只要输入一段文字,就能轻松生成视频,画面清晰丰富,栩栩如生。近日,美国人工智能研究公司OpenAI发布的文生视频模型Sora在全球引发关注。
一些业内人士指出,Sora将引领新一轮行业变革,与此同时,这一技术带来的“虚实难辨”的风险,也引发人们的警惕与担忧。Sora究竟基于怎样的技术原理,将给我们的生活带来怎样的影响?记者采访了有关专家。
在人群中行进的春节舞龙队伍、踏过白雪覆盖的草地的猛犸象、动物运动员参加海上自行车比赛……在各大社交媒体上,Sora的演示视频获得大量转发。
根据OpenAI官方介绍,Sora能根据文字指令,创作长达60秒的视频。视频包含多角度镜头,不仅能够生成具有连贯性的场景,还能够模拟复杂的场景和角色表情,为视频增添更多细节和想象力。
例如,根据文字“一位时尚女性走在充满温暖霓虹灯和动画城市标牌的东京街道上,她穿着黑色皮夹克、红色长裙和黑色靴子,拎着黑色钱包。她戴着太阳镜,涂着红色口红。她走路自信又随意。街道潮湿且反光,在彩色灯光的照射下形成镜面效果。许多行人走来走去”的提示,Sora生成了一段60秒的视频,画面质感高级,人物肌肤纹理的细节逼真。有网友表示,如果不注明AI生成,自己完全分不出真假。美国特斯拉公司首席执行官埃隆·马斯克也感叹:“人类认赌服输。”
近日,比利时布鲁塞尔,Sora模型根据文本内容生成的视频正在智能手机上展示。图片来源:视觉中国
不过,一些视频也存在穿帮或不合常理之处。例如,文字提示为“一只穿着黑色连帽运动衫的电脑黑客拉布拉多猎犬坐在电脑前,当它快速打字时,屏幕的眩光照射在狗的脸上”的视频中,“电脑黑客拉布拉多猎犬”在一个贴满海报的房间内,驾轻就熟地运用键盘,但屏幕的眩光同时也照亮了显示器的背面。而另一个被描述为“低至地面的摄像机密切跟踪丛林中的蚂蚁,深入地下进入它们的世界”的视频里,超微距追踪蚁群的效果堪比纪录片,但出现的蚂蚁都只有四条腿。
虽然Sora仍有弱点,但从当前展示的效果来看,Sora显著领先于其他文生视频模型。有业内人士指出,Sora的诞生推动AI视频生成“进入了一个全新的时代”。
据OpenAI官网介绍,Sora模型基于Transformer架构,通过训练,Sora学会了理解和处理文本提示,将用户的描述转化为视频内容。
从ChatGPT到Sora,从文本到图像再到视频,人工智能大模型何以合成出有意义、有价值的内容?在浙江大学人工智能研究所所长吴飞看来,这一次次带来震撼的技术背后,都遵循着同一个原理:对合成内容中的最小单元进行有意义的关联组合。“比如,在保持连贯的上下文语境中,对若干个单词进行有意义线性组合,从而连缀成一个会意句子;在保持合理的空间布局下,对众多图像小块进行有意义结构组合,拼合为一幅精彩图像;在保持一致的连续时空内,对一系列时空子块进行有意义时空组合,从而拼接成一段动感视频。”
吴飞告诉记者,只要给定足够多的句子,Transformer架构就可学习句子中单词与单词之间的共生关联关系。“比如,‘项庄舞剑,意在沛公’这样的句子在若干篇文章中出现,那么Transformer就会认为‘项庄’‘舞剑’‘沛公’等单词之间存在共生关系,于是就在它们之间建立关联。”在对海量语料数据库进行学习的基础上,人工智能算法就可建立起一个巨大无比的单词共生关联网络图。此后,每当人们给定一个单词,算法就可按照要求,从单词共生关联网络图中找到下一个与之关联关系最密切的单词,作为给定单词的后续单词,最终达到自然语言合成的目的。
人工智能程序一旦捕获了单词与单词之间的共生关联,就可利用这种关联来合成句子。而如果将图像切分为空间子块,或者将视频切分为时空子块,人工智能模型去学习这些子块在空间维度中的布局分布、在时间维度上的连续变化等信息,同时学习子块之间运动、颜色、光照、遮挡等复杂视觉特征,就可能重建、合成新的视频序列。
吴飞介绍,Sora先是将文本单词和视觉子块映射到同构低维隐性空间,在这一低维隐性空间中引入扩散模型,对视觉信息加噪和去噪反复迭代,犹如先破坏再重建般学习,千锤百炼地挖掘文本单词、空间子块和时空子块之间的关联关系。“这就好比鲁班学艺,不断将大桥拆散再拼装,从这个反复过程中知晓它们的支座系统、桥墩、桥台和墩台之间的组合关系,从而练就重建大桥的能力。”吴飞说,正因如此,Sora合成视频的过程并非是简单随机的“鹦鹉学舌”,而是对物理世界“昨日重现”般的重建。
