在視頻 AIGC 領(lǐng)域，出現(xiàn)一個有力的國產(chǎn)選手。

2024 年，Sora 一直活在聚光燈下。

馬斯克不惜溢美之詞，稱「人類愿賭服輸」；紅衣教主周鴻祎眼中，借助 Sora 人類實現(xiàn) AGI 將縮減至一兩年。就連賣付費課程的微商，也拿「Sora」重新組裝了自己的鐮刀。

這種狂熱的蔓延，從美國到中國，從一級到二級甚至再到三級市場，像漣漪一樣，播散向全世界。

因為，在理想情況下，長視頻生成的底層邏輯，約等于世界模型。十幾秒、幾十秒的視頻中，包含了基礎(chǔ)的圖像處理、空間關(guān)系、物理規(guī)律、因果邏輯等等現(xiàn)實規(guī)律與知識的映射。小處看，可以掀翻傳統(tǒng)電影、游戲制作的桌子，大處看，通往通用人工智能，這是關(guān)鍵一步。

同時，在一眾長視頻生成算法中，Sora 的技術(shù)突破是具備革命性的。相比傳統(tǒng)的 Stable Diffusion，Sora 采用的 Diffusion 加 Transformer 架構(gòu)，既克服了 Stable Diffusion 擴展性的缺失，更是在生成內(nèi)容的準(zhǔn)確性和靈活性上有了質(zhì)的飛躍。

唯一美中不足是，Sora 并非開源算法。

沒了開源，也就沒了復(fù)現(xiàn)的可能；沒了復(fù)現(xiàn)可能，那么哪怕經(jīng)管出身的合伙人睡前讀物變成了《Scalable diffusion models with transformers》，投資經(jīng)理一周跑遍北京、深圳科技產(chǎn)業(yè)園掘地三尺，所有人都不得不承認(rèn)一個現(xiàn)實，盡管視頻大模型企業(yè)眾多，但或許尚未等到國產(chǎn) Sora 正式發(fā)掘，視頻大模型的淘汰賽就已經(jīng)走到尾聲。

業(yè)內(nèi)「哇聲一片」，一級市場卻空前焦慮。中國 AI 企業(yè)，只能眼睜睜看著自己距離 Sora 越來越遠嗎？

01「國產(chǎn) Sora」來了？場上 VC 幾乎絕望之際，誰也沒曾想到，國產(chǎn) Sora 的秘密，最先揭曉謎底的，竟是成立僅一年多的大模型企業(yè)——生數(shù)科技。

近日，生數(shù)科技聯(lián)合清華大學(xué)宣布推出國內(nèi)首個基于純自研 U-ViT 架構(gòu)的視頻大模型「Vidu」，支持一鍵生成長達 16 秒、分辨率高達 1080p 的高清視頻內(nèi)容。從官宣的短片來看，Vidu 在多鏡頭生成、時間和空間一致性、模擬真實物理世界以及想象力等方面，幾乎與 Sora 齊平。

而相比其他國產(chǎn)「類 Sora」的工作，Vidu 一個最明顯的特點就是，畫面時間足夠長。

一直以來，十秒幾乎是「國產(chǎn) Sora」的一個生死線。要想達到或者超過十秒，則意味著對訓(xùn)練素材的積累，以及如何解決算法記憶消失問題，需要做出深厚的研究。

這是 Vidu 放出的另一段官方視頻，從視頻中可以看到，白色老式 SUV 在山坡土路行駛中，滾動的輪胎會揚起灰塵，軌跡自然連貫；周圍樹林，也在陽光的照射下，遵循真實世界中的投射規(guī)律，留下光影斑駁。

形成對比的是，保證視頻時長的前提下，大部分國產(chǎn)「類 Sora」都很難保持人物和場景的連貫，同時也難以做到真實地遵循物理世界規(guī)律，比如吃漢堡會留下咬痕、汽車開過會留下尾氣與灰塵的痕跡。

根據(jù)行業(yè)人士透露，目前市面上之前的一些「類 Sora」模型，做到長時長的路徑，其實大多是通過插幀的方式，在視頻的每兩幀畫面中增加一幀或多幀來提升視頻的長度。

這種方法就需要對視頻進行逐幀處理，通過插入額外的幀來改善視頻長度和質(zhì)量。整體畫面就會顯得僵硬而又緩慢。

但生數(shù)科技的作用原理明顯不同。基于單一模型完全端到端生成實現(xiàn)底層算法，直觀上，我們可以看到「一鏡到底」的絲滑感，視頻從頭到尾連續(xù)生成，沒有插幀痕跡。

