Sora的最強(qiáng)競爭對手，來自中國

　　今年2月發(fā)布的Sora，先是引得業(yè)界“哇聲一片”，馬斯克直接表態(tài)「人類愿賭服輸」;周鴻祎說借助Sora人類實(shí)現(xiàn)AGI將縮減至一兩年。

　　大佬的彩虹屁不是白吹的。利用Diffusion+Transformer架構(gòu)，Sora借助圖像處理、空間關(guān)系、物理規(guī)律、因果邏輯等規(guī)律與知識，在十幾秒、幾十秒的視頻中完成對現(xiàn)實(shí)世界的解構(gòu)與再造。

　　但沒過多久人們就發(fā)現(xiàn)，再多的“哇聲一片”也改變不了Sora算法閉源的事實(shí)，意味著它無法復(fù)現(xiàn)。留給外界的是一道單選題：要么加入，要么自研。

　　變局

　　在Sora發(fā)布后兩個月，大洋彼岸突然有一家初創(chuàng)公司，與清華大學(xué)聯(lián)手，推出了一款號稱“繼Sora后首個完成突破的視頻大模型”——Vidu。

　　這是中國首個長時長、高一致性、高動態(tài)性的視頻大模型。在官方介紹中，Vidu采用原創(chuàng)U-ViT架構(gòu)，結(jié)合Difusion與Transformer技術(shù)，能夠一鍵生成長達(dá)16秒、1080P分辨率的高清視頻。

　　在對標(biāo)Sora的性能指標(biāo)里，Vidu也只有在時長和圖/視頻生視頻上不敵。按照業(yè)內(nèi)的評價，Vidu性能直接對標(biāo)國際頂尖水平，并在加速迭代提升中。

　　從Vidu放出的官方視頻來看，它幾乎展示了視頻大模型需具備的所有核心能力：多鏡頭生成、模擬真實(shí)世界、保持時空一致性、豐富的想象力，以及讓老外難以搞懂的中國元素。

　　作為“鏡頭語言”，多鏡頭生成是視頻大模型的一堂必修課�，F(xiàn)有的AI生成視頻，大多都只包含了輕微幅度的推、拉、移等簡單鏡頭，鏡頭語言單調(diào)而且也沒什么敘事感，這是硬傷。

　　究其原因，是因?yàn)楝F(xiàn)有視頻內(nèi)容沿用的技術(shù)路徑大多通過圖片的插幀和拼接而成，無法完成長時序的連貫預(yù)測。

　　Vidu似乎沒有上述問題，不僅能夠圍繞統(tǒng)一主體在一段畫面里實(shí)現(xiàn)遠(yuǎn)、中、近景、特寫等多樣化鏡頭切換，還能直接生成轉(zhuǎn)場、追焦、長鏡頭等效果，包括能夠生成影視級的鏡頭畫面。

　　AI視頻生成的另一個難題是，較難突破畫面時空一致性與場景。什么是畫面時空一致性，翻譯過來就是在沒有任何轉(zhuǎn)場的情況下不能突變。一個典型的例子就是某些大模型的視頻中，一只貓走著走著就變成了6只腳。

　　Vidu在一定程度上也克服了這個問題，起碼從它生成的一段“帶珍珠耳環(huán)的貓”的視頻中可以看到，隨著鏡頭的移動，作為畫面主體的貓?jiān)?D空間下能夠一直保持服飾、表情、模態(tài)的一致，視頻整體看上去非常的連貫、統(tǒng)一和流暢。

　　模擬真實(shí)物理世界運(yùn)動同樣是視頻大模型的核心，Vidu在對外放出的展示視頻中，有一段明顯是瞄著Sora打：模擬“一輛老式SUV行駛在山坡上”，Vidu的表現(xiàn)堪稱完美，灰塵、光影、背景等細(xì)節(jié)與真實(shí)世界中人類的感知幾乎無差。

　　在對不存在的超現(xiàn)實(shí)主義畫面解構(gòu)上，Vidu也能做到“合理的奇幻”。例如，“帆船”、“海浪”能夠合理地出現(xiàn)在畫室里，而且海浪與帆船的整體交互背景非常恰當(dāng)自然。

