文章來源：騰訊科技
作者：翟尤 《AIGC未來已來》作者
在中國(guó)農(nóng)歷新年假期，OpenAI又展開了一次超乎所有人想象的發(fā)布，其首款文生視頻模型Sora正式對(duì)外亮相。
Sora的效果已經(jīng)在科技圈內(nèi)不斷刷屏，不僅能夠根據(jù)文字創(chuàng)造出以假亂真的場(chǎng)景，而且生成的視頻時(shí)長(zhǎng)達(dá)到60秒。以至于很多人對(duì)于OpenAI新技術(shù)的發(fā)布，如同期待蘋果喬布斯時(shí)代的發(fā)布一樣，總有超乎預(yù)期的技術(shù)讓人眼前一亮。
從ChatGPT、DALL-E3，再到Sora，如果用一句話來總結(jié)OpenAI的與眾不同之處，那就是：技術(shù)想象力和工程能力，要遠(yuǎn)比技術(shù)路線或者黑科技重要。同時(shí)，曾經(jīng)大火的一眾AI視頻創(chuàng)業(yè)公司直接被降維碾壓，先拋開底層技術(shù)，從用戶端的直接感知來談，他們的產(chǎn)品大部分最多支持4s的視頻生成長(zhǎng)度，與Sora的60s完全沒有可比性。類似于OpenAI、Google之類的科技大廠“人間才一日，AI已千年的迭代速度”，真的感覺分分鐘碾壓AI創(chuàng)業(yè)。也不禁讓人感嘆，AI創(chuàng)業(yè)好難，所謂的“技術(shù)護(hù)城河”、“產(chǎn)品護(hù)城河”是否還存在？是否一夜之間就被突飛猛進(jìn)的大廠技術(shù)所顛覆？
01、想象力和工程化的爆發(fā)，生成視頻技術(shù)逐漸收斂
在Sora之前，我們看到的大量文生視頻技術(shù)尚未實(shí)現(xiàn)技術(shù)收斂，主要技術(shù)路徑是通過各種辦法讓單幀的圖片“動(dòng)”起來，類似定格動(dòng)畫。而從用戶實(shí)際需求來看：視頻每一幀之間的連貫性與自然度是體現(xiàn)視頻價(jià)值的關(guān)鍵，也就是視頻每幀語義信息的無縫銜接才是核心。
從Sora在業(yè)內(nèi)關(guān)注和討論的熱度上也能看出，圍繞需求提供對(duì)應(yīng)的技術(shù)解決方案或者產(chǎn)品，要遠(yuǎn)遠(yuǎn)好于通過技術(shù)可實(shí)現(xiàn)的角度來創(chuàng)造產(chǎn)品。
讓OpenAI公布Sora的全部技術(shù)細(xì)節(jié)已經(jīng)不現(xiàn)實(shí)，開源只能寄希望于其他團(tuán)隊(duì)。但是OpenAI官網(wǎng)上介紹指出，Sora與之前的文生視頻思路并不一樣，是讓模型一次預(yù)測(cè)多幀畫面，并且確保視頻主體保持不變。
單從技術(shù)創(chuàng)新度來看，Sora的技術(shù)和方法并非石破驚天，也談不上從0到1的創(chuàng)新，其他機(jī)構(gòu)也有相關(guān)研究，但是整體工程呈現(xiàn)的效果非常好。而這也是Sora在技術(shù)上的巧妙之處：在視頻幀上做突破，巧妙地提升了生成視頻的使用上限。
這其中與文生視頻技術(shù)難收斂，工程難落地有著密切關(guān)系。而把Transformer引入到文生視頻的擴(kuò)散模型中，實(shí)現(xiàn)視頻幀之間的語義信息預(yù)測(cè)，就可以讓語言模型在其中發(fā)揮出巨大的價(jià)值。也就是說：Transformer+Diffusion?Model，終于在2024年初實(shí)現(xiàn)了融合，不再是獨(dú)立兩條發(fā)展路徑。這也就是為何Sora一出現(xiàn)，就引發(fā)用戶的點(diǎn)贊和肯定的原因：文本模型的連貫性和可擴(kuò)展性，可以在視頻模型的基礎(chǔ)上把用戶的感知效果提升多個(gè)層次，讓文生視頻可以進(jìn)一步接近商用奇點(diǎn)。
在這方面，OpenAI已經(jīng)在ChatGPT、DALLE-3的工程化上實(shí)現(xiàn)突破，這次更是把以上模型成果有機(jī)融合起來，把工程化能力發(fā)揮到極致。
02、好萊塢式的大片，離素人越來越近
