎片化的信息。

在当下的互联网中，信息通常以文本、链接和模块化界面的形式被组织起来，一个网页会被拆分成不同的内容区块，再通过链接彼此连接。用户获取信息的过程，本质上就是不断点击按钮、在不同页面之间跳转。其底层依赖的是 HTML 和 DOM 所构成的结构化体系。

也就是说，我们所使用的网页，本质上是一个由清晰结构和固定关系组织起来的信息系统。

而右侧则是一幅等轴测插图，上面是一幅干净线描、低饱和配色的巴黎地标交互图，有埃菲尔铁塔、卢浮宫、圣母院这类巴黎的标志性地标。

在任意区域点击一下就能得到一个“详情页”，图中用简洁的文字和图标整合了原本需要去官网查询的碎片信息：门票购买（Buying Tickets）、开放时间（Opening Hours）、无障碍（Accessibility）、着装要求（Dress Code）。

再点击一次，又能获得更多建筑内部的细节。左侧的文字信息变得更加具体，像是一个实时的“智能助手卡片”。这里不仅有各个区域的价格表 ，还有预期情况，以及详细时间表。底部灰色方框给出了最优建议，“提前 1-3 天预约是明智之举”。甚至还有一个明显的 “Reserve Now” (立即预约) 按钮，实现了一站式闭环。

团队表示，这些图片中的信息，来自两部分的结合，一部分来自模型本身的知识，另一部分来自具备行动能力的搜索系统。

内容可能会偶尔出现不准确的情况，但通常可以作为一个初步了解的参考，而且大多是基于真实的在线数据生成的。整体的事实准确性，大致可以达到平时使用 ChatGPT、Gemini 或 Claude 时的水平。

复杂信息理解的最佳打开方式

不过，这种效果在实际体验中究竟是怎样的？

于是，我上传了一张之前用ChatGPT Images 2.0生成的《百年孤独》人物关系图，来测试它的表现。

在我点击左下角的奥雷里亚诺·布恩迪亚上校后，大约等待了20秒，新的页面才生成出来。生成出来的图像是一张奥雷里亚诺·布恩迪亚上校的家族关系和生平逻辑图。再点击左下角出现的摊开的书本，就能看到梅尔基亚德斯的预言的图解。

整个使用过程中，确实如团队所说的图片中的任意位置都可以被点击，被探索。读过《百年孤独》的人一定都知道，书里的人物和结构都很复杂，同一个家族里几代人反复使用相同的名字，人物之间又不断交错，加上叙事不是按时间线推进，而是跳跃、回环、甚至把未来写在过去里，很容易读着读着就分不清“现在是谁、发生在什么时候”。

而Flipbook用交互式可视化可以很好地建立一个阅读参考系，帮助读者理清人物关系和书中的重点信息。这是 Flipbook 在复杂信息的可视化与交互式理解场景下的应用。

不过需要注意的是，Flipbook因为访问人数过多，服务器压力太大，暂时需要排队进入。

在X中，也有不少用户发布了自己的使用案例。

Gemini的后训练软件工程师Xiao Ma用Flipbook学习葡萄酒知识。

还有用户做了一张叶绿体光合作用图解，表示这非常适合教育场景。

从以上的使用案例来看，Flipbook最适合解决的是结构复杂、关系交错、需要建立整体认知的问题，它可以把这些信息压缩进一个可以不断展开的视觉空间里，通过点击逐层深入，让“理解”变成一个连续的过程。

放在教学场景中，Flipbook可以用图像来承载信息，再配合可点击的图像延伸，会比纯文字更容易建立直观感受。比如科学原理、流程机制、历史事件演变，这些场景的需求不是查标准答案，而是搞清楚原理、逻辑。它同样适用于启发式探索的场景。比如你并不是带着一个明确问题来查资料，而是想了解一个领域、寻找灵感。在这种情况下，是没有固定路径的，Flipbook可以点哪里看哪里，会带来一种类似浏览展览或翻阅画册的体验，更容易产生新的联想和灵感。

但反过来说，它并不适合那些高频、精确、效率优先的任务。比如查一个具体数据、快速对比信息、完成一段明确流程，这类场景更需要的是结构化信息和稳定、快速的响应，而不是生成式的视觉表达。生成延迟、信息不稳定、文字不可复制这些问题，在这些场景下都会被放大。

为了实时生成，底层做了什么

Flipbook令人惊艳的同时，也让人好奇这到底到底是用了怎样的技术来实现的。

创始团队在X说，他们大量用了激活缓存、量化，以及 torch.compile + 内存快照。

Flipbook 追求的是一种即时交互，但图像生成模型通常非常庞大和缓慢，想做到这种响应速度，就必须在底层进行极致的性能压榨。Zain提到的这四项为了解决这个瓶颈而做的工程优化，他们从计算路径、数值表示、执行方式和状态管理四个层面同时做了改造。

首先，激活缓存（activation caching）减少了图像生成过程中大量重复计算。传统扩散模型每去除一点噪声、画出一个细节，都要完整跑一遍神经网络的所有层，而其中很多层的计算结果其实和上一步几乎一样，特别是那些负责提取基础特征的部分。