另外，還有一些工具類的長視頻采用了「換湯不換藥」的做法。底層集合了許多其他模型工作，比如先基于 Stable Diffusion、Midjourney 生成單張畫面，再圖生 4s 短視頻，再做拼接。也就是說，想要一個十幾秒長視頻，那就把多個 4s 短視頻拼在一起就好，不僅整體的畫面流暢度會大打折扣，底層也并沒有實現(xiàn)長視頻生成能力的突破。

除了生成時長有了質(zhì)的突破，從官宣視頻中我們還可以看到，Vidu 還做到了畫面連續(xù)流暢，且有細(xì)節(jié)、邏輯連貫。盡管都是運動畫面，但幾乎不會出現(xiàn)穿模、鬼影、運動不符合現(xiàn)實規(guī)律的問題。

做一個簡單對比，以下是某熱門視頻大模型團隊的視頻生成效果截圖，雖然整體視頻長度才四秒，但僅僅一個準(zhǔn)備跳躍的動作指令，就足以讓畫面里的小貓變成 6 只腳，或者三根尾巴的「鬼影」。

對比如此鮮明，讓人不禁疑惑：為何ChatGPT發(fā)布后，市場馬上涌現(xiàn)一批「達到 GPT 3.5，逼近 GPT4.0」的大模型產(chǎn)品。同樣是追趕，為什么類 Sora 產(chǎn)品卻如此困難？

答案是，ChatGPT 發(fā)布不久，Meta LLama2 開源，開源平替解決了國產(chǎn) ChatGPT 技術(shù)復(fù)現(xiàn)的燃眉之急。而 Sora 沒有開源，技術(shù)細(xì)節(jié)未公開，這就導(dǎo)致，實現(xiàn)「國產(chǎn) Sora」就只剩了自研這一條路可以走。

根據(jù) OpenAI 披露的技術(shù)報告，Sora 核心技術(shù)架構(gòu)背后源自一篇名為《Scalable Diffusion Models with Transformers》的論文，論文提出了一個將 Diffusion（擴散模型）和 Transformer 融合的架構(gòu)——DiT，后面被 Sora 采用。

巧合的是，比 DiT 早兩個多月，清華團隊就提出了用 Transformer 替代基于 CNN 的 U-Net 的網(wǎng)絡(luò)架構(gòu) U-ViT。從架構(gòu)路線上，兩者并無二致。甚至過程中，還曾出現(xiàn)一個小插曲，由于發(fā)布時間更早，當(dāng)年計算機視覺頂會 CVPR 2023 收錄了清華大學(xué)的 U-ViT 論文，卻以「缺乏創(chuàng)新」為由拒稿了 Sora 底層使用的 DiT 論文。

生數(shù)科技的創(chuàng)始團隊正是源于清華大學(xué)該論文團隊。公司的 CTO 鮑凡就是該篇論文的第一作者，此次發(fā)布的 Vidu 模型底層采用的就是 U-ViT 架構(gòu)。也就是說，生數(shù)科技并不屬于追逐 Sora 的一員，而是一早就踏在了同一起跑線，甚至是更早。

由此窺見，生數(shù)科技成立時間雖短，但來頭卻不小。

深扒發(fā)現(xiàn)，論人才，其團隊核心成員來自清華大學(xué)人工智能研究院，是國內(nèi)最早開展深度生成式研究的團隊。論技術(shù)，團隊多項研究成果被 OpenAI、蘋果、Stability AI 等應(yīng)用于 DALL·E 2、Stable Diffusion 等模型中，是現(xiàn)階段在生成式領(lǐng)域發(fā)表論文成果數(shù)最多的國內(nèi)團隊。論背景，生數(shù)科技已獲得螞蟻集團、啟明創(chuàng)投、BV 百度風(fēng)投、字節(jié)系錦秋基金等多家知名機構(gòu)的認(rèn)可，完成數(shù)億元融資。

而真做到這一切的，為什么是生數(shù)？

02 為什么是生數(shù)科技？最重要的答案或許是，生數(shù)科技早早走對了技術(shù)路線。

與市面上大部分視頻生成算法采用基于 U-Net 卷積架構(gòu)的傳統(tǒng)擴散模型不同，生數(shù)科技此次發(fā)布的 Vidu 與 Sora 采用的都是融合架構(gòu)（即上文提到的 U-ViT 與 DiT）。

所謂融合架構(gòu)，可以理解為 Diffusion（擴散模型）與 Transformer 的融合。

Transformer 架構(gòu)被熟知應(yīng)用于大語言模型，該架構(gòu)的優(yōu)勢在于 scale 特性，參數(shù)量越大，效果越好，而 Diffusion 被常用于傳統(tǒng)視覺任務(wù)（圖像和視頻生成）中。