一些专家指出,大模型驱动的生成式AI具有极为广阔的应用前景,有望为众多行业带来强大的赋能效应。
工信部信息通信经济专家委员会委员刘兴亮此前在接受媒体采访时表示,Sora的诞生标志着AI技术在内容创作领域的一个新。在中央财经大学数字经济融合创新发展中心主任陈端看来,长期来看,Sora将远远不只是内容生产工具,其构建的基于三维物理世界来创造数字原生世界的强大引擎,将给一些产业从底层工具层面带来变化,形成深远影响。
“Sora只是小试牛刀,它展现的不仅仅是一个视频制作的能力,而是大模型对真实世界有了理解和模拟之后,会带来新的成果和突破。”360集团创始人周鸿祎认为,有大模型技术作为基础,加上人类知识的引导,可以创造各个领域的超级工具,“一旦人工智能接上摄像头,把所有的电影都看一遍,把YouTube上和TikTok的视频都看一遍,对世界的理解将远远超过文字学习,一幅图胜过千言万语,而视频传递的信息量又远远超过一幅图,这就离通用人工智能(AGI)真的不远了。”
通常而言,AGI是指拥有与人类相当甚至超过人类智能的人工智能类型,不仅具有像人类一样进行感知、理解、学习和推理等基础思维能力,还能在不同领域灵活应用、快速学习和创造性思考。
不过,也有一些专家对此提出异议。图灵奖得主杨立昆认为Sora并不理解物理规律,只是基于规模训练去扩展了图像。他在社交平台上发文表示:澄清一个误解,从提示中生成大部分看起来逼真的视频并不表明系统理解物理世界,生成与世界模型的因果预测有很大不同。在杨立昆看来,通过生成像素来构建世界模型的方法,注定会失败。
“实际上,我们现在还无法清楚定义AGI。人类对自己如何产生意识、形成各种能力都无法理解,目前奢望像人一样的人工智能仍然只是幻想。”吴飞说。
AI写诗、AI画图、AI音乐……近年来,一系列利用人工智能技术生成内容的涌现,让不少人感叹“未来已来”。事实上,不仅在艺术创作领域,AI技术还在许多行业得到应用。
当地时间2月29日,一年一度的世界移动通信大会(MWC)在巴塞罗那落下帷幕。本届MWC上,科大讯飞展出了其自研的星火认知大模型,会话智能等AI解决方案。据介绍,该认知大模型拥有跨领域的知识和语言理解能力,能够基于自然对话方式理解与执行任务,并从海量数据和大规模知识中持续进化。近期发布的V3.5版本的语言理解、数学能力已超过GPT-4Turbo,将国产大模型推向新高度。
日前,清华大学官网发布的一则新闻称,清华大学与北京宣武医院团队成功进行首例无线微创脑机接口临床试验。手术后,一位四肢瘫痪14年的患者在接受居家脑机接口康复训练后,实现了自主喝水等脑控动作。
2月29日,国家自然科学基金委员会发布2023年度中国科学十大进展,其中,“人工智能大模型为精准天气预报带来新突破”位列第一。“人工智能大模型为精准天气预报带来新突破”是来自华为云计算技术有限公司的研究成果,该模型能够预报7天内的地表层和13个高空层的温度、气压、湿度、风速等气象要素,仅需10秒即可完成全球7天重要气象要素的预报,计算速度较数值方法提升1万倍以上。
当前,我国在人工智能技术和大模型领域已经取得了显著的进展,但与国际领先水平相比,仍存在一些短板。在商务部研究院电子商务研究所副研究员洪勇看来,国际上的部分大型科技公司凭借雄厚的技术积累和资源在人工智能赛道占据领先地位。“中国企业在一些细分领域已具备国际竞争力,但仍有短板。当下需要加强基础科研、培养高层次人才、建立合规体系,并积极参与国际合作与竞争,进一步提升在全球人工智能领域的地位。”
AI热潮在创造许多新机遇的同时,也不可避免地带来前所未有的挑战。在今年1月的美国党初选投票前,部分选民接到“美国总统拜登”来电,随后初步调查显示,这些来电中的声音是由人工智能生成的。
周鸿祎指出,文生视频的“深度伪造”技术可能引发欺诈问题。“例如利用Sora伪造一个以假乱真的视频发给你家里人,说你出事了,说你受伤了,现在住在医院里,赶紧给你微信打款,给你转账,这就非常危险。”
“人工智能是未来的重要发展方向,在构建有效监管体系的同时,也要避免‘一管就死’。”全国政协委员、金杜律师事务所高级合伙人张毅建议,应该尽快推进人工智能法的出台,构建人工智能算法治理体系,弥补监管体系空白,同时引入“监管沙盒”制度,允许算法及人工智能企业在监管机构的监督下,在相对可控的环境内进行试验性开发、测试和验证。