文｜科技新知
鏖戰(zhàn)一年的“百模大戰(zhàn)”還未結(jié)束，兩個海外AI巨頭又給國內(nèi)科技大廠出了難題。
就在春節(jié)假期的尾聲，谷歌和OpenAI毫無征兆地放出了各自的 AI新“核武”。
谷歌拿出的新一代多模態(tài)大模型Gemini 1.5 Pro，將性能提升到了百萬級別，完全秒殺了OpenAI的GPT-4 Turbo，暫居地表最強。
而后者發(fā)布的首個文生視頻模型Sora ，則基于視覺美學(xué)的驚艷表現(xiàn)，更讓人印象深刻，迅速成為全球科技圈追捧的熱點。
在生成視頻的保真度、長度、穩(wěn)定性、一致性、分辨率、文字理解等各方面，Sora已經(jīng)超過Gen-2、SVD-XT、Pika等主流產(chǎn)品，做到了當(dāng)前最優(yōu)，可以說一出手就是王炸。
去年，國內(nèi)的百度、阿里、科大訊飛等互聯(lián)網(wǎng)公司紛紛推出了自研大模型，爭搶智能變革時代的船票；華為、小米、OPPO、vivo等手機廠商也布局大模型，希望新技術(shù)為見頂?shù)氖袌鰩硇碌纳鷻C；眾多創(chuàng)業(yè)公司也進(jìn)入該賽道，試圖輕裝上陣、彎道超車。
但物理意義上的鴻溝讓國內(nèi)的大模型產(chǎn)品在性能、生態(tài)等方面還與ChatGPT有著不小的差距。而如今視頻生成模型Sora的誕生，不出意外也將再次掀起一波跟風(fēng)的浪潮。
然而，顛覆性的效果往往來自顛覆性的思路。從當(dāng)前節(jié)點來看，在AI大模型領(lǐng)域國內(nèi)企業(yè)與世界前端到底還有多大差距？差在哪里？又有哪些種子選手可能脫穎而出？
恐慌
對于Sora的橫空出世，馬斯克的評論“gg humans（人類認(rèn)輸了）”，算是一種主流看法。
此前，雖然已經(jīng)有大量文生視頻技術(shù)，但尚未實現(xiàn)技術(shù)收斂，主要實現(xiàn)路徑是通過各種手段讓單幀的圖片“動”起來，類似定格動畫。而從用戶的實際需求來看，視頻每一幀之間的連貫性與自然度是價值的關(guān)鍵，也就是視頻每幀語義信息的無縫銜接才是核心。
也就是說，Sora這種圍繞需求提供對應(yīng)技術(shù)解決方案的產(chǎn)品，要遠(yuǎn)遠(yuǎn)優(yōu)于通過技術(shù)可實現(xiàn)的角度來創(chuàng)造產(chǎn)品。
根據(jù)OpenAI官網(wǎng)上的介紹指出，Sora與之前的文生視頻思路并不一樣，是讓模型一次預(yù)測多幀畫面，并且確保視頻主體保持不變。這正是其巧妙之處——在視頻幀上做突破，提升了生成視頻的使用上限。
360創(chuàng)始人周鴻祎也給予了極高評價，他認(rèn)為Sora的誕生意味著AGI（通用人工智能）的實現(xiàn)可能從十年縮短至一兩年。
作為Sora的前輩，AI文生視頻創(chuàng)企Runway聯(lián)合創(chuàng)始人兼CEO Cristóbal Valenzuela感慨道，以前需要花費一年的進(jìn)展，變成了幾個月就能實現(xiàn)，又變成了幾天、幾小時。
Sora發(fā)布前還曾有很多煙霧彈式的信息被放出。比如OpenAI 組建了研究兒童安全的新團(tuán)隊，或是正準(zhǔn)備推出 GPT-4.5-turbo，但真正的“殺手級更新”被隱藏得很好。這也導(dǎo)致像Pika、Runway一樣的明星創(chuàng)業(yè)公司，面對Sora措手不及。