激活缓存就是把这些变化不大的中间结果保存下来，在后续的步骤里直接复用，不再重新计算。在连续生成多帧画面（比如制作视频流）时，帧与帧之间的共性更大，能共用的激活值就更多，这能砍掉绝大部分冗余运算，让推理速度成倍提升。

其次，量化（quantization）技术解决的是模型在数值计算层面上的效率问题。你可以把模型参数原本使用的16位浮点数，想象成一种高精度但非常占用空间和计算资源的表示方式。量化的过程，就是将这一个个“高成本浮点数”精准地映射为对应的“低成本整数”，比如8位整数。

这样做有两方面的好处：

第一，整数运算远比浮点运算快，而且现在的硬件对此有专门的加速设计，所以每一个计算步骤的耗时都缩短了，模型推理速度直接提升；

第二，每个数字从16位压缩到8位，整个模型文件的体积和运行时占用的显存都至少减半。

结果是，原本需要消耗大量显存才能运行的高分辨率图像生成任务，现在可以在更小、更普及的GPU上跑起来，或者在同一块GPU上同时处理更多的生成请求。对Flipbook而言，这几乎是实现快速、连续出图必不可少的一步。

接着，torch.compile 充当了翻译优化器的角色。通常用写 PyTorch 代码时，每执行一个操作，Python 解释器都要调度一次，产生很多零碎的小任务，GPU 也因此频繁地启动和停止。torch.compile 会将整个计算图拿过来整体分析，把相邻的、可以合并的运算融合成一个大的优化内核，并且一次性编译好。这样，当模型真正开始生成图像时，就相当于从一条条解释执行变成了一段连续的编译程序在跑，省去了大量的 Python 开销和算子调度时间，在不少场景下可以带来明显的性能提升。

最后，内存快照（memory snapshotting）是一种消除调度延迟的手段，通常指像 CUDA Graph 这类技术。传统流程里，CPU需要一步一步地向GPU下达指令，每一次调度都有微小的延迟。内存快照的做法是将一整套固定的GPU操作序列（例如去噪步骤中的特征提取、注意力计算、卷积等）完整“录制”下来，形成一个静态执行图。后续生成新图像时，不再需要CPU逐条调度，而是直接重放这张图，让GPU像播放录像带一样无停顿地连续工作。对于需要每秒24帧连续输出的视频流场景，消除这些累积的调度间隙是实现实时生成的关键。

本质上，它一方面通过缓存中间结果来避免重复计算，一方面通过量化降低计算成本，同时借助编译优化执行效率，并通过内存快照消除调度间隙，从而在有限算力下显著降低单次推理延迟和单位请求成本，使系统能够稳定支撑高频、连续的生成请求。

同样值得一提的是，我们现在看到Flipbook的画面风格经历了上百次迭代打磨。一开始，他们尝试用80 年代老式 CRT 屏幕的复古科幻风格，有扫描线、霓虹色和类似《新世纪福音战士》的高密度视觉界面感。还有20 世纪 50 年代漫画插画风格，带有老式印刷、粗描边、高饱和色。

最后他们选定编辑插画感的等距视角风格。这是一种斜俯视、带立体感但不复杂的插画方式，把信息、空间和概念清晰地组织起来，EbbieJiao说，这种风格在可读性和表现力之间找到了一个很好的平衡，不仅方便用户理解，又能用一种 HTML 永远做不到的方式把想法呈现出来。

风格的选择，指向的是团队做这件事的初衷。 他们认为，一张图往往比大量文字更有表达力，但今天的屏幕却被文字和各种方框界面所占据。很多所谓“生成式 UI”，看起来更先进，但本质上仍然是在用有限的形式去承载复杂的信息，就像试图用一根细吸管去吸一整片海洋。

所以他们想尝试另一种方式，就是让计算结果变得更直观、更丰富，用为每个人即时生成的视觉内容来表达信息。

我们现在看到的屏幕，本质上也是一张图，只不过它是由固定的代码和规则生成的，这种方式在表达复杂内容时存在局限。而 Flipbook 则摆脱了这些限制，它会根据内容本身，选择最合适的表达方式——可能是一句话、一幅插图，或者一张接近真实的画面。

目前，Flipbook 还是一个实验项目，主要用于开放式探索和学习。随着图像和视频模型能力的提升，未来这些页面可能会接入更多真实数据，变得更加可交互，甚至可以直接执行操作、保存数据。

这也意味着，很多原本需要在不同应用或网站之间完成的事情，未来有可能在一个类似 Flipbook 的界面中一次性完成。比如你现在可以用它来查旅行信息，但需要去别的平台完成预订。未来，这些步骤都可以在同一个系统中完成。

Flipbook设想的，是一个所有工具都像现实世界一样丰富、直观、以视觉为核心的计算世界。

尽管现在Flipbook 还远谈不上成熟，但当信息不再被锁死在代码框架里，而是按内容自由生长成图像时，我们在Flipbook的每一次交互都在实时重组信息的呈现方式。

而我们理解世界的方式，可能也会随之改变。