融合架構(gòu)就是在 Diffusion Model（擴散模型）中，用 Transformer 替換常用的 U-Net 卷積網(wǎng)絡(luò)，將 Transformer 的可擴展性與 Diffusion 模型處理視覺數(shù)據(jù)的天然優(yōu)勢進行融合，能在視覺任務(wù)下展現(xiàn)出卓越的涌現(xiàn)能力。

2022 年 9 月，團隊提交了 U-ViT 論文，在全球首次提出將擴散模型與 Transformer 融合的架構(gòu)思路。兩個多月之后推出的 DiT 架構(gòu)同樣采取了這一思路，而后被 Sora 采用。

相比僅在 ImageNet 上做了實驗的 DiT，U-ViT 還在小數(shù)據(jù)集（CIFAR10、CelebA）、ImageNet、圖文數(shù)據(jù)集 MSCOCO 均做了實驗。而且，相比傳統(tǒng)的 Transformer，U-ViT 提出了一項「長連接」的技術(shù)，大大提升了訓(xùn)練收斂速度。

之后，團隊繼續(xù)深入。2023 年 3 月，團隊基于 U-ViT 架構(gòu)在大規(guī)模圖文數(shù)據(jù)集 LAION-5B 上訓(xùn)練出近 10 億參數(shù)量模型 UniDiffuser，并將其開源，UniDiffuser 支持圖文模態(tài)間的任意生成和轉(zhuǎn)換。

UniDiffuser 的實現(xiàn)有一項重要的價值——首次驗證了融合架構(gòu)在大規(guī)模訓(xùn)練任務(wù)中的可擴展性（Scaling Law），相當(dāng)于將融合架構(gòu)在大規(guī)模訓(xùn)練任務(wù)中的所有環(huán)節(jié)流程都跑通。

值得一提的是，同為圖文模型，UniDiffuser 比最近才切換至 DiT 架構(gòu)的 Stable Diffusion 3 領(lǐng)先了一年。

不過，雖然都選了融合架構(gòu)，但在后續(xù)產(chǎn)品路徑的推進上，基于資源等方面的考慮，Sora 團隊選擇「每天基本不睡覺高強度工作了一年」all in 長視頻，生數(shù)科技則選擇從 2D 圖像開始，再進一步拓展到 3D 和視頻。

路線沒有對錯之分，一個基本常識是，國內(nèi)創(chuàng)業(yè)公司，技術(shù)路線可以與 OpenAI 一樣，說明目光足夠長遠；但商業(yè)化打法參考 OpenAI 就是自尋死路——Sora 背后是 OpenAI 的技術(shù)實力，以及微軟的幾乎無限制的算力支持，普通公司沒有學(xué)習(xí)的資本。

也是因此，回顧整個 2023 年，生數(shù)科技主要資源都放在了圖像和 3D 上。到了今年 1 月份，生數(shù)科技才正式上線 4 秒短視頻生成，2 月份 Sora 發(fā)布之后，公司正式攻堅，很快便在 3 月份就突破了 8 秒的視頻生成，4 月份實現(xiàn) 16 秒長度突破，生成質(zhì)量與時長，全方面取得突破。

僅僅兩個月的時間就完成從 4 秒到 16 秒的訓(xùn)練任務(wù)，速度令人吃驚。

背后不僅源自技術(shù)架構(gòu)層面的「前瞻」，也在于通過過去圖像到 3D 到視頻的循序漸進，讓團隊積累了高效的工程化經(jīng)驗。

視頻本質(zhì)上是圖像在時間序列上的擴增，可以看成連續(xù)多幀的圖像，所以先從圖像開始入手，基礎(chǔ)建設(shè)類的工程化工作，比如數(shù)據(jù)的收集、清洗、標(biāo)注以及模型的高效訓(xùn)練等經(jīng)驗，是可以復(fù)用的。Sora 就是這么做的：它采用了 DALL·E 3 的重標(biāo)注技術(shù)，通過為視覺訓(xùn)練數(shù)據(jù)生成詳細(xì)的描述，使模型能夠更加準(zhǔn)確地遵循用戶的文本指令生成視頻。

據(jù)悉，「Vidu」也復(fù)用了生數(shù)科技在圖文任務(wù)的很多經(jīng)驗，通過在前期的圖像等任務(wù)中的準(zhǔn)備鋪墊，生數(shù)科技利用視頻數(shù)據(jù)壓縮技術(shù)降低了輸入數(shù)據(jù)的序列維度，同時采用自研的分布式訓(xùn)練框架，在保證計算精度的同時，通信效率提升 1 倍，顯存開銷降低 80%，訓(xùn)練速度累計提升 40 倍。

路要一步一步走，飯要一口一口吃。在這個搶奪「國產(chǎn) Sora」的商業(yè)游戲中，技術(shù)上找對和認(rèn)準(zhǔn)方向是第一步；而走出「國產(chǎn)」特色，也是生存下去的必要條件，二者缺一不可。