很荣幸受王又又邀请,今天和她以及《宇宙探索编辑部》副导演吕启洋(Ash)一起聊聊了一下当前火爆的话题 Sora,看 Sora 如何改变我们的生活。
我把技术相关的一些问题整理成了文字,希望能够帮助大家更好地理解 Sora。我将问题大约整理成了四类:
- Sora 的技术科普
- Sora 产品相关问题
- Sora 的价值和应用
- Sora 有关的八卦闲聊
注意,这里的回答都是我个人的观点,一部分也借鉴了大家在帖子中讨论的结果,很多答案不一定准确,仅供参考。也欢迎指正其中错误或者提出不同观点。
Sora 的技术科普
Sora 是什么?能干什么?
简单来说,Sora 是一种能用文本生成最长 60 秒视频的技术,也可以用来生成图片,因为图片本质上是一帧的视频。
Sora 跟之前的 AI 视频生成工具有什么升级?跟市面上其他的例如 Runway、Pika、SVD 这些 AI 视频生成工具有什么区别?
之所以 Sora 引发极大关注,主要在于它生成视频质量要比之前的高很多,不仅时间最长能到 60 秒,而且它可以支持镜头切换、画面人物和背景稳定、很高画质。
Pika 是基于 Diffusion 模型,把图片和视频训练成毫无意义的马赛克图片,再从空白马赛克图片能反向扩散生成图片和视频,有两种主要模式,一种是基于图片关键帧扩展成视频,例如已有视频的风格变换;一种是对视频的训练,但是由于显卡限制,只能一次训练特定分辨率的几秒视频,一次也只能生成几秒钟的视频。
LLM、ChatGPT 是 Transformer 模型,预测 Token 生成文本内容,Token 可以理解为字和词。
Sora 则是基于 Diffusion Transformer 模型,结合了扩散模型和 Transformer 模型,不过它是预测生成的不是文本 Token,而是“时空补丁(spacetime patches) ”,可以理解为一个几帧(一秒不到)的视频的一个小块。
主要优势是训练的时候不受视频和显卡约束,生成的时候也更加多样,可以灵活组合时空补丁。
使用成本:现在可以生成 60 秒视频,60 秒视频的成本是多少?对算力有什么要求?
现在”DALL-E 3 HD Image 价格 0.08;RunwayGen−2价格是0.08;Runway Gen-2 价格是0.05/秒。
Sora 没有公布相关数据,纯猜测:Sora 的推理大约需要 ~8xA100,生成视频预估一秒一分钟,半小时成本约 ~$10″
有可能可以生成音乐(音频)么?如果不行难点在哪?
未来应该是可以的,现在没有是因为:
- 需要根据视频中的环境、物体类型、物体之间的碰撞、所在位置发出不同的声音
- 需要多种声源叠加
- 音乐不仅要质量高,还需要和视频中的场景融合
- 人物对白需要和人物的位置、口型、表情对齐
Sora 产品相关问题
是否需要建模还是通过其他方式使用?什么时候能落地商用?
不需要本地搭建,预计会提供两种方式:ChatGPT 集成、API 调用;但生成视频的成本偏高、耗时也比较长;可能会限制次数或者提供更高一档的订阅。
预计三个月到半年内会逐步放开。
在不同的时间使用相同的要求语,会生成相同的视频吗?能支持后续微调修改或者输入更确定的边界条件生成么?当前模型架构有能力支持这些么?
同样的提示词每次都不会相同,但是 seed 相同应该可以做到相似;
Sora 支持图片生成视频和视频生成视频,但人物是否可以做到一致还需要产品发布后才能下结论。
什么时候可以生成更长时间的视频,比如 30 分钟、60 分钟甚至更长?
生成视频时间越长对显存要求越高,但是按照现在技术发展的速度,乐观估计 1 年后应该可以到 5-10 分钟,30 分钟 60 分钟预计在 3-5 年的时间。
生成视频的版权归谁?
根据图片生成的规则来推测,应该是归创作者所有,但是生成的作品本身不能侵权。
虚拟 vs 现实:如何判断那些视频是拍的?哪些是 Sora 做的?以后还有啥会是真的呢?深度伪造问题:会不会更容易被诈骗,如何反诈?
现在的视频都有水印,未来应该会有检测工具。
另外仔细看是能看出视频中不符合逻辑的地方,例如蚂蚁只有 4 条腿,人的手会变形等等。
我们其实早已经历过:照片不是真的、电视不是真的、电影不是真的,人民群众的鉴别水平也会同步提升。
伪造和鉴别伪造是长期攻防战。
Sora 接下来的发展前景演进趋势?
- 成本降低(更快更便宜);
- 质量提升(时长、画质、镜头切换、一致性、符合物理规律);
- 新的能力:声音、和 GPT 的融合,完全的多模态;
能不能用来做动画片?
短片完全没问题,复杂场景和更长时间的还不行,未来可期。
Sora 的价值和应用
Sora 有哪些应用场景?实用性有多大?商业应用价值?