其實，國內(nèi)外大廠對于AI視頻生成的態(tài)度一直模棱兩可。根本問題在于，現(xiàn)在的人工視頻質(zhì)量、效果更好，且成本也能接受；AI 視頻生成此前沒有大家想象的那么顛覆，所以整體策略偏向防御，而非進(jìn)攻。
值得一提的是，國內(nèi)的字節(jié)跳動以及百度的嗅覺更加敏銳。百度早在去年3月文心一言的發(fā)布會上，便發(fā)布了AI文生視頻的功能，百度AI會自動根據(jù)文字內(nèi)容尋找合適的視頻素材，生成視頻后并自動發(fā)布，這是屬于文心一言AIGC的TTV（文本內(nèi)容情感化分析）功能。
字節(jié)跳動則在去年11月發(fā)布了PixelDance，可以通過上一個視頻片段尾幀，為下一個視頻片段頭幀提供指導(dǎo)的思路，在視頻時長上有所突破，但至今仍然沒有開放用戶測試，所以具體效果如何還是未知。
如果從GPT的發(fā)展路徑來看，所有做AI視頻生成甚至做大模型的公司將面臨新一波危機。就像周鴻祎所說，盡管國內(nèi)大模型發(fā)展水平表面看已經(jīng)接近GPT-3.5，但實際上跟4.0比還有一年半的差距。OpenAl手里應(yīng)該還有一些秘密武器，無論是GPT-5還是機器自我學(xué)習(xí)自動產(chǎn)生內(nèi)容。
但是危險中也蘊藏著機遇。OpenAI證明了用大模型的思路做視頻是可行的，文生視頻能蔚然成風(fēng)成為全球新一輪AIGC競賽的焦點，也給短視頻平臺上的直播電商、內(nèi)容創(chuàng)作等帶來更高的天花板。其他互聯(lián)網(wǎng)企業(yè)和內(nèi)容平臺，需要做的只是證明自己也可以用大模型做出視頻。
從技術(shù)角度來看，Sora屬于多模態(tài)混合模型，由大語言模型和文圖生成器拼接而成。這也意味著多模態(tài)模型迭代節(jié)奏加快，不出意外2024年的第一波AI風(fēng)潮將就此展開。
風(fēng)起
自2022年末ChatGPT嶄露頭角，其強大的影響力如野火燎原般蔓延至國內(nèi)科技圈。百度、阿里巴巴、騰訊等一眾互聯(lián)網(wǎng)大廠，以及以米OV為代表的智能硬件公司，仿佛嗅到了新時代的氣息，紛紛宣布推出自家的大模型，意圖在這波AI浪潮中占據(jù)一席之地。
與此同時，文生圖、文生視頻等多模態(tài)AIGC產(chǎn)品也在有序推進(jìn)。實事求是地來看，AI生文、生圖的應(yīng)用，早已層出不窮，相關(guān)的技術(shù)不斷日新月異。相比之下，AI文生視頻，卻是一個遲遲未被攻下的陣地，難度和價值一樣巨大。
公開信息顯示，包括字節(jié)跳動、百度、阿里、海康威視、萬興科技、拓爾思、當(dāng)虹科技在內(nèi)的科技公司，都在積極布局文生視頻，但與Sora相比存在不小的差距。
簡單來講，之前的AI文生視頻工具，僅僅停留在“模擬現(xiàn)實”的層面，Sora則已經(jīng)躍升到了“構(gòu)建現(xiàn)實”的新高度。兩者的根本區(qū)別在于，前者只是對現(xiàn)實世界的表面模仿，難以深入捕捉現(xiàn)實世界的物理規(guī)則和動態(tài)變化；而后者則是在虛擬世界中重新構(gòu)建了一種與現(xiàn)實世界并行的存在。
