假期輕松愉快,沒太關注時事。

沒想到一覺醒來,朋友圈突然被一則新聞刷屏:OpenAI發布文生視頻模型Sora 。

好家夥,瞬間給我拉回工作氛圍。

人們一直期待GPT-5,但Sora帶來的轟動不亞於GPT-5的發布。

之前大家還在關注,谷歌推出的Gemini能否殺死GPT4,全世界各大科技巨頭能否在這波AI浪潮中彎道超車。

現在,顯然沒人關注了。

因爲OpenAI自己可能要用它先殺死GPT-4了。

我上官網(https://openai.com/sora)看了演示視頻,無論從視頻流暢度還是細節表現能力上,Sora的效果都相當驚豔。

難怪有人說:現實,不存在了。

比如官推裏這條14秒的東京雪景:美麗的,被雪覆蓋的東京正繁忙着。鏡頭穿過繁忙的城市街道,跟隨着幾個享受雪景和在附近攤位購物的人。美麗的櫻花瓣隨風飄落,與雪花一同飛舞。

盡管我們能感覺到,還有那么一些不自然。但當素材用,已經足矣。

又比如下面這張對法令紋和痘印的刻畫,只要不去吹毛求疵,確實已經足夠真實。

說句不該說的,這張圖,至少看起來比坐在美顏前面的女主播們真實……

網友們也第n+1次紛紛哀悼起相關賽道的公司們:

“OpenAI就是不能停止殺死創業公司。”

“天哪,現在起我們要弄清什么是真的,什么是假的。”

“我的工作沒了。”

“整個影像素材行業被血洗,安息吧。”

……


01 

現實與虛擬的界限 


其實,文字生成視頻這回事,早就不新鮮了。

2023年8月,RunwayGen2正式推出,AI生成式視頻正式進入大衆視野。

到今年初,不計其數的產品一個接一個,PIKA、Pixverse、SVD、Genmo、Moonvalley……等等等等。

太多了,也太卷了。

我們能明顯感覺到,最近小半年刷的短視頻裏,多了很多不自然的視頻。稍微品一品,就能察覺這肯定不是人工剪輯的。

首先,沒有超過4s的連貫鏡頭;其次,很不自然。

這些實用的工具,基本都是小公司出品的,功能並不完善。

說不完善都還算保守了,簡直就是漏洞百出。

視頻內容歸根結底,是對現實世界的還原。既然如此,那其中必然包含大量交互鏡頭——物與物、人與人、人與物,等等。

就像用攝像機拍出來的片段一樣。

我們看電影、看視頻,看的也是交互,相信沒幾個人喜歡看一個人的獨白。

比如,玻璃杯從桌子上摔到地上,它應該碎掉;像皮球摔到地上,它應該彈兩下。

但讓AI去合成這類場景,你就會發現,它並不會還原以上的物理現象。物體與物體碰撞或疊加到一起,AI只會讓其中一方變形。

這說明了一個關鍵問題:過去的AI並不理解現實世界的規律。

不符合人類常識的視頻,能有多大市場呢?

不理解基礎物理的AI,它的上限能有多高?

想要解決這個問題,難不難?很難。

現在的AI大模型,雖然是模擬的人腦,但畢竟有所區別。

最本質的區別在於:AI 沒有想象力。

比如,你一巴掌扇在我臉上,面部肌肉如何顫動?把一顆魚雷扔進池塘,水面如何散开?

我們可以想象到後續會發生的事情,AI 不能。

無論它的參數堆得多高、計算速度再快,都不能。

即便是目前的Sora也做不到。

從各種演示例子中可以看到,雖然Sora 對自然語言有着深入的理解,能夠准確洞悉提示詞,生成表達豐富的內容,甚至可以創建多個鏡頭、保持角色和視覺風格的一致性。

但是,它依然無法准確模擬出復雜場景的物理現象,因爲它不理解因果關系。

比如,人咬了一口餅幹,但餅幹上沒有咬痕;又或者混淆左右、不遵循特定的攝像軌跡;甚至無法理解,影子是人的影子還是物的影子……

如此一來的結果,便是合成有違物理常識的視頻。

既然如此,Sora到底牛在哪裏,爲什么這么多人追捧它?

因爲它其實做得足夠好了,至少比同行們好太多了。

用Fortune雜志的話來說就是:將生成式AI之战轉移到了好萊塢。

用官網的話來說,它能夠生成包含多種角色和特定類型的運動,主體和背景細節准確;還能理解事物在物理世界的存在方式。

簡單來說,它雖然還不能理解需要想象力的因果律,但最基本的現實場景,它是可以還原的。

AI生成視頻這一條賽道,誕生至今還不到1年,我們確實不能要求太高。

如果把上文描述的內容當做終結目標,把去年至今的一系列生成工具作爲雛形,Sora大概處在兩者之間。

它是如何做到的?


02 

誰站在巨人肩上? 


