AI能“生”萬(wàn)物嗎？

Sora誕生半年后，它的“挑戰(zhàn)者”紛至沓來(lái)，連“等不及”又“追不上”的英偉達(dá)也親自下場(chǎng)。

迄今為止，Sora依舊只釋放小樣、未開(kāi)放使用，而快手可靈、智譜清影、Vidu已率先打開(kāi)體驗(yàn)大門(mén)，走向大眾。

盡管“一鍵生成”的初體驗(yàn)稱不上完美，卻攪動(dòng)了內(nèi)容產(chǎn)業(yè)的一池春水。身邊不少微短劇、廣告、動(dòng)畫(huà)已經(jīng)開(kāi)始用上AI這個(gè)“效率搭子”。人工智能生成技術(shù)，從前不久的文生圖，到如今的文生視頻、圖生視頻、視頻生成視頻，“AIGC宇宙”不斷擴(kuò)張。

AI，是華夏神話里的“神筆馬良”嗎？它能讓多少想象力、創(chuàng)造力活起來(lái)、動(dòng)起來(lái)？

“文生視頻”，如何“生”

“文生視頻是一顆重磅炸彈?！卑肽陙?lái)，從大廠到獨(dú)角獸的Sora復(fù)現(xiàn)潮無(wú)一不在說(shuō)明產(chǎn)業(yè)界對(duì)“生成”的重視。

視頻生成，簡(jiǎn)言之是通過(guò)生成式人工智能技術(shù)，將文本、圖片等多模態(tài)輸入，轉(zhuǎn)化為視頻信號(hào)。

當(dāng)前，視頻生成的技術(shù)路線主要有兩種。一種是擴(kuò)散模型，其中又分為兩類，一類是基于卷積神經(jīng)網(wǎng)絡(luò)的擴(kuò)散模型，如Meta的EmuVideo、騰訊等推出的VideoCrafter；一類是基于Transformer架構(gòu)的擴(kuò)散模型，如OpenAI的Sora、快手的可靈AI、生數(shù)科技的Vidu等。另一種是自回歸路線，如谷歌的VideoPoet、Phenaki等。

2024年7月26日，中國(guó)科技企業(yè)智譜AI面向全球用戶發(fā)布其自主研發(fā)的人工智能生成視頻模型清影（Ying）。圖為用戶登錄界面

目前，基于Transformer架構(gòu)的擴(kuò)散模型是視頻生成模型的主流選擇，也稱“DiT”（Di為Diffusion縮寫(xiě)，T為T(mén)ransformer縮寫(xiě)）。

文本“擴(kuò)散”為視頻？“擴(kuò)散在此指一種建模方式。”北京大學(xué)信息工程學(xué)院助理教授、博士生導(dǎo)師袁粒舉了一個(gè)生動(dòng)例子——

米開(kāi)朗琪羅在鑿刻著名的大衛(wèi)雕像時(shí)，說(shuō)過(guò)這樣一句話：雕塑本來(lái)就在石頭里，我只是把不要的部分去掉。“這句話很形象地形容了‘?dāng)U散’這一建模過(guò)程。原始的純?cè)肼曇曨l好比未經(jīng)雕琢的石塊。如何敲打這個(gè)大石塊，敲除多余的部分，直到把它敲成輪廓清晰的‘大衛(wèi)’，這樣的方式就是‘?dāng)U散’?！痹Ｕf(shuō)。

袁粒進(jìn)一步解釋：“Transformer就是一個(gè)神經(jīng)網(wǎng)絡(luò)，遵從‘規(guī)模規(guī)則’，執(zhí)行敲石塊的過(guò)程。它能處理輸入的時(shí)空信息，通過(guò)理解其內(nèi)部復(fù)雜關(guān)系來(lái)理解現(xiàn)實(shí)世界，使模型具備推理能力，既能捕捉視頻幀之間的細(xì)微聯(lián)系，也能確保視覺(jué)上的連貫、時(shí)間上的流暢?！?/p>

“效率搭子”，有多快

一只憨態(tài)可掬的北極熊被鬧鐘叫醒，背起行囊，乘坐直升機(jī)、轉(zhuǎn)乘高鐵、換乘出租車(chē)、登上輪船，跨越山河湖海、歷盡艱難險(xiǎn)阻，終于到達(dá)南極，與企鵝相會(huì)……

這部時(shí)長(zhǎng)1分半、名為《一路向南》的動(dòng)畫(huà)短片，由視頻生成模型Vidu完成。原本1個(gè)月的工作量，有了AI這個(gè)“效率搭子”的加入，僅用1周時(shí)間就制作出精良作品——效率是過(guò)去的4倍。

