剛發布就被對標Sora,這個國產模型來頭這么大?
在AI視頻生成領域,國產模型Vidu以其驚人的真實度和創新能力引起了廣泛關注。Vidu能夠根據簡短的提示詞生成長達16秒的逼真視頻,其效果足以媲美Sora,甚至在某些方面超越了它。讓我們跟隨作者的視角,一起來看看吧。
前幾天,世超上網沖浪的時候,刷到了幾個 AI 視頻片段。
大船駛來的壓迫感,被風吹起的發絲和絲巾,太空人直接走進現實菜園。。。一幕幕把我看得是一愣一愣的。
真實度也是一絕,在湖邊隨著鏡頭移動,不僅光線跟著變化,連天空、樹木的變化都跟咱肉眼看到的沒差。
要不是右下角有水印,我還差點以為是 Sora 的視頻又上新了。
所以這次的主角不是 Sora ,也不是各位差友熟知的 Pika 、 Runway 那幾個 Sora 競品,而是初出茅廬的國產視頻大模型 Vidu 。
咱看到的那些視頻,就是前幾天, Vidu 在中關村論壇的人工智能主題日上公布的。
它最長能生成16秒,一句“木頭玩具船在地毯上航行”的提示詞,就能生成下面這長長的一段,一鏡到底的絲滑程度,怕是路過的謀子導演看了都會點贊。
Sora號稱能真實模擬物理世界的拿手戲, Vidu 照樣也能實現。
讓它生成一段“汽車加速駛過森林里鄉間小路”的視頻,像是樹林縫隙透過的陽光,后輪揚起的灰塵,都很符合咱們的日常認知。
而且 Vidu 的想象力比咱人還要豐富,畫室里的一艘船駛向鏡頭的場景,它分分鐘就能給“拍”出來,看這效果,不知道該有多少動效師瑟瑟發抖了。
甚至在某些提示詞下, Vidu 的理解能力比 Sora 還強,比如“鏡頭繞著電視旋轉”的提示詞, Sora 壓根兒就沒 get 到旋轉的意思,反而是 Vidu 能輕松理解。
有一說一,在看完 Vidu 的這些視頻后,世超是真覺得它是目前市面上,唯一一個能在畫面效果上和 Sora 拼一拼的模型。
雖然現在 16 秒的 Vidu 在時長上還比不上 60秒的 Sora ,但它的進步也確實是肉眼可見的快,據極客公園消息,上個月, Vidu 在內部只能生成 8 秒的視頻,上上上個月,還只能生成 4 秒的視頻。
反正媒體們都把 Vidu 比作是“ Sora 級視頻大模型”,網友們也都在評論區喊話催他們趕緊開放內測。
不過這里面世超更好奇的是,咱之前壓根兒都沒聽說過 Vidu ,怎么突然平地一聲雷,搞出了這么大的陣仗?