我从四个方面总结了 Sora 的价值和应用:
-
首先它能放大了普通人的表达能力,张小龙说汽车是双腿的延伸,ChatGPT 就是双手的延伸,Sora 就是我们表达的综合延伸,也就是传说中的“嘴替”
这意味着我们可以更好的来表达自己的想法,不再受限于自己的写作能力、画画能力、摄影能力、视频剪辑能力,甚至是演讲能力。
-
Sora 是一种低成本的视频工具
Sora 将极大的降低了视频制作的成本,这意味着更多的人可以用更低的成本来制作视频,这对于视频创作者来说是一个很大的利好。
-
新的人机交互方式,动态生成视频
Sora 已经演示了生成我的世界这样游戏的能力,也许未来我们可以用 Sora 来动态生成游戏的剧情、任务、场景。另外,我们也可以让 Sora 动态对新闻、文章生成视频,而不需要去阅读。
-
情感上的寄托
生成已故亲人的视频,保留他们的记忆。数字伴侣。
Sora 赚钱逻辑在哪里?
取决于围绕 Sora 创造的价值:
- 情感价值:卖课缓解焦虑、提供娱乐、情感寄托
- 艺术价值:微电影
- 内容价值:小说二创、卖素材、教学、讲故事、游戏生成、广告
- 生态价值:Prompt、更加易用小工具、绕过限制
- 降本增效:快速 MVP 验证想法、广告、电商、电影分镜
普通人怎么用好?如何利用 Sora 做点副业?
- 用起来,学会怎么用,知道它能做什么,边界在哪里
- 选一个适合自己的方向,提前准备好相关素材或者开发项目
- 技术人员可以准备开始筹备产品、工具:收集 Prompt、基于 API 二次开发
Sora 有关的八卦闲聊
名字真的是起源于天元突破的 op 空色デイズ吗?
我倾向于是。
现在的热度是 (为了融资、股价) 的概念炒作?还是真实有用的?
真实有用,可以马上应用到短视频,例如 OpenAI 在 Tiktok 的账号,视频以假乱真
您在网上看到或者听说的一些比较夸张脱离实际的说法?
- “Sora”关键原材料之—马来酰亚胺树脂来自于四川绵阳一家公司。
- Sora 懂物理
- Sora 连接了游戏引擎
- Sora 是 AGI 的关键里程碑,几年内就能实现 AGI
在全球顶尖公司之间 Sora 的竞争力如何?中国在这个领域的发展情况?在中国做这个的公司有哪些?中国和欧美的差距在哪里?
OpenAI 已经投入了一年多,领先业界半年到一年,甚至更多,具体体现在:
- 技术的领先,目前技术还没公开,其他公司要破解需要时间
- 大模型的优势,他们有最先进的模型可以帮助训练,例如自动生成高质量的视频标注 中国应该很快能追赶上——人才、数据、算力都有,但是只有少数大厂才有机会,对人才、数据、算力要求都太高
目前不清楚是否中国公司已经有做这个方向的,但是字节、阿里、腾讯、百度在 AI 视频领域都有深厚积累
中国和欧美的差距主要在于对 AI 技术方向上的把握,但这也不仅仅是中国的问题,目前全世界所有其他公司都跟随 OpenAI 的步伐;另外就是算力上还不能完全自给自足。
新一次产业革命?有网友指出,短短几年内,被追捧的高热度“划时代”技术有 web3、区块链、元宇宙、谷歌眼镜、波士顿机器人、vision pro、chatgpt 等等,这次确认要再次划时代了吗?
看怎么定义吧,从文本生成视频领域来说,一定是划时代的!真正的文本生成视频领域的 GPT 时刻。
- ChatGPT 文本生成
- Stable Diffusion、MIdJourney、DALL-E 图像生成
- Sora 文本生成视频
Sora 在硅谷的体感热度?在业内的真实反响?目前 AI 视频生成赛道的创业者、投资者们心态如何,将会如何应对?
- 反响热烈,正面评价居多
- 预计 Diffusion 方向会比较难拿到投资
- 创业者需要重新考虑方向,例如视频编辑、转向基于 Sora 的接口开发应用
跟芯片有什么关系?
未来几年视频生成会继续热门,继续需要大量的算力,也就是需要大量的显卡,但未来显卡应该不会只有 NVIDIA 一家独大,应该会有更多的公司参与进来,这样的话,显卡的供应会更充足,价格会更加合理,性能也会更高。
总结
以上就是今天访谈的主要内容,完整的视频地址在:weibo.com/6498373231/…
另外以上很多内容总结自我在 Twitter 和微博上开的讨论帖,很多观点(例如 Sora 生成亲人视频)确实是我之前没有想到的,这也算是将大家讨论的内容的一个总结。谢谢各位的参与!
X 讨论帖:twitter.com/dotey/statu…
微博讨论帖:weibo.com/1727858283/…