丝袜 porn 潞晨尤洋：视频生成的GPT-4时刻，3年后可以见证
奥特曼说丝袜 porn，Sora 代表了视频生成大模子的 GPT-1 时刻。
从开年到咫尺，国表里、初创独角兽到互联网大厂，都纷繁参加视频生成限制，带来一个个崭新模子的同期，视频、影视行业也随之发生剧变。
不可否定，当下的视频生成模子还遭受诸多问题，比如对空间、对物理规定的贯通，咱们都期待着视频生成的 GPT-3.5/4 时刻到来。
在国内，有这么一家从加快磨练启程的初创公司，正在为此勤快。
它即是潞晨科技，首创东说念主尤洋博士毕业于 UC 伯克利，后赴新加坡国立大学担任校长后生老师。
本年潞晨科技在加快计较限制以外，建树视频生成模子 VideoOcean，为行业带来更具性价比的遴荐。
在 MEET 2025 现场，尤洋博士也向咱们共享这一年关于视频生成限制的贯通与贯通。
MEET 2025 智能异日大会是由量子位足下的行业峰会，20 余位产业代表与会无间。线下参会不雅众 1000+，线上直播不雅众 320 万 +，得到了主流媒体的庸俗存眷与报说念。
中枢不雅点梳理
视频生成模子应该结果轮廓化文本适度、纵情机位 / 纵情角度、扮装一致性、作风定制化
3 年后大略就能迎来视频生成的 GPT-3.5/GPT-4 时刻
视频生成大模子的一个平直诈欺价值即是松弛试验的结果，极大裁汰简直场景复现难度。
（为更好呈现尤洋的不雅点，量子位在不蜕变首肯的基础上作念了如下梳理）
3 年后或是视频大模子的 GPT-3.5 时刻
今天相等振作来到量子位大会，相等振作和群众换取，今天讲一下咱们在视频大模子限制作念的一些责任。
领先是我和我的创业公司潞晨科技的先容。我从 UC 伯克利毕业到新加坡国立大学任教，很侥幸创办了潞晨科技。
咱们之前是作念算力优化的。2018 年谷歌打造了寰宇上第一个千卡集群 TPU Pod，那时寰宇上最大的模子仍是 BERT。咱们匡助谷歌，将（那时）寰宇上最大模子的磨练时候从 3 天压缩到 76 分钟。
也很侥幸，昨年华为盘古大模子的一个责任亦然咱们沿途来作念的，并得到了 ACL 最好论文。咱们的手艺匡助华为盘古大模子在磨练中更高效。微软、英伟达等公司团队也使用了咱们的手艺作念一些漫衍式磨练，咱们但愿让大模子磨练更快、老本更低。
步入今天的话题，来要点先容一下视频生成大模子。
咱们打造了一个家具叫Video Ocean，咫尺正处在测试阶段。先来先容一下家具，背面再有计划我以为视频大模子将会如何发展。
领先，我以为视频大模子第一个蹙迫的方面是，它应该能够结果轮廓化的文本适度。
其实咱们今天都在用 AI 去生成大模子了，咱们细目但愿它能够精确反应出念念要的东西。但很缺憾，比如咫尺用文生图 APP 去生成图片时，仍是会发现许多图片本体无法作念到精确适度，是以我认为这方面还有很大的发展空间。
在 Video Ocean 模子磨练进程中，咱们作念了一些初步探索。一个比拟好的例子，咱们能够精确地提供一些刻画，戴着墨镜，长的胡茬的欧洲男东说念主。可想而知这个视频内部如实是咱们念念要的阿谁嗅觉，蓝天、海岸、沙滩、背光、单手抓相机、玄色 T 恤，也有对着镜头话语。
我认为 AI 视频大模子异日 3 年可能最蹙迫的仍是结果视频大模子的 Scaling Law。
这个进程不需要相等炫酷的家具才气，最蹙迫的是把它的模子与试验寰宇的无间才气作念到极致。我以为最终形态即是东说念主们说一段话、给一段刻画，它能精确地把刻画以视频的阵势展示出来。
是以我以为异日 3 年，AI 视频大模子就像山姆 · 奥特曼说的那样，今天是 Video 的 GPT-1 时刻，可能 3 年后到视频大模子的 GPT-3.5、GPT-4 时刻。
