【澤平宏觀】Sora 橫空出世,會顛覆那些產業?

2月16日,OpenAI發布影片生成模型Sora,極大拓展AI在影片內容生成方面能力。 Sora在關鍵指標上大幅領先之前的一些視頻生成類模型,用它生成視頻,會發現其對物理世界的空間模擬能力甚至達到了逼近真實的水平。

Sora為什麼可以堪稱是AI界的新里程碑?它是如何突破AIGC即AI內容創作上限的?客觀來看,目前版本的Sora還有沒有什麼限制和不足?

Sora等視訊生成類別模型,未來更新迭代的方向是什麼?它的出現會顛覆哪些產業?對我們每個人產生何種影響?它的背後又有什麼新產業機會?

1、Sora是怎麼實現的?為什麼是AI界的新里程碑?

Sora之所以是AI里程碑,是因為它再一次突破了AIGC用AI驅動內容創作的上限。先前大家已經開始使用Chatgpt等文字類輔助內容創作,輔助插圖和畫面生成,用虛擬人做短影片。而Sora是視頻生成類大模型,透過輸入文字或圖片可生成、連接、擴展等多種方式編輯視頻,屬於多模態大模型範疇,該類模型是在GPT這類語言類大模型上進一步延伸、拓展。Sora透過一種類似於GPT-4對文字令牌進行操作的方式來處理影片「補丁」。該模型的關鍵創新在於將視訊幀視為補丁序列,類似於語言模型中的單字令牌,使其能夠有效地管理各種影片。這種方法與文字條件生成相結合,使Sora能夠根據文字提示產生上下文相關且視覺上連貫的影片。

具體原理上,Sora主要透過三個步驟實現視訊訓練。首先是視訊壓縮網絡,將視訊或圖片降維成一個緊湊、高效的形式。其次是時空補丁提取,將視圖資訊分解成一個個更小的單元,每個單元都含有視圖中一部分的空間和時間信息,便於Sora在之後的步驟中能進行針對性處理。最後是影片生成,輸入文字或圖片進行解碼加碼,由Transformer模型(即ChatGPT基礎轉換器)決定如何將這些單元轉換或組合,從而將文字和圖片提示中的內容形成完整的影片。



Sora在影片生成模型最關鍵的兩個指標——時長和解析度上大幅超越先前模型,並且具備較強的文字理解深度和細節生成能力,可以說是AI界的又一里程碑級的產品。 Sora發布前,主要模型如Pika1.0 、Emu Video 、Gen-2可生成時長分別為3~7秒、4秒、4~16秒;而Sora可生成時長高達60秒,能實現1080p分辨率,且Sora不僅能基於文字提示生成視頻,也具備視頻編輯和擴展能力。 Sora對文本的深度理解也較強。在大量文字解析的訓練下,Sora可以準確捕捉、理解文字指令背後的情感用意,並流暢、自然地將文字提示轉變為細節豐富、場景匹配的影片內容。

Sora在視訊生成中可以較好地模擬一個虛擬世界的物理規律,更好的理解物理世界,從而產生真實的鏡頭感。其技術特點主要有二:

一是能多鏡頭產生連貫的三維空間運動影片。

二是能保持同一物體在不同視角鏡頭下的一致性。以此,模型能保持影片中人物、物件、場景的運動連貫性和持續性,並且可以透過微調對世界中的元素產生影響,進行簡單互動。對比先前的Pika等模型,Sora生成影片還可以對影片色彩風格等要素精確理解,創造出人物表情豐富、情感生動的影片內容。且注重主體與背景的關係,使視訊主體與背景的互動高度流暢穩定,分鏡切換符合邏輯。

在官方給出的一則生成影片的例證中:「一位時尚女性走在東京的街道上,街道上到處都是暖色調的霓虹燈和動畫城市標誌。她身穿黑色皮夾克、紅色長裙和黑色靴子,手拿黑色皮包。她戴著太陽鏡,塗著紅色唇膏。她走起路來自信而隨意。街道潮濕而反光,與五顏六色的燈光形成鏡面效果。許多行人走來走去”,Sora做到了完全細緻細節的描述,甚至到皮膚細節描繪,且對於光影反射運動方式、鏡頭移動等細節處理都具備真實感。



2、Sora處於什麼水準?還有哪些限制?