Sora不僅學(xué)習(xí)了像素與畫面的呈現(xiàn)，更深入理解了現(xiàn)實世界的“物理規(guī)律”。例如在現(xiàn)實世界中，我們每咬下一口食物，食物上都會留下咬痕，這是遵循物理規(guī)則的自然現(xiàn)象。Sora生成的視頻中，同樣能夠精準(zhǔn)地再現(xiàn)這一細(xì)節(jié)，做到“咬下去有痕跡”，從而在虛擬世界中完美再現(xiàn)了現(xiàn)實世界的真實感。而這是其他文生視頻產(chǎn)品所做不到的。
以百度的文心一言為例，雖然其能夠根據(jù)輸入的文本生成視頻，但在處理復(fù)雜場景和細(xì)節(jié)描繪方面仍存在不足。并且百度AI文生視頻也更像是從已有素材庫中找到更接近文字意思的視頻進(jìn)行拼接，單靠AI很難生成新的視頻內(nèi)容。
今年初，字節(jié)跳動發(fā)布了一款超高清文生視頻模型MagicVideo-V2。據(jù)悉，該模型輸出的視頻在高清度、潤滑度、連貫性、文本語義還原等方面，比目前主流的文生視頻模型Gen-2、Stable Video Diffusion、Pika 1.0等更出色。
抖音的張楠已于2月初辭去CEO崗位，聚焦在剪映業(yè)務(wù)上。這意味著，抖音將加強對AI生圖和視頻產(chǎn)品的布局，其中文生視頻自然是重中之重。
不過在張楠的規(guī)劃中，AI視頻所應(yīng)具備的更高保真度生成效果、更清晰生成畫面、更順暢自然的邏輯理解能力等，也被Sora一朝之間吊打。
相對于互聯(lián)網(wǎng)巨頭的低調(diào)表現(xiàn)，一些上市公司在近期卻積極發(fā)聲，紛紛披露自己在視頻生成模型領(lǐng)域的業(yè)務(wù)情況。
據(jù)不完全統(tǒng)計，包括萬興科技、博匯科技、易點天下、數(shù)碼視訊、漢王科技、當(dāng)虹科技、東方國信、神思電子、因賽集團(tuán)、拓爾思、國脈文化、佳都科技在內(nèi)的超10家A股上市公司，近三個月以來在互動平臺上各自披露了相關(guān)視頻生成模型領(lǐng)域的業(yè)務(wù)情況。
但不能否認(rèn)的是，真正達(dá)到前沿水平的公司鳳毛麟角，許多公司只是在跟風(fēng)炒作，缺乏真正的技術(shù)儲備和研發(fā)能力。
東方國信直言不諱地表示，他們在AI視頻生成領(lǐng)域尚無成熟的技術(shù)儲備；而神思電子則回應(yīng)稱，公司正在對文生圖、圖生文、視頻生文、文生視頻等多模態(tài)數(shù)據(jù)互相跳轉(zhuǎn)的收斂性質(zhì)進(jìn)行深入研究，言下之意，他們在這方面的技術(shù)也還在探索階段。
AI文生視頻的顛覆性，可以具體到實際運用層面來看。圖片、視頻生成能幫助提高企業(yè)的商業(yè)化需求，如幫助降低廣告客戶成本、便捷制作視頻等。拿字節(jié)跳動舉例，其廣告客戶投放總成本中有一到兩成為視頻制作成本，而去年開始字節(jié)已經(jīng)用相關(guān)產(chǎn)品幫助廣告客戶壓縮這部分投入。
與上一波ChatGPT的風(fēng)潮相似，盡管在推出類似AI文生視頻產(chǎn)品方面國內(nèi)企業(yè)難免落后一步，但也不失為一個摸著Sora過河的機會。
涌動
從全球市場來看，AI仍然引領(lǐng)著整個科技商業(yè)前進(jìn)的方向，而且多模態(tài)成為主流。從大語言模型到多模態(tài)，再到通用人工智能的路徑已經(jīng)逐漸清晰，分歧點還是在于節(jié)奏的判斷。