2023年及以前，文生視頻的模型雖然出現(xiàn)了Runway、Pika等現(xiàn)象級(jí)產(chǎn)品，但從整個(gè)行業(yè)來看，把擴(kuò)散模型和語言模型相結(jié)合的工作并沒有被業(yè)內(nèi)放在“最高優(yōu)先級(jí)”。
可以預(yù)見的未來，隨著文生視頻技術(shù)的收斂，生成視頻技術(shù)的使用門檻降進(jìn)一步降低，將幫助人們完成大量工程化的工作，可以媲美好萊塢水準(zhǔn)的視頻解決方案將會(huì)出現(xiàn)。
具體來看，從過去視頻制作前期設(shè)計(jì)、中期拍攝、后期制作的傳統(tǒng)流程中，逐步向后期制作進(jìn)行傾斜，尤其是不斷生成新的視頻元素會(huì)導(dǎo)致前期設(shè)計(jì)和中期拍攝的工作流產(chǎn)生極大的變化，出現(xiàn)新的工具和工作流。
最終將在多個(gè)C端消費(fèi)場(chǎng)景中得到應(yīng)用，比如商品廣告、劇情片等等。尤其是對(duì)于視覺藝術(shù)、設(shè)計(jì)師、電影制作等工作，可以幫助這些專業(yè)人士快速原型化和可視化，節(jié)省一定時(shí)間和成本。
這其中，尤其是對(duì)短視頻行業(yè)帶來巨大想象，普通用戶可能無法通過Sora制作好萊塢大片，但是制作一個(gè)60秒的高質(zhì)量短視頻，似乎近在咫尺。尤其是對(duì)于內(nèi)容邏輯性要求不高，在探索科幻等方面，可以協(xié)助個(gè)性化內(nèi)容的制作。
03、與其期待Sora，不如期待AI視頻剪輯軟件的普及
對(duì)于OpenAI來講，更像是前鋒，開山辟路是它的強(qiáng)項(xiàng)，開枝散葉搞應(yīng)用的事情并不關(guān)注。
從單點(diǎn)的突破來看，Sora具有里程碑意義。但是從商業(yè)化需求和混剪工作流效率提升來看，Sora本身的價(jià)值還有待商榷。
想靠60秒生成的視頻成為下一個(gè)董宇輝、李佳琪并不現(xiàn)實(shí)，更別說制作長(zhǎng)視頻或者電影、電視劇了，距離真正落地還有漫長(zhǎng)的路要走。
還是以短視頻為例，是通過一遍遍修改提示詞（Prompt）更加有效率，還是在視頻剪輯軟件里調(diào)整素材更快？
很顯然，我們期待Sora，不如期待視頻剪輯軟件中盡早更新增加AI工具，從而在商業(yè)上追求效率真正的提升。同時(shí)，通過提示詞來進(jìn)行視頻生成一直存在理解偏差的問題，這一問題不僅困擾文生視頻，在ChatGPT使用過程中依舊沒有解決。
即使Sora全面放開使用，普通用戶也難以做出如當(dāng)前演示案例般的Demo。最終決定Sora是否能夠普及的關(guān)鍵，是工具本身是否能夠提升人們的工作效率。
是買家秀，還是賣家秀，仍需要時(shí)間的檢驗(yàn)。
04、生成視頻領(lǐng)域，其他企業(yè)沒有機(jī)會(huì)了嗎？
顯然并不是。
生成式人工智能領(lǐng)域，科技企業(yè)都在不斷發(fā)力：
Meta在幾乎同一時(shí)間發(fā)布了V-JEPA，可以不進(jìn)行微調(diào)就能夠應(yīng)用各種需要世界知識(shí)的任務(wù)中。而且V-JEPA是在特征空間進(jìn)行自監(jiān)督學(xué)習(xí)，效率更高。至于哪條路會(huì)通往最終的通用人工智能，目前尚未可知。
谷歌也在相近的時(shí)間上線了Gemini 1.5，可以支持10000K token的上下文，使得大模型的輸出更加連貫、實(shí)用。多模態(tài)變得更加流暢，工程化不輸OpenAI。
Runway和Pika等之前的文生視頻產(chǎn)品，依舊可以在人工智能時(shí)代獲得一席之地。Sora應(yīng)用的是Transformer+Diffusion，從模型架構(gòu)來看：如果以Transformer為基準(zhǔn)，那么文生視頻依舊是龍頭科技企業(yè)更有優(yōu)先權(quán)，但是如果生成式視頻架構(gòu)依舊圍繞Diffusion展開的話，創(chuàng)業(yè)企業(yè)機(jī)會(huì)更大一些。
沒有一騎絕塵的技術(shù)，只有螺旋式上升的產(chǎn)業(yè)繁榮。
