客服電話：13560189272
微信掃碼咨詢
數(shù)字金融
網(wǎng)絡(luò)營銷推廣
電商服務(wù)
這幾天大家應(yīng)該都被Sora的新聞刷屏了吧？但奇怪的是，Google等幾家巨頭也有類似的產(chǎn)品，為啥總是OpenAI的更進(jìn)一步呢？就好比Sora發(fā)布的時候，有多少人知道Google發(fā)布的Gemini 1.5 PRO呢？
———— / BEGIN / ————
Sora視頻模型的發(fā)布，幾乎復(fù)刻了一年半之前GPT-3初登場時的AI圈盛況：
突然出現(xiàn)，引起熱議，廣為震驚。
北京時間2月16日，在沒有任何消息外泄、事先預(yù)告的情況下，OpenAI在社交平臺X（原推特）發(fā)帖，首次對外公布了名為Sora的文生視頻AI模型。
一句“Introducing Sora, our text-to-video model（介紹一下Sora，我們的文本轉(zhuǎn)視頻模型）”，切入正題之簡短，比起宣發(fā)，更像是一則告知：是的，我們又掏出大的來了。
之后，便是對Sora模型的能力介紹：Sora可以創(chuàng)建長達(dá)60秒的視頻，其中包含高度詳細(xì)的場景、復(fù)雜的攝像機(jī)運(yùn)動以及充滿活力、情感的多個角色。
還附上了演示案例的對應(yīng)Prompt（提示詞）：美麗、白雪皚皚的東京城很繁華。鏡頭穿過熙熙攘攘的城市街道，跟隨幾個人享受美麗的雪天并在附近的攤位購物。美麗的櫻花花瓣隨著雪花在風(fēng)中飛舞。
對于Sora，業(yè)界評價并不統(tǒng)一：
有人100%認(rèn)可，也有人120%、200%認(rèn)可。
360創(chuàng)始人周鴻祎發(fā)文稱，Sora意味著實(shí)現(xiàn)通用人工智能可能從10年縮短至1年，該模型展現(xiàn)的不僅是視頻制作的能力，還展現(xiàn)了大模型對真實(shí)世界有了理解和模擬之后，會帶來新的成果和突破。
英偉達(dá)人工智能研究院首席研究科學(xué)家Jim Fan將Sora稱作是視頻生成領(lǐng)域的GPT-3時刻：Sora是一個“數(shù)據(jù)驅(qū)動的物理引擎”，一個可學(xué)習(xí)的模擬器或“世界模型”。
高強(qiáng)度網(wǎng)上沖浪且一向心直口快的馬斯克則直接打出gghuman（人類輸了）。
暫且不去深究后續(xù)影響到底是積極還是消極，能給AI、影視、社媒等一眾行業(yè)同步帶來顛覆性王炸、劃時代之感的，又是OpenAI，總是OpenAI。
像是一群工程師還在討論如何進(jìn)一步完善登月計劃，OpenAI的團(tuán)隊已經(jīng)從火星傳回來一組自拍——他們總是領(lǐng)先一個版本，為什么？
前文英偉達(dá)AI研究院科學(xué)家Jim Fan對于Sora的評價，從技術(shù)層面來看很有參考性：他將Sora定義為物理引擎和世界模型。傳統(tǒng)意義上的視頻畫面是二維，而人們身處的物理世界是三維的。
這成為了AI視頻模型設(shè)計之初的理念區(qū)別：在生成視頻的過程中，AI的作用到底應(yīng)該是將多段視頻片段拆分組合，還是應(yīng)該作為一個主體，構(gòu)建并記錄一個虛擬的AI空間。
OpenAI的選擇是后者。
其官網(wǎng)發(fā)布的Sora技術(shù)報告中，有一句話值得注意：“我們的結(jié)果表明，發(fā)展能夠模擬物理世界動態(tài)的通用模擬器是一條充滿希望的途徑，具有前所未有的準(zhǔn)確度和現(xiàn)實(shí)感。”
