文|陸玖商業(yè)評論
拋開技術(shù)路線不談,單就實現(xiàn)效果而言,國內(nèi)大模型企業(yè)們在生成視頻方面,是否有著同樣的“飛升機會”?
龍年的第一個月,正如去年的ChatGPT,OpenAI開年再出一王炸——文生視頻領(lǐng)域的Sora。
面對這樣的AI生成能力,包括幾乎所有類型的從業(yè)者都感受到了不小的震動。一位IT出身的電影制片人告訴陸玖商業(yè)評論,Sora的的驚艷表現(xiàn),讓他周圍的從業(yè)者都有了不小的危機感。電影制作成本的急劇下降,和新銳電影人的出頭,將會比以往更加容易。
不過,在面對陸玖商業(yè)評論提出的“Sora是否已具備商業(yè)化條件”“文生視頻對于算力的要求是否更高,以及如何解決”等問題時,這位制片人則用“發(fā)展問題,發(fā)展解決”的說法給出回復(fù)。
這顯然過于樂觀。畢竟更多從業(yè)者認(rèn)為,從概念到成熟的工業(yè)化商用階段,即便是Sora也有很多不成熟的地方。
也因此,拋開技術(shù)路線不談,單就實現(xiàn)效果而言,國內(nèi)在文生文等通用模型有相關(guān)布局的大模型廠商,是否有著同樣的“飛升機會”?文生視頻,到底相比過去文生文,有哪些實質(zhì)性的飛躍?這是一個很有意思的話題。
Sora,革命還是泡沫?
必須承認(rèn), Sora 的出現(xiàn),讓通用人工智能( AGI )的實現(xiàn),又近了一步。原因在于,它已經(jīng)做到了模擬真實物理世界的運動,譬如物體的移動與相互作用。
不過,僅僅是這種程度的改進,也算不得“驚艷”。根據(jù)OpenAI的官方報告,Sora的“革命性”主要體現(xiàn)在下面幾點。
首先是時長。作為通用的文生視頻大模型,它能根據(jù)用戶提供的文本描述生成長達60秒的視頻,不僅品質(zhì)上乘,且能更完整準(zhǔn)確地還原用戶輸入的prompt,即提示詞。
其次,是在場景的復(fù)雜度和角色生成水平的突破。到目前為止,Sora已經(jīng)能夠生成包括多個角色、特定運動類型以及主題精確、背景細(xì)節(jié)復(fù)雜的場景。且鏡頭語言也開始復(fù)雜,這使得視頻本身開始具有一定的敘事功能,而這正是目前短視頻領(lǐng)域所需要的東西。
再次,除了文本生視頻,Sora還能做到從靜態(tài)圖像開始動畫化圖像,抑或是從已有視頻生成新視頻,實現(xiàn)填補缺失幀或者延展視頻內(nèi)容的效果。
一位資深科技媒體人對陸玖商業(yè)評論表示,Sora這類AI產(chǎn)品的出現(xiàn),是一種“思維平權(quán)”的機會,因為一些長期跟蹤行業(yè)的科技記者,經(jīng)常會有一些“腦洞大開”的設(shè)想,但沒有合適的工具讓想法落地。但有了GPT和Sora這類AI工具之后,記者們一旦看到了機會和想法,AI就可能會幫助他實現(xiàn)產(chǎn)品,剩下的就是驗證這個產(chǎn)品的可行性。
但陸玖商業(yè)評論在與多個行業(yè)人士交流以后發(fā)現(xiàn),即便是眼下風(fēng)光無限的Sora,同樣有被高估的可能性。
行行AI董事長李明順對此較為理性,在他看來,Sora的出現(xiàn),很大程度上是文生文的通用模型,延展到視頻領(lǐng)域的階段性技術(shù)迭代。Sora能有如今的質(zhì)變,很大程度上也是算力和資金不設(shè)上限投入,再加以海量訓(xùn)集的不斷重復(fù)訓(xùn)練,這是“大力出奇跡”的結(jié)果。
相比技術(shù)實現(xiàn)上的優(yōu)越,Sora在“資源稟賦”上的優(yōu)越,顯然跟國內(nèi)一眾“算力荒”廠商拉開了更大的距離。這是國內(nèi)大模型相關(guān)廠商,在相當(dāng)長時間里難以逾越的鴻溝。
而從投資角度而言,Sora這類垂直領(lǐng)域的“通用模型”也算不得熱門標(biāo)的。
一位一級市場從業(yè)者告訴陸玖商業(yè)評論,純一級市場投資,通常只會投資大概念和高估值標(biāo)的。原因主要在于一級市場的基金存續(xù)期是7年,投資期2年,5年退出是大概率事件。但文生視頻的垂直模型在5年內(nèi)能否實現(xiàn)工業(yè)化商用,誰都無法下定論。
