早間投資機會：AI文生視頻大模型出爐 預計視頻生產(chǎn)成本有所降低
美國人工智能公司OpenAI發(fā)布了最新的“文生視頻”大模型Sora，并同時公布了一系列樣片，展現(xiàn)了較為驚艷的視頻生成效果。盡管Sora仍處于開發(fā)早期階段，但它的推出類似于2021年問世的OpenAI初代“文生圖像”系統(tǒng)DALL-E，標志著AI生成視頻有望提速。 現(xiàn)階段，文字、圖片、音頻的AI生成都已較為成熟，圖片領(lǐng)域Stable Diffusion、Midjourney等工具已廣泛應(yīng)用于游戲、廣告營銷行業(yè)的日常經(jīng)營之中，但AI視頻生成的應(yīng)用尚不完善。而移動互聯(lián)網(wǎng)中，視頻是消耗用戶時長最多的內(nèi)容形態(tài)。AI生成視頻短期可以應(yīng)用在廣告營銷、短劇等對畫質(zhì)要求較低的領(lǐng)域，長期則在影視制作等領(lǐng)域有較大空間。 AI視頻生成的難點在于，一方面視頻是連續(xù)的多幀圖像，并且要有邏輯性，并非簡單的圖片組合，另一方面帶來模型復雜度提升、計算難度和成本的提升，此外，文生視頻需要大量的“文本-視頻”配對數(shù)據(jù)，而目前缺乏多樣化的數(shù)據(jù)集，且數(shù)據(jù)標注的工作量較大。因而此前視頻大多為5-15秒，而Sora將視頻時長提升至1分鐘，支持生成多個鏡頭，同時基本維持了角色和視覺風格的一致性，并能在一定程度上“理解”現(xiàn)實世界。 技術(shù)角度來看，Sora采用了“擴散+Transformer”的視頻生成大模型技術(shù)路線，可謂有了里程碑式的技術(shù)進步。相比以往使用的同為擴散模型的U-Net，Transformer架構(gòu)的參數(shù)可拓展性強，即參數(shù)量增加，性能加速提升，同時支持任意分辨率、長寬比、時長的視頻訓練數(shù)據(jù)，不會因為壓縮導致訓練數(shù)據(jù)質(zhì)量下降。此外，Sora訓練了能在時間和空間上壓縮視頻的自編碼器，這也是其能夠大幅提升生成視頻時長的原因。 商業(yè)角度來看，從“idea或IP→內(nèi)容生產(chǎn)→內(nèi)容分發(fā)”的產(chǎn)業(yè)鏈，長期預計視頻生產(chǎn)的成本將大幅降低。目前AI生成視頻的水平還有待提升，可能更適合做對視頻質(zhì)量要求低的互聯(lián)網(wǎng)廣告素材，如游戲買量素材等。由于Sora基本處于閉源狀態(tài)，技術(shù)細節(jié)并未公布，相比于GPT有較多開源模型而言，國內(nèi)視頻生成模型方面尚有差距，利好有idea但落地較慢的動畫電影公司、IP公司、以及能夠降本增效的游戲行業(yè)。 |