Sora主要採用了兩種技術。

一個是擴散模型(diffusion model),原本是用於文字轉圖片的。

簡單來講,是先生成一張全是noise(噪聲)的圖片,與目標圖片的vector尺寸相同(比如目標圖片是256*256,初始sample圖片也要是256*256),然後經過若幹次denoise(去噪聲),讓圖片逐步成型。

問題在於,大模型怎么知道去除什么?保留什么?

當然需要訓練。

研究人員得先用清晰的圖片,一步一步加噪聲進去,如下圖。

這是上圖的逆序,即反向擴散。

看懂了上面兩個步驟,你才能理解MIT Technology Review究竟在說啥:

Sora的團隊使用了DALL-E 3背後的技術,即擴散模型。擴散模型經過訓練後可以將模糊的隨機像素變成圖片。

其原理並不復雜,但需要時間和人力成本。

另一項技術是Transformer的神經網絡,就是GPT(Generative Pre-Trained Transformer)中的T。

但是,Transformer 架構人盡皆知,在文字、圖像生成上已經成爲主流,爲什么別人沒想着在視頻生成上用,就OpenAI 用了呢?

用技術的話來說:Transformer 架構中,全注意力機制的內存需求會隨着輸入序列長度而二次方增長。

說人話就是:計算成本太高了。

即便OpenAI背靠微軟,各種融資拿到手軟,也不愿意這樣燒錢。

所以他們开發了一個視頻壓縮網絡,先把視頻數據降維到latent(潛空間),再將壓縮過的數據生成 Patche,這樣就能使輸入的信息變少,有效減小計算量壓力。

然後,爲了讓大模型更好理解用戶的意思,OpenAI 直接把文生視頻模型套進已經得到市場認可的GPT模型範式中,這就是它獨有的優勢了。

使用者輸入的提示詞,並非直接交給Sora,而是先讓成熟的GPT將文本進行精准詳細的擴寫。

Sora再根據GPT提供的詳細文本,逐幀生成更准確的視頻。

說實話,個人認爲,這才是Sora有別於其他模型的最大優勢。

其他團隊即便能解決其他步驟,但沒有成熟的大模型,也是白搭。

整體上看,Sora的成功幾乎是水到渠成的。

它能有如今驚豔的表現,基本全部得益於OpenAI過去的成果,有些是借用了思路,有些則是不可或缺的基本架構。

這就是所謂的先發優勢了,它不僅僅體現在老生常談的壟斷問題上面。

一生二、二生三、三才生萬物。

反觀OpenAI此時此刻全世界的各大競爭對手,無一例外全部卡在文生文、文生圖上。

更有甚者,連一都沒有的,還是老老實實抓緊做底層。不然等先發者三生萬物了,真的是什么都晚了。

我們能明顯感覺到,AI比過去任何行業的迭代都要快。

也許,這個技術差只要維持兩年,就會變成永遠無法逾越的鴻溝。

所謂“差距只有幾個月”、“彎道超車”,基本是不存在的。


03 

尾聲 


正如上文所說,Sora目前仍有很大缺陷。

它能生成復雜、精美且足夠長的視頻,這證明AI在理解現實世界的能力上有相當大的提升。

但這種提升,依然基於大量的訓練,而不是AI本身對世界的理解。Sora對視頻的處理依舊是有很多局限性,甚至包括很基本的事實錯誤。

所以Sora給人的感覺雖然震撼,但還稱不上這兩天熱烈討論的“世界模型”。

所謂“現實不存在了”,絕對不是指現在。

但未來說不准。

在我們普通人眼中,Sora就是個文生視頻模型。它的出現,意味着大多數影視、視頻制作從業人員,即將失業。

但對OpenAI團隊而言,並不僅此而已——這必然是他們構建AGI(通用人工智能)的重要環節。

AGI與世界的交互不僅體現在文字、圖片和語音等形式上,還有更直接的視覺視頻,這也是人類自古以來認知和理解世界最重要的方式。

所以生成視頻、理解視頻和理解物理世界,是未來AGI必備能力之一。

此時此刻,我們還能想象得到,生成式AI會對影視、遊戲制作行業造成天翻地覆的影響。

等到通用人工智能問世的那一刻,AI到底能做什么、會對世界造成多大的影響?

所有人都能想象到的,是必然會應用到具身智能,也就是機器人上。

但除此之外呢?抱歉,想象力有限,真的想象不出來。

或許,AI真的就是全人類期待了幾十年的那個技術奇點。你知道某些事情會發生,但無法想象究竟是什么事。(如果能想象,那也就不叫奇點了)

只能祈禱,未來是星辰大海,商機遍地。(全文完)



標題:OpenAI炸裂升級!又一個行業被幹掉了

地址:https://www.iknowplus.com/post/81310.html

鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播信息之目的,不構成任何投資建議,如有侵權行為,請第一時間聯絡我們修改或刪除,多謝。