我們也順藤摸瓜找了找資料,發現Vidu身上,值得說道的東西還挺多,甚至仔細咂摸下,還能從Sora身上找出點Vidu的影子來(世超可沒說反)。
它背后是一家名叫生數科技的公司,別看這個公司才剛滿一周歲,但它可是在娘胎里就開始攢勁兒了。因為它的親媽,是清華系AI 企業瑞萊智慧,背后的研究團隊,幾乎全是這里面的人。
而在成立生數科技之前,團隊就已經把視頻大模型研究得很深入了。
尤其是在圖像生成這塊很火的擴散(Diffusion)模型,他們算是業內第一批研究這個模型的,整出來的論文也在 ICML 、 NeurIPS 、 ICLR 各種頂會發了個遍。
正是因為有這么好的底子,早在2022年9月的時候,團隊就找到了做 Vidu 的靈感,就是下面這篇論文。
世超讓AI幫咱解讀了下,大概的思路就是,擴散模型在生成圖像這塊挺強,而大語言模型里用的Transformer有個規模(Scale)效應,參數堆得越多,性能就越好。團隊就想著,能不能把這兩個的優點結合一下,整個融合架構,提升圖像生成的質量。
于是他們轉頭把擴散模型里面的 U-Net 給換成 Transformer ,還起了個名字叫 U-ViT ( Vision Transformers )。結果試下來發現這么一結合還真有用,光是相同大小的 U-ViT ,性能就比 U-Net 強了。
那好嘛,既然這條路走得通,他們也順勢把技術路線定在了 U-ViT 上。
然鵝。。。在團隊悄悄醞釀 Vidu 的時候,大洋彼岸的UC伯克利的一個研究,卻讓 OpenAI 的 Sora 捷足先登了。
就在清華小分隊提交論文的兩個月后,UC伯克利也在預印平臺ArXiv上提交他們的論文了,一樣說要把Transformers揉在擴散模型里面,只不過名字起的更直白了點,叫DiT( Diffusion Transformers )。
看著是不是挺眼熟,沒錯, OpenAI 的 Sora 模型,用的就是伯克利的 DiT 技術路線。
但因為清華小分隊早發了兩個月,當年的計算機視覺頂會CVPR 2023還以“缺乏創新”的由頭,拒了 Sora 的 DiT ,收錄了 U-ViT 。
而且早在2023年年初的時候,清華小分隊還用U-ViT,訓練出了一個近10億參數量的開源大模型 UniDiffuser 。
算是第一個用行動證明了,融合架構也遵守 Scaling Law 這一套規則,也就是說隨著計算量、參數量越來越大,模型的性能就會隨指數級上升。而這個 Scaling Law ,同樣也是 Sora 這么強的秘密武器。
所以照這么來盤算,Sora其實還得叫Vidu一聲祖師爺才對。。。
但現實世界卻是, DiT 被 OpenAI 帶著一路飛升。
清華小分隊呢,計算資源沒 OpenAI 那么到位,也沒 ChatGPT 這種珠玉在前,總之就是啥啥都不完善,他們只能慢慢來,先做圖像、 3D 模型,等有家底兒了,再去做視頻。
好在他們身上還是有點實力在的,穩扎穩打慢慢也趕上來了。去年 3 月,清華小分隊們成立了生數科技后,就在馬不停蹄地搞自家的產品,現在圖像生成和 3D 模型生成大伙兒都能免費用了。
并且靠著這兩個產品,剛滿一周年,它就攢了好幾億的家底。
像是成立 3 個月的時候,就完成了一波近億級的天使輪投資,上個月,又完成了新一輪的數億元融資。參與投資的,也都是智譜 AI 、 BV 百度風投等等業內大佬。
反正看這波架勢, Vidu 還真有可能成為國內的黑馬,去對標 OpenAI 的 Sora 。
不過生數科技那邊,倒是覺得只把 Vidu 看作國產版的 Sora ,實在是有點缺乏想象力了,因為他們給 Vidu 的定位,可不僅僅是個視頻模型,而是圖、文、視頻全都要,只不過現在視頻暫時是重點。
當然了,好聽話誰都會說,能不能搞出來,咱還得實打實地看成品。
世超已經去排了隊,等拿到內測資格,再跟大伙兒同步一波。。。
圖片、資料來源:
Scalable Diffusion Models With Transformers
All are Worth Words:A ViT Backbone for Diffusion Models
機器之心,專訪生數科技唐家渝:清華系團隊拿到上億融資,用Transformer來做多模態大模型
界面新聞,生數科技完成新一輪融資,國內多模態大模型廠商著力追趕Sora
極客公園,國產 Sora 的秘密,藏在這個清華系大模型團隊中
新智元,圖靈諾獎得主等大佬齊聚海淀!清華版Sora震撼首發,硬核AI盛會破算力黑洞
撰文:松鼠;編輯:江江 & 面線
來源公眾號:差評(ID:chaping321),Debug the World。
本文由人人都是產品經理合作媒體 @差評 授權發布,未經許可,禁止轉載。
題圖來自 Unsplash,基于 CC0 協議。
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論,等你發揮!