　　當(dāng)然，作為本土團(tuán)隊(duì)開發(fā)的視頻大模型，Vidu對中國元素的理解遠(yuǎn)超那些舶來品，比如熊貓、龍、宮殿場景等。

　　德邦證券在一份研報中給予了Vidu高度評價：

　　雖然在視頻時長、視頻效果、支持模態(tài)多樣性等方面相比Sora仍有提升空間，但是在以鏡頭語言為代表的動態(tài)性，以及對物理世界規(guī)律的理解與模擬能力等方面已做到了Sora相近水平。

　　最后還不忘給Vidu貼上一個鯰魚標(biāo)簽，意思是它或?qū)⒓�勵國產(chǎn)多模態(tài)大模型突破創(chuàng)新。那么問題來了，憑什么是Vidu?

　　U-ViT架構(gòu)

　　Vidu背后的生數(shù)科技，并不是一家名不見經(jīng)傳的初創(chuàng)企業(yè)。

　　OpenAI曾披露過一份技術(shù)報告，顯示Sora的核心技術(shù)架構(gòu)源自一篇名為《Scalable Diffusion Models with Transformers》的論文，論文提出了一個將 Diffusion(擴(kuò)散模型)和 Transformer融合的架構(gòu)——DiT，也就是后面被Sora采用的那個。

　　而在DiT提出前兩個月，清華團(tuán)隊(duì)就提出了用Transformer替代基于CNN的U-Net的網(wǎng)絡(luò)架構(gòu)U-ViT，也就是Vidu采用的那個。甚至，據(jù)極客公園報道，因?yàn)閁-ViT更早發(fā)布，計(jì)算機(jī)視覺頂會CVPR 2023收錄了清華大學(xué)的U-ViT論文，卻以「缺乏創(chuàng)新」為由拒稿了Sora底層使用的DiT論文。

　　生數(shù)科技的核心團(tuán)隊(duì)就源于清華大學(xué)該論文團(tuán)隊(duì)，CTO鮑凡正是該篇論文的一作。嚴(yán)格意義說，Vidu并不是“國產(chǎn)Sora”，而是一棵樹上的兩朵花。

　　之所Vidu能在兩個月內(nèi)快速突破16s流暢視頻生成，核心就在于團(tuán)隊(duì)對U-ViT架構(gòu)的深入理解以及長期積累的工程與數(shù)據(jù)經(jīng)驗(yàn)。而且據(jù)透露，3月份內(nèi)部就實(shí)現(xiàn)了8秒的視頻生成，緊接著4月份就突破了16s生成。

　　簡單來說，在架構(gòu)上U-ViT也是Diffusion和Transformer融合的架構(gòu)，路徑以及部分結(jié)論都是相似的。

　　U-ViT與DiT二者均提出了將Transformer與擴(kuò)散模型融合的思路，即以Transformer的網(wǎng)絡(luò)架構(gòu)替代基于CNN的U-Net架構(gòu)，并且具體的實(shí)驗(yàn)路徑也是一致的。比如，二者采用了相同的patch embedding、patch size;二者得出了同樣的結(jié)論：patch size為2*2是最理想的。

　　不同于采用插幀等處理長視頻的方法，U-ViT架構(gòu)在感官上注重“一鏡到底”，視頻質(zhì)量更為連貫與自然。從底層來看，這是一種“一步到位”的實(shí)現(xiàn)方法，基于單一模型完全端到端生成，不涉及中間的插幀和其他多步驟的處理，文本到視頻的轉(zhuǎn)換是直接且連續(xù)的。

　　有了理論支撐，就要考研團(tuán)隊(duì)的工程化能力了。所謂工程化，抽象點(diǎn)說就是增強(qiáng)產(chǎn)品的架構(gòu)設(shè)計(jì)，提升產(chǎn)品模塊的復(fù)用性和擴(kuò)展性。

　　2023年3月，基于U-ViT架構(gòu)，生數(shù)科技團(tuán)隊(duì)開源了全球首個基于U-ViT融合架構(gòu)的多模態(tài)擴(kuò)散模型UniDiffuser，率先完成了U-ViT架構(gòu)的大規(guī)�？蓴U(kuò)展性驗(yàn)證，比同樣DiT架構(gòu)的Stable Diffusion 3領(lǐng)先了一年。