此外,目前的Sora,所有已知信息只有2月15日發(fā)布的技術(shù)報告,但在3天后就傳出了融資新聞。在沒有開放使用、外界不知其實際水平的情況下,在風(fēng)投公司Thrive Capital牽頭融資中,OpenAI的估值已經(jīng)逼近800億美元。這位一級市場從業(yè)者向陸玖商業(yè)評論坦言,這次技術(shù)發(fā)布很可能是OpenAI“估值管理”的一部分。
昆侖萬維的董事長周亞輝在朋友圈表示,“(硅谷)這邊的Scientist和工程師根本不認(rèn)除了Open Al以外的創(chuàng)業(yè)公司股票價值,覺得都是紙面財富。寧可要OpenAI.谷歌、FB、微軟100萬Package(一半股票)的Offer,也不要創(chuàng)業(yè)公司300萬(80%股票)的Offer?!?/p>
可見,Sora之后,OpenAI進一步拉大了與其他AI大廠的差距。
國產(chǎn)大模型,廠商們的危與機
盡管Meta 、 Google以及微軟都在蠢蠢欲動,但相較于 資本市場對 Sora 的瘋狂,國內(nèi)大模型廠商則顯得冷靜得多。國內(nèi)大廠大多數(shù)選擇的,仍是立足于自身應(yīng)用的大模型開發(fā),并非去追求所謂的原生態(tài) AI 大模型升級。
字節(jié)即是其中之一,其對于生成式AI的保守態(tài)度,早在文生文階段就已經(jīng)體現(xiàn)。而從入局時間看,字節(jié)并不晚。據(jù)晚點報道,2020年6月OpenAI發(fā)布GPT-3后,字節(jié)曾訓(xùn)練了一個數(shù)十億參數(shù)的生成式語言大模型。
如果按部就班開發(fā),到2023年時,字節(jié)與OpenAI的GPT,距離不會很遠(yuǎn)。只是在ROI掛帥的業(yè)務(wù)體系下,字節(jié)這筆投資顯然沒有算過賬來。因此,其在生成式AI的探索上,始終相較競品慢了一些。
從發(fā)布時間來看,百度文心一言于2023年3月份發(fā)布,同年10月便迭代至4.0版,緊隨其后的是阿里的通義千問、騰訊混元助手,而字節(jié)發(fā)布云雀大模型的發(fā)布時間是2023年8月。
后發(fā)導(dǎo)致的結(jié)果之一,是用戶量不足——文心一言的月活去年就已經(jīng)破億,字節(jié)的豆包仍然在千萬以下。不過,字節(jié)在選派張楠執(zhí)掌剪映之后,有望在生成式AI的進度上更快一點。
如果說字節(jié)在文生視頻領(lǐng)域暫時沒有看到可立即使用的產(chǎn)品,那么百度和阿里則不然。早在去年的百度世界大會上,百度已經(jīng)演示過文心一言的文生視頻能力,主要集成在“一鏡流影”插件當(dāng)中。
當(dāng)然,出現(xiàn)在世界大會現(xiàn)場的生成視頻,只是一鏡流影無數(shù)次抽卡中的成功案例。陸玖商業(yè)評論經(jīng)過測試發(fā)現(xiàn),一鏡流影仍然存在一些局限。
其一是素材庫。目前一鏡流影使用的是無版權(quán)素材庫,這導(dǎo)致無法用于特定品牌的工業(yè)化商用環(huán)節(jié)。
其二是出于可能的肖像權(quán)考慮,目前無法生成帶人像的視頻,但可用于生成不帶商標(biāo)的商品視頻。
其三則是,目前生成的視頻,都是30秒左右的,如果想要達到與Sora類似的效果,還需要做到兩段視頻素材的拼接。如果要保持內(nèi)容和風(fēng)格的一致,顯然變成了難事。
通義千問目前用的最多,熱度最大的相關(guān)技術(shù),則是以全民舞王為代表的圖生視頻技術(shù)。只需一張全身照,就可以讓其做出各種熱門的舞蹈動作。在B站,以慈禧等歷史人物跳科目三的二創(chuàng)視頻,加起來的視頻播放量,大約在千萬級別。
雖然還沒有做到工業(yè)化的水準(zhǔn),也沒有與國外的Sora拉平差距,但國外的Sora同樣也沒有做到工業(yè)化,這也就意味著,起碼在商業(yè)化進程上,二者仍然沒有太大的距離。剩下的只需不斷追趕就好。
行行AI董事長李明順也持類似的觀點。他告訴陸玖商業(yè)評論,目前OpenAI仍然占據(jù)行業(yè)頭部的位置,但很大程度上是建立在此前的算力儲備和技術(shù)積累之上。國內(nèi)諸如BAT、字節(jié)等通用大模型廠商,也會不斷去追趕。原因很簡單,在某種程度上,通用大模型已經(jīng)變成了互聯(lián)網(wǎng)公司基礎(chǔ)能力的一種象征。
競賽似乎才剛剛開始。
文生視頻,真正的勝負(fù)手在哪?