這讓北京電影節(jié)AIGC短片單元最佳影片得主、Ainimate Lab AI負(fù)責(zé)人陳劉芳心生感慨：視頻生成技術(shù)，讓高水平動(dòng)畫(huà)不再是大廠才敢玩的“燒錢(qián)游戲”。

AI動(dòng)畫(huà)《一路向南》的創(chuàng)作團(tuán)隊(duì)僅由3人構(gòu)成：一名導(dǎo)演、一名故事版藝術(shù)家、一名AIGC技術(shù)應(yīng)用專家。而以傳統(tǒng)流程制作的話，需要20人。算下來(lái)，僅制作成本就降低90%以上。

正如快手視覺(jué)生成和互動(dòng)中心負(fù)責(zé)人萬(wàn)鵬飛所言，視頻生成的本質(zhì)是從目標(biāo)分布中采樣計(jì)算得到像素。這種方式能以更低的成本，達(dá)到更高的內(nèi)容自由度。

進(jìn)入Vidu的視頻生成頁(yè)面，筆者也體驗(yàn)了一把“一鍵生成”的自由。上傳一張照片設(shè)置為“起始幀”或作為“參考的人物角色”，在對(duì)話框里輸入想要生成的場(chǎng)景的文字描繪，點(diǎn)擊“生成”，一條靈動(dòng)精彩的短視頻就自動(dòng)生成了。從進(jìn)入頁(yè)面到下載完畢，不足1分鐘。

將一張圖片發(fā)給國(guó)產(chǎn)視頻大模型Vidu，一段動(dòng)畫(huà)視頻隨即自動(dòng)生成。圖為視頻截圖

“‘人人成為設(shè)計(jì)師’‘人人成為導(dǎo)演’的時(shí)代將會(huì)到來(lái)，就像當(dāng)年‘人人擁有麥克風(fēng)’一般。”智譜AI首席執(zhí)行官?gòu)堸i說(shuō)。

“世界模擬器”，有戲嗎

視頻生成，顛覆的僅僅是內(nèi)容產(chǎn)業(yè)嗎？這顯然不是OpenAI的初衷。“生成視頻”只是一道“開(kāi)胃菜”。

Sora誕生之前，OpenAI并未將其定位為AIGC的實(shí)現(xiàn)工具，而是復(fù)刻物理世界的“容器”——世界模擬器。這一容器里，運(yùn)行著真實(shí)世界的物理規(guī)律、環(huán)境行為、交互邏輯，恰似《黑客帝國(guó)》描繪的虛擬世界，沖擊著我們的想象與感官。

然而，物理世界是三維的，目前的Sora等模型還只是基于二維運(yùn)作，并非真實(shí)物理引擎，也就談不到深層次的物理世界模擬。

“多年來(lái)，我一直表示，‘看到’世界即為‘理解’世界。但是現(xiàn)在我愿意將這個(gè)概念推進(jìn)一步，‘看到’不僅僅是為了‘理解’，而是為了‘做到’。”斯坦福大學(xué)講席教授李飛飛公開(kāi)表示，空間智能的底線是將“看到”和“做到”聯(lián)系在一起，有一天，AI將會(huì)做到這一點(diǎn)。

當(dāng)“看到”還不等于“做到”時(shí)，人工智能的創(chuàng)造就不能停。最近，又有新的技術(shù)路線出現(xiàn)了。不同路線之間你追我趕，共同向前，推進(jìn)這個(gè)由向量與模型構(gòu)造的智能世界。

未來(lái)的“世界觀”，依舊是一道尚未揭曉的謎題。正如美國(guó)物理學(xué)家費(fèi)曼所說(shuō)：“我不能創(chuàng)造一個(gè)我不理解的世界。”但這并不意味著，理解了一個(gè)世界，就一定能夠創(chuàng)造出一個(gè)世界。

此刻，依舊是顛覆到來(lái)的前夜。這就是為什么當(dāng)我們向技術(shù)探索者拋出關(guān)于未來(lái)的問(wèn)題時(shí)，會(huì)得到截然不同的答案。也許“不確定”，正是這個(gè)時(shí)代的幸事。

半月談?dòng)浾撸簭埪?編輯：范鐘秀

責(zé)編：秦黛新 / 校對(duì)：張子晴

原標(biāo)題《“文生視頻”離“AI生萬(wàn)物”有多遠(yuǎn)》