做一個粗淺的理解就是：Sora不是編輯視頻，而是在生成視頻之前先建模一個空間，然后變成一個鏡頭記錄這個三維立體的虛擬空間。
立體建模能展現(xiàn)信息量遠(yuǎn)遠(yuǎn)多于平面圖，從設(shè)計思路上OpenAI就領(lǐng)先了一個維度，或者說提前了一個版本。
當(dāng)然，更多的信息量意味著更龐大的數(shù)據(jù)流，在有限算力內(nèi)跑出更好效果、在保證效果的前提下盡量節(jié)約算力，本質(zhì)上是同一個問題：AI計算效率。
但對于OpenAI來說，這些問題都有經(jīng)驗可循——從ChatGPT到GPT-4等等項目的技術(shù)積累，成為OpenAI構(gòu)建Sora模型的良好地基。
受大語言模型成功案例啟發(fā)，OpenAI在探索視頻模型時就在思考“如何獲得類似的好處”：大模型運(yùn)轉(zhuǎn)期間，token（詞匯單元）作為自然語言處理任務(wù)中的最小文本單位，承載著輸入信息的作用，幫助模型對文本進(jìn)行處理和理解。ChatGPT將代碼、數(shù)學(xué)以及各種不同的自然語言一并拆分為token，再交由模型對token進(jìn)行處理和理解，并能夠通過學(xué)習(xí)token之間的關(guān)系來獲取更多的語義信息。
同理，在視頻生成模型中，OpenAI也創(chuàng)造了與token對應(yīng)的數(shù)據(jù)單位“Patch”（圖像單元），將圖形語言轉(zhuǎn)化為對應(yīng)格式的Patch進(jìn)行計算，在保證模型擴(kuò)展性的同時，大幅提升單位算力內(nèi)的運(yùn)算效率。
而在模型的前端，OpenAI同樣用上了自己在GPT系列模型的成果：
和文本對話類似，訓(xùn)練文生視頻的過程中，除了需要視頻素材案例之外，同樣需要大量對應(yīng)的文字說明。OpenAI采用了最初在DALL·E 3中提出的“重新加標(biāo)題”模式，用具備高度描述性的標(biāo)題生成器為訓(xùn)練集中的視頻素材生成文字說明。生成結(jié)果也證明了，在制作期間為素材添加額外的說明，可以提高包括準(zhǔn)確性在內(nèi)的整體視頻質(zhì)量。
此外，仿照DALL·E 3的做法，OpenAI還另外使用GPT對用戶輸入的簡短提示詞進(jìn)行了更便于AI理解的擴(kuò)寫，把用戶輸入的文字?jǐn)U充成更長、更詳盡的說明，再交由視頻生成模型進(jìn)行處理。
對于OpenAI這類技術(shù)驅(qū)動型公司來說，經(jīng)驗和技術(shù)的積累都是加速度，有跡可循的成功經(jīng)驗疊加團(tuán)隊自身對AI概念領(lǐng)先理解，讓OpenAI總是能踩在自己的肩膀向上，或是推著自己加速向前。
比技術(shù)領(lǐng)先更可怕或者說更值得友商在意的，是這種領(lǐng)先往往會成為慣性，一步快步步快。指望靠加速追趕和對標(biāo)與OpenAI看齊，在配套設(shè)施愈發(fā)成熟的階段，難度恐怕只會不降反增。真正的增量，仍在頂層設(shè)計的創(chuàng)新之中。
所以，與其說是AI擠占了人的創(chuàng)新空間，倒不如說是AI拉高了有效創(chuàng)新的門檻：設(shè)計AI，或者能超越AI創(chuàng)意的設(shè)計，才是大模型時代的有效增量。
13560189272 
地址：廣州市天河區(qū)黃埔大道西201號金澤大廈808室 