Sora雖然可以一次性生成幾十秒的視頻，但是真正在應(yīng)用階段，如果產(chǎn)品沒有提供足夠多的微操空間，確保用戶能夠通過微操將其整合到自己的工作流中，那么大概率Sora仍是效果越來越炸裂，距離用戶越來越遠(yuǎn)。
即使是ChatGPT已經(jīng)問世一年多的今天，還有大量用戶沒有使用過聊天機(jī)器人。這也為開源社區(qū)迎頭趕上創(chuàng)造了窗口期，同時(shí)，文生文、文生視頻這些模型的模塊化組合，是否會(huì)有類似IPhone一樣的專有智能設(shè)備問世？讓更多用戶可以在端側(cè)使用模型，構(gòu)建起開源+小參數(shù)模型+移動(dòng)端的思路，把智能手機(jī)的形態(tài)也做一次革新。
永遠(yuǎn)有新產(chǎn)品出現(xiàn)，技術(shù)的擴(kuò)散才剛剛開始，不會(huì)有任何一家公司“猝死”在新技術(shù)的出現(xiàn)上。
05、AI爆發(fā)時(shí)代，普通人也可以做“領(lǐng)航員”
對(duì)于普通人來講，不被“遙遙領(lǐng)先”和“王炸”之類的詞洗腦已經(jīng)實(shí)屬不易，如果還能再清醒一些就顯得更加彌足珍貴。Sora爆發(fā)的當(dāng)下，普通人要做的事情可以歸結(jié)為三件事：
1.?應(yīng)用到你熟悉的場(chǎng)景中
焦慮的反面是具體。只有把Sora等人工智能新應(yīng)用用起來，融入到具體的場(chǎng)景和工作中去，我們才能夠切身體會(huì)人工智能到底會(huì)取代自己的哪些工作內(nèi)容，以及取代的程度有多深。同時(shí)還能真切的發(fā)現(xiàn)人工智能在哪些方面可以真正落地并解決我們的問題。對(duì)于新技術(shù)和新應(yīng)用，早期使用者的最大優(yōu)勢(shì)在于，可以更早的發(fā)揮出先進(jìn)科技的價(jià)值，來提高生產(chǎn)力和生產(chǎn)效率。如果你只是嘗鮮，用人工智能問問腦筋急轉(zhuǎn)彎、看看人工智能是真聰明還是智障，找找優(yōu)越感的話，那么只能沉浸在短暫的舒適區(qū)而已。
2.?探索屬于你的新模式
蒸汽機(jī)是瓦特改良的，但是真正發(fā)揮價(jià)值的是使用蒸汽機(jī)進(jìn)行生產(chǎn)的企業(yè)家；汽車讓運(yùn)輸行業(yè)效率大增，但是電商行業(yè)把運(yùn)輸行業(yè)升級(jí)到物流體系，以至于次日達(dá)成為諸多電商平臺(tái)的標(biāo)配。
Sora在當(dāng)下展示出了各種超能力，但還需要一個(gè)真正的伯樂。伯樂不但理解人工智能工具的各種優(yōu)勢(shì)和不足，還要對(duì)自身業(yè)務(wù)體系有著深刻的理解和洞察，通過使用人工智能技術(shù)來整合重塑業(yè)務(wù)流程。未來將出現(xiàn)更多整合了人工智能的全新方案，來“侵入”到各行各業(yè)之中。
3.?成為規(guī)則的“領(lǐng)航員”
適應(yīng)變化才是王道。
回顧工業(yè)革命，機(jī)器的出現(xiàn)導(dǎo)致失業(yè)的并非普通紡織工人，而是有經(jīng)驗(yàn)的高端紡織工人。這其中的原因就是工業(yè)革命把專家經(jīng)驗(yàn)固化到系統(tǒng)之中，使得沒有經(jīng)驗(yàn)的人通過機(jī)器或者系統(tǒng)，就能夠做出比有經(jīng)驗(yàn)的人更好的產(chǎn)品。同樣的，最近波士頓咨詢公司將咨詢顧問分為高底兩個(gè)組，同時(shí)使用GPT-4，最終結(jié)果是低水平顧問的結(jié)果質(zhì)量提高43%，高水平顧問僅提高17%。高底兩個(gè)對(duì)比組的績(jī)效結(jié)果之差從22%縮小到了4%。
與其在不久的將來去適應(yīng)別人制定的新規(guī)則、新體系，倒不如利用先發(fā)優(yōu)勢(shì)適應(yīng)變化、擁抱變化，成為規(guī)則“領(lǐng)航員”。梳理了Sora出現(xiàn)之后，大家討論如何做“創(chuàng)新”的一些思路，供大家參考：
