“面對Sora帶來的挑戰(zhàn)，不妨讓子彈再飛一會兒�！眱蓚�多月前，OpenAI又一記深水炸彈，以文生視頻大模型Sora引爆全球，當時談及國內(nèi)外文生視頻大模型的差距，伽利略資本合伙人鄭譞作出了這樣一句評價。兩個多月后，“預(yù)言”應(yīng)驗。先是生數(shù)科技聯(lián)合清華大學發(fā)布了視頻大模型Vidu，一度被外界形容為中國首個Sora級視頻大模型，近日，亦有媒體報道稱，智譜AI也正研發(fā)對標Sora的國產(chǎn)文生視頻模型，最快年內(nèi)發(fā)布。隨著企業(yè)競相入局，國內(nèi)文生視頻大模型明顯進入加速階段。但就像鄭譞說的，Sora的出現(xiàn)并非技術(shù)上的突破，而在工程方面，國產(chǎn)大模型的差距其實并沒有多遠，“從本質(zhì)上講，場景或許是比工程突破更值得思考的一件事”。
Sora之后
近日，有媒體報道稱，智譜AI正在研發(fā)對標Sora的高質(zhì)量文生視頻模型，預(yù)計最快年內(nèi)發(fā)布。對此，北京商報記者聯(lián)系了智譜AI，對方表示該消息非官方信源消息，沒有其他信息可以提供。
公開資料顯示，智譜AI由清華大學計算機系技術(shù)成果轉(zhuǎn)化而來，也是國內(nèi)最早研發(fā)大模型的企業(yè)之一。今年1月，智譜AI發(fā)布新一代基座大模型GLM-4，智譜AI CEO張鵬曾介紹稱，GLM-4的整體性能相比上一代大幅提升，逼近GPT-4。
在此之前，國產(chǎn)文生視頻大模型已經(jīng)掀起過一波浪潮。4月27日的2024中關(guān)村(4.440, 0.11, 2.54%)論壇年會上，清華大學聯(lián)合生數(shù)科技正式發(fā)布中國首個長時長、高一致性、高動態(tài)性視頻大模型Vidu，引發(fā)熱議。
據(jù)介紹，Vidu是自Sora發(fā)布之后全球率先取得重大突破的視頻大模型，性能全面對標國際頂尖水平。
“Vidu是全棧自主創(chuàng)新的最新成果，在多個維度上實現(xiàn)了技術(shù)突破，包括可以模擬真實物理世界、具有想象力、可以理解多鏡頭語言而不再是簡單的鏡頭推拉、可以一鍵生成長達16秒的視頻、人物場景時間保持高度一致性、可以理解中國元素。”當時，清華大學教授、生數(shù)科技首席科學家朱軍介紹稱。
對于外界最關(guān)心的，Vidu和Sora的對比，朱軍也在現(xiàn)場做了展示，比如Sora在視頻生成過程中丟掉了“旋轉(zhuǎn)”這一關(guān)鍵詞，但Vidu則能較好地抓住這一內(nèi)容，實現(xiàn)視頻視角的絲滑“旋轉(zhuǎn)”。
不過也有分析認為，Vidu的16秒與Sora的一分鐘仍存在算力和工程方面的巨大差距，對此，有業(yè)內(nèi)人士對北京商報記者提到，Vidu的架構(gòu)本身足夠支持更長時間的視頻生成，生數(shù)科技也介紹稱，Vidu正在加速迭代提升中。
值得一提的是，智譜AI與生數(shù)科技均出自“清華一脈”。此外光年之外、月之暗面、百川智能、面壁智能等均有清華學子的影子。有媒體引用業(yè)內(nèi)人士的分析稱，清華系大模型公司的格局是以智譜AI為中心，布局人工智能上下游。今年3月，生數(shù)科技宣布完成新一輪數(shù)億元融資，智譜AI就是跟投者之一。
產(chǎn)品化才是關(guān)鍵
