AI文生视频，会在明年迎来“GPT时刻”

声明:本文来自于微信公众号 AI新智能（ID:alpAIworks），作者:举大名耳，授权转载发布。

在当下的AI赛道上，AI生文、生图的应用，早已层出不穷，相关的技术，也在不断日新月异。

而与之相比，AI文生视频，却是一个迟迟未被“攻下”的阵地。

抖动、闪现、时长太短，这一系列缺陷，让AI生成的视频只能停留在“图一乐”的层面，很难拿来使用，更不要说提供商业上的赋能。

直到最近，某个爆火的应用，再次燃起了人们对这一赛道的关注。

关于这个叫做Pika的文生视频AI，这些天想必大家已经了解了很多。

因此，这里不再赘述Pika的各种功能、特点，而是单刀直入地探讨一个问题，那就是:

Pika的出现，是否意味着AI文生视频距离人们期望中的理想效果，还有多远?

1

难题与瓶颈

实事求是地说，目前的AI文生视频赛道，难度和价值都很大。

而其中最大的难点，莫过于让画面变得“抽风”的抖动问题。

关于这一点，任何使用过Gen-2Runway 等文生视频AI的人，都会深有体会。

抖动、闪现，以及不时出现的画面突变，让人们很难获得一个稳定的生成效果。

而这种“鬼畜”现象的背后，其实是帧与帧之间联系不紧密导致的。

具体来说，目前AI生成视频技术，与早期的手绘动画很相似，都是先绘制很多帧静止的图像，之后将这些图像连接起来，并通过一帧帧图像的渐变，实现画面的运动。

但无论是手绘动画还是AI生成的视频，首先都需要确定关键帧。因为关键帧定义了角色或物体在特定时刻的位置和状态。

之后，为了让画面看起来更流畅，人们需要在这些关键帧之间添加一些过渡画面（也称为“过渡帧”或“内插帧”）。

可问题就在于，在生成这些“过渡帧”时，AI生成的几十帧图像，看起来虽然风格差不多，但连起来细节差异却非常大，视频也就容易出现闪烁现象。

这样的缺陷，也成了AI生成视频最大的瓶颈之一。

而背后的根本原因，仍旧是所谓的“泛化”问题导致的。

用大白话说，AI的对视频的学习，依赖于大量的训练数据。如果训练数据中没有涵盖某种特定的过渡效果或动作，AI就很难学会如何在生成视频时应用这些效果。

这种情况，在处理某些复杂场景和动作时，就显得尤为突出。

除了关键帧的问题外，AI生成视频还面临着诸多挑战，而这些挑战，与AI生图这种静态的任务相比，难度根本不在一个层面。

例如:

