2026年4月23日，前OpenAI研究员Zain Shah在X上发布了一条推文："想象你屏幕上的每一个像素，由模型实时流式传输。没有HTML，没有布局引擎，没有代码。就是你确切想看到的东西。"配上一个14秒的演示视频，几小时内引爆了整个互联网——这不是又一个"AI生成UI"的概念演示，而是一个彻底干掉DOM的浏览器原型，它叫Flipbook。
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。
一、它如何重新定义浏览器
传统的Web浏览器遵循这样的管线：服务器发送HTML/CSS/JS，浏览器解析DOM树，渲染引擎绘制像素，用户看到页面。而Flipbook的逻辑完全不同：用户输入意图，AI模型直接生成一帧1080p画面，通过WebSocket流式传输到浏览器，用户直接看到页面。中间没有任何代码。
Flipbook使用了以色列公司Lightricks开源的LTX Studio视频生成模型（基于Diffusion Transformer架构），后端运行在Modal Labs的无服务器GPU基础设施上。团队对LTX Studio做了针对性优化，使其能够通过WebSocket实时流式输出1080p 24fps视频。演示中展示了一个巴黎旅行规划的场景：用户提出需求，模型生成一整页插画式界面，用户点击埃菲尔铁塔，画面"放大"到铁塔场景，用户再点击票价区域，画面重新生成，显示预订面板。关键细节是：没有"按钮"或"链接"的概念，画面中每个可点击区域都是一次重新生成的触发器。
二、四大底层技术优化
Flipbook追求即时交互，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。团队从四个维度同时做了改造：
激活缓存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。激活缓存把这些变化不大的中间结果保存下来，在后续步骤里直接复用，让推理速度成倍提升。
量化技术将原本使用的16位浮点数精准映射为8位整数，整数运算远比浮点运算快，而且硬件有专门的加速设计，每个计算步骤的耗时都缩短了；同时每个数字从16位压缩到8位，模型文件的体积和运行时占用的显存都至少减半。
torch.compile充当翻译优化器的角色，将整个计算图整体分析，把相邻的、可合并的运算融合成大的优化内核，从解释执行变成一段连续编译程序在跑，省去了大量的Python开销和算子调度时间。
内存快照（类似CUDA Graph）将一整套固定的GPU操作序列完整"录制"下来，形成静态执行图，后续生成新图像时不再需要CPU逐条调度，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。
三、UX革命还是过渡方案
Flipbook的画面风格经历了上百次迭代打磨，最终选定编辑插画感的等距视角风格——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。团队认为，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，但本质上仍然是用有限的形式去承载复杂的信息。
然而Flipbook的局限同样明显：生成一"页"画面约需40秒；文字是像素渲染的无法复制也无法搜索；生成式模型固有的幻觉问题可能导致信息不准确；完全无法实现可访问性；搜索引擎也无法索引像素生成的页面。
但它做到了一件最重要的事：把"没有代码的界面"从一个哲学讨论变成了一个可运行的14秒视频。开源社区迅速跟进，Grok已发布本地复现方案——Ollama + ComfyUI + Flux，这意味着Flipbook的核心思路不需要云端GPU，个人开发者可以在自己的机器上实验这种"像素优先"的界面范式。接下来会发生什么，取决于模型的速度、精确性和成本能在多快时间内跨越生产级门槛。