这里展示一下 Video Ocean 的 Demo，咫尺咱们作念到了这么的水平。
第二点是异日视频大模子若何能够结果纵情机位、纵情角度。
咫尺拍电影、拍记录片可以拿入部下手机、录像机不断地晃，念念若何晃就若何晃，这么是对镜头有简直适度的。异日 AI 视频大模子，领先应该作念到这少许，不异的刻画，换一下角度、换一个镜头，它的形象是不应该蜕变的，它即是不异一个物体。
更进一步讲，异日 AI 视频大模子还能颠覆许多行业。比如咫尺看足球、看篮球赛，咱们看到的镜头是现场编导给咱们看的镜头。他给咱们看前景、近景。
异日能不成依靠 AI 视频大模子，东说念主来适度镜头，决定念念要看哪，绝顶于在通顺场里可以一忽儿迁移，迁移到教师席、终末一行、第一行。纵情机位、纵情角度的适度。我以为异日 AI 视频大模子在这方面也长短常环节的，天然天然 Video Ocean 咫尺作念了一些尝试，初步后果仍是可以的。
我以为第三点蹙迫的是扮装一致性。
因为作念出 AI 视频大模子，最终细目是需要产生营收、结果变现的。谁会风光为这个付费，比如告白责任室、告白商、电商博主、影视行业。要是长远这些行业的话，一个环节点是扮装一致性。
比如一个家具的告白，细目从新到尾这个视频中的衣裳、鞋、车，神态不成有太大变化，物体扮装保抓一致性。
拍一部电影，从来源到结果，主演的神态、环节副角的神态细目也不成变化，在这方面 Video Ocean 也作念一些很好的探索。
再一个是作风的定制化。咱们知说念咫尺演员东说念主工老本长短常贵的，说念具老本也很高。
异日 3 年之内，要是 AI 视频大模子泛泛发展，我嗅觉会有一种需求，比如一个导演可以让一个演员在游池塘里拍一段戏，然后拿到素材通过 AI 将它转成泰坦尼克场景下的游水，转成阿凡达场景下的游水，这种才气反而是 AI 最擅长的。赋予电影感、艺术感的画面。
总之大模子一个平直的诈欺价值即是松弛试验的结果，能够极大裁汰简直场景复现的难度。
可能之前群众听过一个段子，好莱坞导演念念制造一个爆炸镜头，他算了一下预算，第一种决策是盖一个城堡把它炸掉，第二个决策是用计较机模拟这个画面。老本算下来之后，发现这两种决策的老本都很高，那时用计较机模拟的老本更高，咫尺 AI 即是要大幅裁汰大模子关于生成电影的老本。
要是这少许结果后，咱们可以不受神气、天气等外部要素的结果，并减少对简直演员的依赖。这倒不是抢演员的饭碗，因为一些环节镜头长短常危境的，比如演员跳飞机、跳楼，演员去维持行将引爆的炸弹之类，这种镜头异日只需要演员的身份和肖像权，AI 可以把这么的镜头作念好，是以对电影行业能够极大作念到降本增效。
犀利人妻正如昆仑万维方汉老师刚才说的，天然咱们的计较资源有限，然而咱们发现通过更好的算法优化如实能够训出更好的后果，比如 Meta 使用 6000 多个 GPU 磨练 30B 的模子，最近咱们会在一个月内发一个 10B 版的模子，咱们仅用了 256 卡。
Video Ocean 前身是咱们团队先打造了一个Open-Sora的开源家具，这个开源家具是都备免费的，在 Github 上，后果相等可以，比如好意思国独角兽 Lambda labs 作念了一个火爆的诈欺数字乐高，其实这个数字乐高即是基于 Open-Sora 作念的。
本年龄首 Sora 出来之后，各式短视频巨头都对视频大模子这一块比拟深爱，比如中国的快手、抖音，好意思国即是 Instagram、TikTok、SnapChat，这可以看到 SnapChat 的视频模子也在早些时候发布了，叫 Snap Video，这是它的官方论文，他们就援用了咱们磨练视频大模子的手艺，是以说这些手艺也匡助一些巨头信得过把视频大模子训得更快，精度更高，智能进度更高。
谢谢群众！