　　UniDiffuser是在大規(guī)模圖文數(shù)據(jù)集LAION-5B上訓(xùn)練出的近10億參數(shù)量模型，支持圖文模態(tài)間的任意生成和轉(zhuǎn)換，具有較強(qiáng)的擴(kuò)展性。簡單來講，除了單向的文生圖，還能實(shí)現(xiàn)圖生文、圖文聯(lián)合生成、無條件圖文生成、圖文改寫等多種功能。

　　視頻本質(zhì)是圖片的集合，實(shí)現(xiàn)圖像在時間維度的擴(kuò)增，這使得圖文任務(wù)取得的成果往往可以在視頻領(lǐng)域復(fù)用。

　　例如，Sora采用了DALL・E 3的重標(biāo)注技術(shù)，通過為視覺訓(xùn)練數(shù)據(jù)生成詳細(xì)的描述，使模型能夠更加準(zhǔn)確地遵循用戶的文本指令生成視頻。Vidu同樣復(fù)用了生數(shù)科技在圖文領(lǐng)域的眾多經(jīng)驗(yàn)，靠的就是扎實(shí)的工程化能力。

　　根據(jù)甲子光年，生數(shù)科技團(tuán)隊(duì)通過視頻數(shù)據(jù)壓縮技術(shù)降低輸入數(shù)據(jù)的序列維度，同時采用自研的分布式訓(xùn)練框架，在保證計(jì)算精度的同時，通信效率提升1倍，顯存開銷降低80%，訓(xùn)練速度累計(jì)提升40倍。

　　目前，Vidu仍在加速迭代，未來將從圖任務(wù)的統(tǒng)一到融合視頻能力持續(xù)升級，靈活的模型架構(gòu)也將能夠兼容更廣泛的多模態(tài)能力。

　　加速向應(yīng)用端延伸

　　以O(shè)pen AI與Google為代表的科技巨頭，正在海外掀起一場多模態(tài)“軍備競賽”，而最大的目標(biāo)之一正是視頻領(lǐng)域的加速迭代。

　　先是OpenAI CEO年初密集“劇透”GPT-5，相比GPT-4實(shí)現(xiàn)全面升級，其中將支持文本、圖像、代碼和視頻功能，或?qū)��?shí)現(xiàn)真正的多模態(tài)。緊接著就是2月發(fā)布的Sora，能夠根據(jù)文本指令或靜態(tài)圖像生成1分鐘的視頻。

　　Google也不遑多讓，推出的原生多模態(tài)大模型Gemini可泛化并無縫地理解、操作和組合不同類別的信息。而2月推出的Gemini 1.5 Pro，則使用MoE架構(gòu)首破100萬極限上下文紀(jì)錄，可單次處理包括1小時的視頻、11小時的音頻、超過3萬行代碼或超過70萬個單詞的代碼庫。

　　國內(nèi)也不甘人后，除生數(shù)科技發(fā)布Vidu外，潞晨科技對其開源文生視頻模型Open-Sora 進(jìn)行了大更新，現(xiàn)在可生成16秒，分辨率720P的視頻。同時具備可以處理任何寬高比的文本到圖像、文本到視頻、圖像到視頻、視頻到視頻和無限長視頻的多模態(tài)功能，性能加速向Sora靠齊。

　　而國內(nèi)外瘋狂押注的底層邏輯是，多模態(tài)提升了大模型的泛化能力，在多元信息環(huán)境下實(shí)現(xiàn)了“多專多能”。多模態(tài)尤其是視頻大模型的成熟成為奠定AIGC應(yīng)用普及的基礎(chǔ)，在垂直領(lǐng)域具有廣闊的應(yīng)用場景和市場價值。

　　比如上個月Adobe就宣布，將Sora、Pika、Runway等集成在視頻剪輯軟件Premiere Pro中。在發(fā)布短片中，Premiere Pro展現(xiàn)出了在視頻中添加物體、消除物體以及生成視頻片段等能力。

　　通過AI驅(qū)動的音頻功能已普遍可用，可使音頻的編輯更快、更輕松、更直觀。而AI驅(qū)動的視頻功能，將是多模態(tài)大模型在AIGC應(yīng)用融合中的重要嘗試，更深層的意義是，它或?qū)⒋呱�未來更多現(xiàn)象級應(yīng)用的開發(fā)。