Sora相當於語言模式的ChatGPT3.5,是業界重大突破,處於非常領先水平,但還是有其本身的限制。

Sora和ChatGPT同源與Transformer架構,前者在架構基礎上搭建了擴散模型,在展示深度、物件永久性和自然動力學方面十分出色。先前的真實世界模擬通常是用GPU驅動的遊戲引擎來進行三維物理建模來運行,需要人為搭建且流程複雜,精準度也高,能實現高標準的環境模擬和各種互動動作。但Sora模型沒有數據驅動的實體引擎和圖形編程,在更高要求的三維搭建中準確度低。因此,實現多個角色自然互動並與環境進行逼真的模擬仍然很困難。

例如,舉兩個Sora生成影片出現bug的例子:

當Sora輸入的文字是「一個被打翻了的玻璃杯濺出液體來」時,顯示的是玻璃杯融化成桌子,液體跳過了玻璃杯,但沒有任何玻璃碎裂效果。

再例如,從沙灘裡突然挖出來一個椅子,而且AI認為這個椅子是一個極輕的物質,以至於可以直接飄起來。


出現這類「錯誤」的原因主要有兩點:

一是因為模型在自動補齊生成中內容,自發性地產生了不在文字規劃內的物件或實體,這種情況特別常見,特別是在擁擠或雜亂的場景中。在某些場景中,這會增加影片的真實感,例如在OpenAI給出的「漫步在冬天日本街頭」的案例中,但在更多環境中這會降低物理規律在影片中的合理性,例如第一個例子中憑空生成的桌子是水變成的。

二是當發生許多動作在Sora的模擬中時,很容易混淆順序,包括時間順序與空間順序。例如,當輸入「跑步機上跑步的人」時它有幾率會產生一個在跑步機上向錯誤方向行走的人。因此Sora準確地模擬更複雜的現實世界物理互動、動態和因果關係,對簡單的物理和物件屬性模擬也仍具有挑戰性。

儘管存在這些持續性的問題,但Sora展現了視訊模型未來的潛力,只要有足夠的數據和運算能力,視訊轉換器可能會開始更深入地理解現實世界的物理、因果關係。這或許會讓基於視訊的模擬世界訓練AI系統的新方法成為可能。


3.Sora的發展方向,面臨什麼挑戰與機會?

Sora代表影片生成類AI前沿,但其未來效能的提升或許可以從三大方向切入:

一是從資料維度入手。隨著訓練的資料需求激增,未來面臨可訓練資料樣本匱乏問題。目前主要大模型依賴語言文本,雖然Sora也可以進行圖片輸入,但訓練泛度不如文字。資料種類單一且高品質資料有限,在參數量指數級提升的背景下或將快速耗盡。

康納爾大學研究表明,大模型訓練的高品質資料很有可能在2026年前就耗盡,低品質文字資料在2030後耗盡。擴大資料來源的維度是Sora的解法。除文字和影像外,音訊、視訊、熱能、位能、深度都能成為Sora學習的拓展領域。幫助其成為真正的多模態大模型。例如Meta開源的ImageBind擁有多種感官,不僅具有DINOv2的圖片、視訊辨識能力,還擁有紅外線輻射和慣性測量單元,能對深度、熱能、位能等不同模態進行感知學習。 Sora在輸入端拓展後也可以將上述維度與影片產生更好的結合,訓練模擬更真實的物理世界。

二是從演算法層進行最佳化,解決模型學習中存在的「過度擬合」和「欠擬合」現像是關鍵。在前文範例中提到過,Sora會自發性地產生不在文字規劃內的物件或實體,這有助於完善視訊效果的真實性。但是,某些情況下兩個高度關聯的元素可能會在不適用的場景下同時出現,也就是演算法為了達到特定結果而出現了「過度擬合」。這種現象類似人類在準備考試中為了答對一類問題反覆強化訓練,反而導致考試中同類問題大量出錯。

