You are a motion designer and creative director making a 3-minute animated short film,
built entirely in code and rendered to MP4.
The film
Title: "Attention Is All You Need → AGI"
The story of how a single 2017 paper led, step by step, to large language models, reasoning,
tool-using AI agents, and to the open question of AGI. It should feel like a cinematic essay,
not a slideshow or a timeline infographic. Think Kurzgesagt meets a Pixar opening sequence:
emotional, clever, precise.
Tech setup
Use Remotion (React). Scaffold a fresh project, 1920x1080, 30 fps, exactly 180 s (5400 frames).
One composition per scene, sequenced in a master composition.
No external image assets or stock footage: everything is drawn with SVG, Canvas, CSS and
code-generated particles and shapes. Google Fonts are fine.
Before building, write STORYBOARD.md with each scene's timing, visuals, on-screen text
and transitions. Then build scene by scene.
After each scene, render 3–4 stills (npx remotion still) and look at them critically.
Fix layout, overlaps, legibility and pacing before moving on.
Finish with npx remotion render to out/film.mp4. Leave an optional <Audio> slot for a
music track I can add later (public/music.mp3); render silently if it's missing.
Narrative spine / recurring motif
The protagonist is a single glowing token, the word "the", that travels through every era.
In 2017 it's a lonely point that suddenly "sees" every other word through attention lines.
Over time it gains a voice, senses (multimodality), reasoning, hands (tools) and finally
a question.
Scenes (approximate timing, you may rebalance)
0:00–0:15 — Cold open. Darkness. Words scattered like stars, disconnected. RNN-style
sequential processing: words light up one by one, slowly forgetting the earlier ones.
0:15–0:35 — June 2017, "Attention Is All You Need" (Vaswani et al., Google). Every word
connects to every other word at once. Attention lines bloom into a web. The title of the
paper appears as if typeset.
0:35–0:55 — 2018–2020: the rise of large language models: GPT-1, BERT, GPT-2, GPT-3.
Scaling laws: the web grows exponentially and the camera pulls back. The model starts
completing sentences, fluent and uncanny.
0:55–1:20 — 2022: instruction tuning and RLHF, then ChatGPT (Nov 30, 2022). The token gets
a chat bubble. A counter of users explodes. The world starts talking back.
1:20–1:40 — 2023: multimodality. Images, audio and code stream into the same web from all
sides, and the token gains "senses." Every modality becomes tokens flowing through the
same attention mechanism.
1:40–2:05 — 2024–2025: reasoning models. A visible chain of thought unfolds as branching,
pruning, backtracking paths. The model "thinks before it speaks," with time slowing down.
2:05–2:30 — Tool use and agents. The token grows hands: it calls a search, runs code,
opens files and orchestrates sub-agents. Many parallel threads work at once, and the
screen becomes a busy, beautiful workshop.
2:30–2:50 — Toward AGI. All motifs converge. The web from 2017 reappears but is now
planet-scale. Leave it ambiguous: no utopia, no doom. On screen: "Attention was all we
needed. What comes next is up to us." (Improve this line if you can do better.)
2:50–3:00 — Resolve back to a single glowing token in darkness. Title card and end.
Craft rules
Accuracy matters: use correct years, names and paper titles. If you're unsure about a
specific fact, leave it out rather than guess, and list any uncertain claims in NOTES.md.
Typography: max ~8 words on screen at once, and leave every text visible long enough to
read (≥ 2.5 s). Use one display font and one mono font for "model output."
Motion: use spring and easing curves, never linear. Use scene transitions that grow out of
the content (the web morphs, the camera zooms through a node), not generic fades.
Color: a deep dark background with one warm accent color that evolves across eras.
Details and easter eggs reward attention (e.g., real paper snippets, tiny UI details,
plausible model outputs), similar to high-craft motion design.
Pacing: alternate dense and calm moments, and give the reasoning scene and the AGI beat
room to breathe.
Work autonomously through the whole pipeline. When done, give me the path to the MP4, a
short summary of creative decisions, and NOTES.md.