當(dāng)然,無論是 OpenAI 的 Sora ,還是國內(nèi)一眾大模型廠商,其最終目的,仍然是工業(yè)化、流水線化生產(chǎn)高質(zhì)量的視頻內(nèi)容。
但就目前來看,即便強如Sora,也是有諸多不成熟的因素,導(dǎo)致其無法應(yīng)用到工業(yè)化領(lǐng)域。AI動態(tài)視頻解決方案產(chǎn)品知行元(www.creatlyai.cn)的產(chǎn)品架構(gòu)師告訴陸玖商業(yè)評論,雖然目前Sora看起來很方便,通過文字能直接生成高質(zhì)量的視頻,且只需要通過幾個提示詞來控制,對用戶的心智與操作負(fù)擔(dān)看起來很小。
但由于目前的sora對真實物理世界的理解還有限,在某些場景仍然會出現(xiàn)問題。諸如燭光方向錯亂、精準(zhǔn)數(shù)量失序,空間物體進出畸變等細(xì)節(jié),這些細(xì)節(jié)到后期剪輯都是很難去改動的。
這并非沒有解決方案。因為Sora目前已經(jīng)有視頻延展和視頻拼接功能,用戶完全可以生成數(shù)個幾秒鐘的視頻進行后期裁剪。如果對于提示詞工程的知識儲備不足的人來說,多次生成+人工后期是難以避免的。
此外,在工業(yè)化的商品宣傳片中,通??蛻魰l(fā)布一些新款商品,譬如新款羽絨服、新車、新手機等等。但用戶的素材并不存在于視頻模型的訓(xùn)練集中,導(dǎo)致只能生成類似商品后再二次加工,也就是影視后期。
這里同樣有專業(yè)用戶與非專業(yè)用戶的需求差別。譬如對于一般的輕度用戶,如果沒有商業(yè)化需求,那么模型就是一個試玩產(chǎn)品,任何新生成的作品對他而言都是驚喜。但對于專業(yè)用戶(譬如導(dǎo)演),如果一次生成的不夠滿意,那么還涉及到多次生成和多次后期,對于算力與人工都是不小的負(fù)擔(dān)。
前述電影制片人告訴陸玖商業(yè)評論,在影視制作流程中,后期最大的成本,就是負(fù)責(zé)剪輯與特效,也就是二次加工的人工成本。如果工作流不夠先進,那么很可能會在后期制作過程中拉高成本,進而影響項目的ROI。
如果目前的文生視頻仍然需要大量人工去調(diào)校,且鏡頭和對物理世界的還原也無法做到1:1,那么用AI生成視頻素材的性價比,其實是不高的。
有基于此,一位影視后期從業(yè)者告訴陸玖商業(yè)評論,在他看來,AI能直接替代的,其實是搭建和拍攝等中期工作。因為AI對物理世界的模擬還原,可以通過不斷訓(xùn)練來接近真實水平。
以上僅僅是Sora對影視產(chǎn)業(yè)的部分改變推演。至于對于游戲、廣告、短視頻創(chuàng)作等細(xì)分領(lǐng)域,變革肯定遠(yuǎn)大于問題。AI的應(yīng)用,其革命性的變化,肯定波瀾壯闊。而國內(nèi)大廠,在AI應(yīng)用的商業(yè)化探索上,顯然更愿意發(fā)力和嘗試。
同樣,根據(jù)周亞輝的朋友圈劇透,“Open AI很快會發(fā)布GPT4.5,而且估計會故意選擇Anthropic發(fā)布Claude 3的時候發(fā)布。”最新迭代版本的Open AI除了Sora生成式視頻外,還有什么令人驚艷的創(chuàng)新,應(yīng)該是國內(nèi)大廠從事大模型戰(zhàn)略和業(yè)務(wù)部門,最關(guān)心的事情。
最后,對于文生視頻而言,是立足于+AI做大模型應(yīng)用,還是立足于AI+去訓(xùn)練升級自己的原生態(tài)大模型。顯然,美國大公司與中國大公司已經(jīng)分別做出了自己的選擇。