事實上，自Sora發(fā)布之后，國內(nèi)文生視頻領(lǐng)域便已開始升溫。例如Sora發(fā)布的2月，清華大學便公布了一項文生視頻專利。同月，中國首部文生視頻AI動畫片《千秋詩頌》播出。而在Vidu發(fā)布的第二天，國內(nèi)首個音視頻多媒體大模型萬興“天幕”正式公測。
據(jù)Gartner研究預(yù)測，到2030年，90%的數(shù)字內(nèi)容都將是AI生成。預(yù)計2032年，全球AIGC市場規(guī)模將由2022年的108億美元增加至1181億美元。
經(jīng)濟學家、新金融專家余豐慧對北京商報記者分析稱，文生視頻的成功構(gòu)建意味著AI模型能夠處理更高維度、更復(fù)雜的數(shù)據(jù)，并進行創(chuàng)造性表達，這表明模型正朝著理解和創(chuàng)造世界的不同層面演進，這與AGI所追求的認知和決策能力更加接近。
“Sora這樣的文生視頻技術(shù)一旦成熟，理論上有可能顛覆傳媒業(yè)、影視制作、游戲開發(fā)、虛擬現(xiàn)實、廣告創(chuàng)意、教育等多個行業(yè)。它能夠在短時間內(nèi)根據(jù)用戶需求自動生成高質(zhì)量視頻內(nèi)容，大大降低創(chuàng)作成本，提高生產(chǎn)效率。”余豐慧補充稱。
在接受北京商報記者采訪時，鄭譞提到，文生視頻可以簡單類比成分鏡腳本，利用文本信息生成關(guān)鍵幀，以幀與幀的畫面聯(lián)合形成連續(xù)視頻。在這個過程中，更多屬于工程上的創(chuàng)新，而非技術(shù)層面的顛覆性突破，這也意味著國內(nèi)外大模型的差距不會太長，整體時間差距可以保持在半年之內(nèi)。
也是因此，比起工程上的突破，鄭譞更關(guān)注的其實是應(yīng)用場景。據(jù)他觀察，AI短片在行業(yè)內(nèi)的“單子”還非常小，更像是實驗性質(zhì)的嘗試，比之成熟的商業(yè)制作“大片”還有很大差距，“基本可以忽略不計”。
更缺的是推理算力
企業(yè)競相入局文生視頻大模型，也引發(fā)出了另一個關(guān)鍵問題——算力。早在Sora發(fā)布后不久，360集團創(chuàng)始人周鴻祎就曾公開提到，Sora的技術(shù)路線如果被開源，國內(nèi)將能很快趕上，但在追趕Sora時，算力有可能成為門檻。
中信證券(19.210, 0.20, 1.05%)曾簡單估算，一個60幀的視頻（約6—8秒）需要約6萬個Patches，如果去噪步數(shù)是20的話，相當于要生成120萬個Tokens。同時考慮到擴散模型在實際使用時往往需要多次生成的特點，實際計算量會遠超120萬個Tokens。
天使投資人、資深人工智能專家郭濤對北京商報記者分析稱，大模型的訓(xùn)練需要處理大量的數(shù)據(jù)和復(fù)雜的計算。如果沒有足夠的算力，訓(xùn)練這樣的模型將非常困難。其次，目前全球的算力資源是有限的，而且大部分集中在一些大型科技公司手中，這就使得其他公司或者研究機構(gòu)在獲取足夠的算力資源方面面臨挑戰(zhàn)。
不久前，月之暗面的Kimi智能助手走紅成為“小爆款”，因使用人數(shù)激增，Kimi App和小程序一度出現(xiàn)無法正常使用的情況。當時中信建投(22.730, 0.40, 1.79%)層發(fā)布研報稱，隨著Kimi用戶數(shù)持續(xù)提升，已經(jīng)出現(xiàn)短暫算力支持不足的情況，考慮后續(xù)模型訓(xùn)練和推理需求，預(yù)期算力需求會進一步提升，帶動算力需求落地。
“推理算力很可能會是創(chuàng)投圈的下一個機會�！编嵶X總結(jié)說。