动作的连贯性:为了让视频看起来自然，AI需要理解动作的内在规律，预测物体和角色在时间线上的运动轨迹。

长期依赖和短期依赖:在生成视频时，一些变化可能在较长的时间范围内发生（如角色的长期动作），而另一些变化可能在较短的时间范围内发生(如物体的瞬时运动)。

为了解决这些难点，研究人员采用了各种方法，如使用循环神经网络（RNN）、长短时记忆网络(LSTM)和门控循环单元(GRU)来捕捉时间上的依赖关系等等。

但关键在于，目前的AI文生视频，并没有形成像LLM那样统一的，明确的技术范式，关于怎样生成稳定的视频，业界其实都还处于探索阶段。

2

难而正确的事

AI文生视频赛道，难度和价值都很大。

其价值，就在于其能真切地解决很多行业的痛点和需求，而不是像现在的很多“套壳”应用那样，要么锦上添花，要么圈地自萌。

关于这点，可以从“时间”和“空间”两个维度上，对AI文生视频的将来的价值空间做一番审视。

从时间维度上来说，判断一种技术是不是“假风口”、假繁荣，一个最重要的标准，就是看人们对这类技术的未来使用频率。

根据月狐iAPP统计的数据，从2022年Q2到今年6月，在移动互联网的所有类别的APP中，短视频的使用时长占比均高达30%以上，为所有类别中最高。

除了时间这一“纵向”维度外，倘若要在空间维度上，考量一种技术的生命力，最关键的指标，就是看其究竟能使多大范围内的群体受益。

因为任何技术想要“活”下来，就必须像生物体那样，不断地传播、扩散自己，并在不同环境中自我调整，从而增加多样性和稳定性。

例如在媒体领域，根据Tubular Labs的《2021年全球视频指数报告》，新闻类别的视频观看量在2020年同比增长了40%。

同样地，在电子商务方面，根据Adobe的一项调查，大约60%的消费者在购物时更愿意观看产品视频，而不是阅读产品描述。

而在医疗领域，根据MarketsandMarkets的报告，全球医学动画市场预计从2020年到2025年将以12.5%的复合年增长率增长。

在金融行业中，HubSpot的一项研究表明，视频内容在转化率方面表现优异。视频内容的转化率比图文内容高出4倍以上。

这样的需求，表明了从时间、空间这两个维度上来说，视频制作领域，都是一个蕴含着巨大增量的“蓄水池”。

然而，要想将这个“蓄水池”的潜力完全释放出来，却并不是一件容易的事。

因为在各个行业中，对于非专业人士来说，学习如何使用复杂的视频制作工具（如Adobe Premiere Pro、Final Cut Pro或DaVinci Resolve）可能非常困难。

而对于专业人士来说，制作视频还是个耗时的过程。他们得从故事板开始，规划整个视频的内容和结构，然后进行拍摄、剪辑、调色等等。

有时候，仅仅一分半的广告视频，就可能耗时一个月之久。

从这个角度来说，打开了AI文生视频这条赛道，就相当于疏通了连接在这个蓄水池管道里的“堵塞物”。

在这之后，暗藏的财富之泉，将喷涌而出，为各个行业带来新的增量与繁荣。

从这样的角度来看，文生视频这条赛道，即使再难，也是正确的，值得的。

3

行业引领者

赛道既已确定，接下来更重要的，就是判断在这样的赛道中，有哪些企业或团队会脱颖而出，成为行业的引领者。

目前，在AI文生视频这条赛道上，除了之前提到的Pika，其他同类企业也动作频繁。

科技巨头Adobe Systems收购了Rephrase.ai，Meta推出了Emu Video，Stability AI发布了Stable Video Diffusion，Runway对RunwayML进行了更新。

而就在昨天，AI视频新秀NeverEnds也推出了最新的2.0版本。

从目前来看，Pika、Emu Video、NeverEnds等应用，已经显示出了不俗的实力，其生成的视频，已大体上能保持稳定，并减少了抖动。

但从长远来看，要想在AI文生视频领域持续保持领先，至少需要具备三个方面的条件:

1、强大的算力

在视频领域，AI对算力的要求，比以往的LLM更甚。

这是因为，视频数据包含的时间维度和空间维度，都要比图片和文字数据更高。同时为了捕捉视频中的时间动态信息，视频模型通常需要具有更复杂的结构。

更复杂的结构，就意味着更多的参数，而更多的参数，则意味着所需的算力倍增。

因此，在将来的AI视频赛道上，算力资源仍旧是一个必须跨过的“硬门槛”。

2、跨领域合作

与图片或文字大模型相比，视频大模型通常涉及更多的领域，综合性更强。

其需要整合多种技术，例如来实现高效的视频分析、生成和处理。包括但不限于:图像识别、目标检测、图像分割、语义理解等。

如果将当前的生成式AI比作一棵树，那么LLM就是树的主干，文生图模型则是主干延伸出的枝叶和花朵，而视频大模型，则是汲取了各个部位（不同类型数据）的养分后，结出的最复杂的果实。

因此，如何通过较强的资源整合能力，进行跨领域的交流、合作，就成了决定团队创新力的关键。

3、技术自主性

诚如之前所说，在目前的文生视频领域，业界并没有形成像LLM那样明确的、统一的技术路线。业界都在往各种方向尝试。

而在一个未确定的技术方向上，如何给予一线的技术人员较大的包容度，让其不断试错，探索，就成了打造团队创新机制的关键。

对于这个问题，最好解决办法，就是让技术人员亲自挂帅，使其具有最大的“技术自主性”。

诚如Pika Labs的创始人Chenlin所说:“如果训练数据集不够好看，模型学到的人物也不会好看，因此最终你需要一个具有艺术审美修养的人，来选择数据集，把控标注的质量。”

在各企业、团队不断竞争，行业新品不断涌现的情况下，文生视频AI的爆发期，就成了一件十分具体的，可以预期的态势。

按照Pika Labs创始人Demi的判断，行业也许会在明年迎来AI视频的“GPT时刻”。

尽管技术的发展，有时并不会以人的意志为转移，但当对一种技术的渴望，成为业界的共识，并使越来越多的资源向其倾斜时，变革的风暴，就终将会到来。