此前，OpenAI花了大約半年時間來測試大語言模型GPT-4。如果測試Sora需要差不多的時長，這個強大的視頻生成工具可能會在今年8月份開放。而這半年時間便是其他企業(yè)積累力量的窗口期。
畢竟ChatGPT已經(jīng)問世一年多，但還有大量用戶沒有使用過聊天機器人相關(guān)產(chǎn)品，這也為其他企業(yè)迎頭趕上提供了機會。
而目前國內(nèi)企業(yè)面臨的最大問題，還在于第一梯隊的AI公司如百度、科大訊飛的股價，因各種原因被打到了地板價，而國外的頂級企業(yè)，如英偉達(dá)、微軟的股價創(chuàng)出新高，OpenAI的估值仍然在不斷上升。這也意味著海內(nèi)外AI企業(yè)在資本、人才、技術(shù)、市場號召力等方面存在著天然的優(yōu)劣差異。
周鴻祎認(rèn)為，科技競爭最終比拼的是人才密度和深厚積累。事實也是如此，Sora應(yīng)用的是Transformer+Diffusion。從模型架構(gòu)來看，如果以Transformer為基準(zhǔn)，那么文生視頻依舊是龍頭科技企業(yè)更有優(yōu)先權(quán)，但是如果生成式視頻架構(gòu)依舊圍繞Diffusion展開的話，創(chuàng)業(yè)企業(yè)機會要更大一些。
不過沒有一騎絕塵的技術(shù)，只有螺旋式上升的產(chǎn)業(yè)繁榮。
Sora雖然可以一次性生成幾十秒到一分鐘的視頻，但是真正在應(yīng)用階段，如果產(chǎn)品沒有提供足夠多的微操空間，確保用戶能夠?qū)⑵湔系阶约旱墓ぷ髁髦?，那么大概率也只能叫好不叫座?/p>
好在技術(shù)的擴散才剛剛開始，不會有任何一家公司“猝死”在新技術(shù)的出現(xiàn)上。OpenAI更像是一個開拓者，強項在于鋪路，普及應(yīng)用尚需要生態(tài)的力量。
就像是在文生文模型上的模塊化組合，是否會有類似手機、智能音箱一樣的專有智能設(shè)備問世？讓更多用戶可以在端側(cè)使用模型，構(gòu)建起開源+小參數(shù)模型+移動端的思路，把當(dāng)下的產(chǎn)品做一次革新。這是國內(nèi)廠商所擅長的，但同時也是未來內(nèi)卷的陣地。
從單點的突破來看，Sora具有里程碑意義；但是從商業(yè)化需求和混剪工作流效率提升來看，Sora本身的價值和落地效果還有待考究。
想僅靠AI生成的一分鐘視頻成為下一個董宇輝、李佳琪并不現(xiàn)實，更別說制作長視頻或者電影、電視劇了，即便是做一個短視頻，是通過一遍遍修改提示詞更加有效率，還是在視頻剪輯軟件里按照創(chuàng)作者的想法調(diào)整素材更快？顯然，期待Sora變得更強，不如期待視頻剪輯軟件中盡早增添AI模塊，從而切實提升工作效率。
即使最終Sora全面放開注冊，普通用戶也難以做出如當(dāng)前演示案例般的視頻Demo。所以最終各個大廠的決勝點還是在于如何普及多模態(tài)的應(yīng)用，如何在工具中加入AI功能，更直接地優(yōu)化工作流程。
新興技術(shù)具有普適性，并不是某個企業(yè)的專屬。對于國內(nèi)企業(yè)來說，在多模態(tài)上的探索不妨可以參考GPT的發(fā)展、落地方式，在特定垂直領(lǐng)域的應(yīng)用層面找到自身的優(yōu)勢，并以此作為方向?qū)崿F(xiàn)快速發(fā)展。
只是在這個過程中，拼的還是人才密度、落地程度以及犯錯誤的次數(shù)。