一、一个没有代码的浏览器

2026 年 4 月 23 日，Zain Shah 在 X 上发了一条推文：

“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。”

推文附带的 14 秒演示视频在几小时内引爆了 X，数万条讨论。这不是又一个"AI 生成 UI"的概念演示——这是一个彻底干掉 DOM 的浏览器原型。

它叫 Flipbook。

二、Flipbook 是什么

Flipbook 把整个 Web 渲染管线替换成了一个生成式视频模型。

传统的 Web 浏览器：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。

Flipbook：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 → 用户看到页面。

中间没有任何代码。

团队只有三个人：

• Zain Shah：前 OpenAI 研究员（AI + 机器人），前三星创意技术专家，YC S13 校友
• Eddie Jiao：前 Humane、Slack 工程师
• Drew O’Carr：前 Apple 工程师

三、技术实现

底层模型

Flipbook 使用 LTX Studio——以色列公司 Lightricks 开源的视频生成模型（基于 Diffusion Transformer 架构）。

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。后端运行在 Modal Labs 的无服务器 GPU 基础设施上。

交互机制

演示视频展示了一个巴黎旅行规划的场景：

1. 用户提出需求（巴黎旅行）
2. 模型生成一整页插画式界面（约 40 秒）
3. 用户点击画面中的埃菲尔铁塔 → 画面重新生成，"放大"到铁塔场景
4. 用户点击票价区域 → 画面重新生成，显示预订面板
5. 用户点击地标 → 整个页面变成新场景

关键细节：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。文字不是 DOM 文本，是像素。

自适应布局

因为没有布局引擎，插画自动适应任何窗口大小和宽高比。在传统 Web 开发中，这需要响应式 CSS 和复杂的断点系统。在 Flipbook 中，这是免费的——模型天然生成适合当前画面的构图。

四、和"AI 生成 UI"的区别

AI 生成 UI 不是新话题。Anthropic 的 Claude 可以生成完整的 React 组件。Google 的 Project Mariner 让 AI 直接操作浏览器。Vercel 的 v0 从描述生成可部署的前端代码。

但这些方案的共同点是：AI 生成代码，浏览器渲染代码。HTML/CSS/JS 仍然是中间层。

Flipbook 走得更远：它直接跳过了代码层。AI 不生成 HTML，它直接生成像素。浏览器从"渲染器"变成了"视频播放器"。

维度	AI 生成 UI（Claude/v0）	Flipbook
AI 产出	HTML/CSS/JS 代码	1080p 视频帧
中间层	DOM + 渲染引擎	无
交互方式	点击 DOM 元素	点击像素区域触发重新生成
文字	结构化文本	像素渲染
布局	CSS 响应式	模型自适应
可访问性	可实现	几乎不可能
SEO	可优化	完全不可索引

这不是同一件事的优化。这是范式的替换。

五、明显的局限

Shah 本人在推文中承认：原型很慢，演示中的部分片段做了加速和剪辑处理。

速度

生成一"页"画面约需 40 秒。在传统 Web 中，40 秒足以加载 10 个页面。对于需要即时响应的场景（电商、搜索、表单），这个延迟是不可接受的。

精确性

文字是像素渲染的，无法复制、无法搜索、无法用屏幕阅读器识别。表单输入在当前原型中不存在。你不能在 Flipbook 里填一个信用卡号。

幻觉

生成式模型的固有问题。模型画了一个"票价 ¥299"的面板，但这个价格可能是编造的。没有结构化数据支撑，每个数字都需要验证。

可访问性

完全无法实现。没有语义化 HTML，屏幕阅读器无法解读。没有 alt 文本，没有 ARIA 标签。从可访问性角度看，Flipbook 是倒退。

SEO

搜索引擎无法索引像素。Flipbook 生成的页面对 Google 来说是空白。如果互联网变成 Flipbook，SEO 行业直接消失。

六、开源社区的响应

Flipbook 发布后，开源社区迅速跟进。

Grok 发布了本地复现方案：Ollama + ComfyUI + Flux，在本地 GPU 上跑出类似效果。这意味着 Flipbook 的核心思路不需要 Modal Labs 的云端 GPU，个人开发者可以在自己的机器上复现。

这降低了一个重要门槛：你不需要等待任何人批准就能实验这种"像素优先"的界面范式。

七、核心问题：前端代码的角色

Flipbook 不是产品。它是一个精心设计的挑衅（provocation），用来逼迫行业回答一个问题：

如果模型能画出整个界面，前端代码的角色是什么？

这个问题有几个可能的答案。

答案一：前端代码不会消失

至少在中短期内不会。精确输入、表单、数据密集型应用、可访问性、SEO——这些场景需要结构化界面。AI 生成像素无法替代 HTML 的精确性和可编程性。

答案二：新的分层

未来可能是分层架构：信息层（结构化数据）+ 表达层（AI 生成视觉）。HTML 负责"是什么"，AI 负责"看起来怎样"。类似今天的 CSS 把内容和样式分离，但分离得更加彻底。

答案三：场景分化

部分互联网会变成 Flipbook 式的生成式体验（叙事、教育、探索、艺术），部分保持传统结构化界面（工具、电商、办公）。用户根据场景选择不同的"浏览器模式"。

Shah 本人的判断：Flipbook 目前"围绕视觉解释设计"，但随着模型变得更准确、更有状态管理能力，“值得这样做的事情集合会扩大——甚至包括你以为需要结构化 UI 的东西，比如编程”。

八、一个更冷静的观察

Flipbook 的发布时间值得注意：2026 年 4 月底。

同一周，Claude Code 让一个人写出过去需要团队才能完成的应用。v0 让产品经理直接生成可部署的前端。HarmonyOS 的 ArkUI 让声明式界面开发变得极简。

前端开发的门槛在两个方向同时被压缩：向下，AI 生成代码让"写前端"变得更容易；向上，Flipbook 让"写前端"变得不必要。

Flipbook 目前做不到的事情很多。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。

14 秒。没有 HTML，没有 CSS，没有 JavaScript。只有一个 AI 模型、一个 WebSocket 连接、和一个完全由像素构成的浏览器窗口。

这个原型的价值不在于它能做什么，而在于它让所有人看到了一种可能性。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。

---

数据来源：

• Zain Shah 推文：x.com/zan2434/status/2046982383430496444
• Flipbook 官网：flipbook.page
• LTX Studio 开源模型：github.com/Lightricks/LTX-Video
• Modal Labs 无服务器 GPU：modal.com