而同一個例子中盃子被打翻了卻沒有碎裂效果卻是融化了,則是因為模型「欠擬合」。模型出現這兩類問題的原因是將不準確分類的樣本選取進行了訓練,形成的決策樹也就不是最優模型,導致真實應用的泛化表現下降。過度擬合和欠擬合無法被徹底消除,但未來可以透過一些方法進行緩解減少,例如:正則化、資料清洗、降低訓練樣本量、Dropout棄用,剪枝演算法等。


三是算力產業。 Sora持續引爆AI浪潮,這也將導致2024年算力需求將在多模態模型發展下持續高漲,AI企業尋求更大力度的產業鏈上游切入,向晶片研發設計佈局,甚至向EDA和晶圓領域進發。

當下AI模型訓練主要依靠英偉達GPU,但主流算力晶片已經供不應求,預測的到2024年需求將達到150-200萬。

OpenAI創辦人Sam Altman從2018年起就重視其晶片供需問題,投資了AI晶片公司Rain Neuromorphics,2019 年購買Rain的晶片,再到2023年11月Sam為一家代號為「Tigris」的晶片企業尋求數十億美元融資。身為產業龍頭,在早期佈局已經建構一套由自家領導的算力產業鏈,旨在透過AI產業革命重塑全球半導體格局。

以智慧汽車切入AI賽道的特斯拉,也在自動駕駛演算法的基本盤上向上游的晶片設計進發,並逐漸謀求對中游的控制。

可以預見的是,由ARM、英偉達、台積電建構的全球AI半導體產業鏈雖然是短期的最大收益者,但在中長期看或迎來更大的競爭。算力基礎設施的自主化建設、尤其是算力晶片,仍是中國在AI賽道上與全球保持同步進步的重要方向。


4.Sora的應用領域,會顛覆哪些產業?

從年初蘋果發表Vision Pro頭戴式顯示設備、到各PC大廠接連發布AIPC,再到這次的OpenAI發布Sora,全世界對於人工智慧的創新正在加速,迭代地越來越快。

今後用AI自動創作產生的內容會影響很多的產業領域,對於熱門話題的「時效性覆蓋」將主要是AI的任務,比拼的主要是AIGC的效率,比拼的是大家能夠駕馭AI的能力,比拼的是誰能夠駕馭類似Sora這種強勢能的AI生產工具。以後「扔一部小說、出一部大片」不是不可能了,Sora可以生成長達1分鐘的視頻,視頻可以一鏡到底,多角度鏡頭切換,並且對象始終不變。 Sora視頻,更可以運用景物、表情和色彩等鏡頭語言,表達出如孤獨、繁華、呆萌等情感色彩。總之,如果未來出現更多的Sora、或者這些生成視頻大模型從以上所述的幾個角度進行更多的改良滯後,未來的AI視頻效果,或許幾乎和人工拍攝不相上下。

多模態模型的應用在2024將迎來黎明,影響影視、直播、媒體、廣告、動漫、藝術設計等數個產業在當下的短片時代,Sora「一個人」就全包了短影片的攝影、導演、剪輯等任務。未來,Sora生成的各種不同用途的視頻,對於現在的短視頻、直播、影視、動漫、廣告等行業都會產生深遠影響。

例如,在短影片創作領域, Sora 有望大幅降低短劇製作的綜合成本,解決「重製作而輕創作」的共通性問題,短劇製作的重心未來有望回歸高品質的劇本內容創作,考驗的是優秀創作者的構思能力。Sora有望真正為相關行業的企業降本增效,廣告製作公司透過Sora 模型生成符合品牌的廣告視頻,顯著減少拍攝和後期製作成本;遊戲與動畫公司使用Sora直接生成遊戲場景和角色動畫,減少了3D模型和動畫製作成本。企業節省的成本可以用來提升產品、服務品質或技術創新,推動生產力進一步提升。如果說2023年是全球AI大模型大爆發,是圖文生成元年的話,那2024年產業會進入AI影片生成和多模態大模型元年。從Chatgpt到Sora,AI對每個個人、每個產業的現實影響與改變正在逐步發生。(澤平宏觀)