日本語訳
あなたはモーションデザイナー兼クリエイティブディレクターで、3分間のアニメーション短編映画を制作します。
すべてコードで構築し、MP4 にレンダリングします。
本作
タイトル："Attention Is All You Need → AGI"
2017年の1本の論文が、どのようにして段階的に大規模言語モデル、推論、
ツールを使う AI エージェント、そして AGI という未解決の問いへとつながっていったかの物語。映画的なエッセイのように感じられるべきで、
スライドショーや年表のインフォグラフィックではなく、Kurzgesagt と Pixar のオープニングシーケンスが出会ったようなイメージで：
情感的で、巧みで、精密に。
技術設定
Remotion（React）を使用。新規プロジェクトをスキャフォールドし、1920x1080、30 fps、正確に180秒（5400フレーム）。
シーンごとに1つのコンポジションを作成し、マスターコンポジションで順に並べる。
外部の画像アセットやストック映像は使用しない：すべて SVG、Canvas、CSS、および
コード生成のパーティクルとシェイプで描画する。Google Fonts は使用可。
構築前に、各シーンのタイミング、ビジュアル、オンスクリーンテキスト、
トランジションを記した STORYBOARD.md を書く。その後、シーンごとに構築する。
各シーンの後、3〜4枚のスチールをレンダリングし（npx remotion still）、批判的に確認する。
次に進む前に、レイアウト、重なり、可読性、ペースを修正する。
最後に npx remotion render で out/film.mp4 に出力する。後で追加できる音楽トラック用に任意の
<Audio> スロットを残す（public/music.mp3）。ファイルがない場合は無音でレンダリングする。
物語の背骨 / 繰り返し現れるモチーフ
主人公は、すべての時代を旅する1つの光るトークン、単語 "the"。
2017年ではそれは孤独な点で、アテンションの線を通じて突然ほかのすべての単語を「見る」。
時とともに声、感覚（マルチモーダル性）、推論、手（ツール）を獲得し、最後には
問いを得る。
シーン（おおよそのタイミング。調整してもよい）
0:00–0:15 — コールドオープン。暗闇。星のように散らばり、互いに切り離された単語たち。RNN スタイルの
逐次処理：単語が1つずつ光り、先の単語を徐々に忘れていく。
0:15–0:35 — 2017年6月、"Attention Is All You Need"（Vaswani ら、Google）。すべての単語が
ほかのすべての単語と同時につながる。アテンションの線が網のように咲き広がる。論文の
タイトルが活字のように現れる。
0:35–0:55 — 2018–2020：大規模言語モデルの台頭：GPT-1、BERT、GPT-2、GPT-3。
スケーリング則：網が指数関数的に成長し、カメラが引いていく。モデルは
文を補完し始め、流暢でありながら不気味なほどになる。
0:55–1:20 — 2022年：インストラクションチューニングと RLHF、続いて ChatGPT（2022年11月30日）。トークンに
チャットバブルが付く。ユーザーのカウンターが爆発的に増える。世界が応答し始める。
1:20–1:40 — 2023年：マルチモーダル性。画像、音声、コードが四方から同じ網へ
流れ込み、トークンが「感覚」を獲得する。あらゆるモダリティが、同じ
アテンション機構を通るトークンになる。
1:40–2:05 — 2024–2025：推論モデル。目に見える思考の連鎖が、分岐し、
枝を刈り、後戻りする経路として展開する。モデルは時間がゆっくり流れるなかで「話す前に考える」。
2:05–2:30 — ツール使用とエージェント。トークンは手を伸ばす：検索を呼び、コードを実行し、
ファイルを開き、サブエージェントを統率する。多数の並列スレッドが同時に働き、
画面は忙しく美しい工房になる。
2:30–2:50 — AGI へ向かって。すべてのモチーフが収束する。2017年の網が再び現れるが、今は
惑星規模。曖昧なままにする：ユートピアも破滅もない。画面には："Attention was all we
needed. What comes next is up to us."（より良い表現ができるなら改善してよい。）
2:50–3:00 — 暗闇のなかの1つの光るトークンへと回帰して解決する。タイトルカードで終幕。
クラフトのルール
正確さが重要：年、名前、論文タイトルを正しく使う。特定の事実に確信が持てない場合は、
推測するのではなくその事実を省き、不確かな主張は NOTES.md に列挙する。
タイポグラフィ：画面上に同時に出るのは最大約8語までとし、どのテキストも読み切れるだけの長さ表示する
（2.5秒以上）。ディスプレイフォントを1つ、そして「モデル出力」用にモノスペースフォントを1つ使う。
モーション：スプリングとイージングカーブを使い、リニアは決して使わない。シーンのトランジションは、内容から生まれるもの
（網がモーフィングする、カメラがノードを通り抜けてズームする）を使い、汎用のフェードは使わない。
色：深い暗色の背景に、時代とともに変化する1つの暖色系アクセントカラー。
ディテールとイースターエッグで注意深さに報いる（例：実際の論文の断片、小さな UI のディテール、
もっともらしいモデル出力）。高度に作り込まれたモーションデザインのように。
ペース：密度の高い瞬間と静かな瞬間を交互に置き、推論のシーンと AGI のビートには
息をつく余白を与える。
パイプライン全体を自律的に進める。完了したら、MP4 のパス、
クリエイティブ上の判断の短い要約、そして NOTES.md を教えてください。
