你說箱子裡要裝滿鑽石，於是箱子被鑽石填滿，比實拍還要耀眼。這樣的技能，哪個劇組不喜歡？
這是前段時間 Adobe 旗下的影片剪輯軟體 Premiere Pro 所呈現的「魔法」。該軟體透過引入 Sora、Runway、Pika 等 AI 影片工具，實現在影片中新增物體、消除物體以及生成影片片段等能力，這被視為影片領域的再一次技術革新。
從 2 月份 Sora 席捲全球到如今 Adobe 再施魔法，海外熱火朝天。相比之下，國內在影片領域，尤其是長影片生成方向還處於「等待」狀態。在過去的兩個月裡，我們已經聽到了一些宣稱追趕 Sora 的聲音，但是目前還沒有看到國內取得明顯進展。但今天生數科技剛剛釋出的這支短片，讓我們看到了不少驚喜。
這是生數科技聯合清華大學最新發布的影片大模型「Vidu」所官宣的影片。可以看出，它生成的影片不再是持續幾秒的「GIF」，而是達到了十幾秒（最長可以達到 16 秒左右）。當然更令人驚喜的是，「Vidu」畫面效果非常接近 Sora，在多鏡頭語言、時間和空間一致性、遵循物理規律等方面表現都非常出色，而且還能虛構出真實世界不存在的超現實主義畫面，這是當前的影片生成模型難以實現的。在短短兩個月的時間，生數科技能實現到這般效果，著實令人驚喜。
國內首個全面對標 Sora 的影片模型
自 Sora 釋出之後，「國產 Sora」的爭奪戰就打響了。但當行業都聚焦於「長」這一特性時，卻都忽略了 Sora 的背後其實是綜合效果的提升，例如長時序下的一致性、真實度、美觀性等等。
從綜合效果看，「Vidu」是首個也是唯一在效果層面全面對標 Sora 的影片模型，不僅僅在國內，在全球範圍，也是繼 Sora 之後首個完成突破的影片模型。從具體效果，可以顯著看到幾處明顯的優勢：
給影片注入「鏡頭語言」
在影片製作中有個非常重要的概念 —— 鏡頭語言。它是透過畫面來表達故事情節、揭示角色心理、營造氛圍以及引導觀眾情感的主要方式。不同的鏡頭選擇、角度、運動和組合將極大地影響敘事的效果和觀眾的感受。
現有 AI 生成的影片，能夠明顯地感覺到鏡頭語言的單調，鏡頭的運動侷限於輕微幅度的推、拉、移等簡單鏡頭。其背後的主要原因是，現有的影片內容生成大多是先透過生成單幀畫面，再做連續的前後幀預測，但主流的技術路徑，很難做到長時序的連貫預測，只能做到小幅的動態預測。
Runway 在去年 7 月份生成的科幻電影預告片《Trailer: Genesis》（《創世紀》）。
「Vidu」則突破了這些侷限。在一個「海邊小屋」為主題的片段中，我們可以看到，「Vidu」一次生成的一段片段中涉及多個鏡頭，畫面既有小屋的近景特寫，也有望向海面的遠眺，整體看下來有種從屋內到走廊再到欄杆邊賞景的敘事感。可以看出，「Vidu」能夠圍繞統一主體在一段畫面裡實現遠景、近景、中景、特寫等不同鏡頭的切換。
提示：在一個古色古香的海邊小屋裡，陽光沐浴著房間，鏡頭緩慢過渡到一個陽臺，俯瞰著寧靜的大海，最後鏡頭定格在漂浮著大海、帆船和倒影般的雲彩。（生數旗下 PixWeaver 產品官網放出的完整影片片段）
此外，從短片中的多個片段能看到，「Vidu」能直接生成轉場、追焦、長鏡頭等效果，包括能夠生成影視級的鏡頭畫面，給影片注入鏡頭語言，提升畫面的整體敘事感。
保持時間和空間的一致性
影片畫面的連貫和流暢性至關重要，這背後其實是人物和場景的時空一致性，比如人物在空間中的運動始終保持一致，場景也不能在沒有任何轉場的情況下突變。而這一點 AI 很難實現，尤其時長一長，AI 生成的影片將出現敘事斷裂、視覺不連貫、邏輯錯誤等問題， 這些問題會嚴重影響影片的真實感和觀賞性。
「Vidu」在一定程度上克服了這些問題。從它生成的一段「帶珍珠耳環的貓」的影片中可以看到，隨著鏡頭的移動，作為畫面主體的貓在 3D 空間下一直保持著表情、服飾的一致，影片整體上非常連貫、流暢，保持了很好的時間、空間一致性。
提示：這是一隻藍眼睛的橙色貓的肖像，慢慢地旋轉，靈感來自維米爾的《戴珍珠耳環的少女》，畫面上戴著珍珠耳環，棕色頭髮像荷蘭帽一樣，黑色背景，工作室燈光。（生數旗下 PixWeaver 產品官網放出的完整影片片段）
模擬真實物理世界
Sora 令人驚豔的一大特點，就是能夠模擬真實物理世界的運動，例如物體的移動和相互作用。其中 Sora 釋出過的一個經典案例 ——「一輛老式 SUV 行駛在山坡上」的畫面，非常好地模擬了輪胎揚起的灰塵、樹林中的光影以及車行駛過程中的陰影變化。在同樣的提示詞下，「Vidu」與 Sora 生成效果高度接近，灰塵、光影等細節與人類在真實物理世界中的體驗非常接近。
提示：鏡頭跟隨一輛帶有黑色車頂行李架的白色老式 SUV，它在陡峭的山坡上一條被松樹環繞的陡峭土路上加速行駛，輪胎揚起灰塵，陽光照射在 SUV 上，給整個場景投射出溫暖的光芒。土路緩緩地蜿蜒延伸至遠方，看不到其他汽車或車輛。道路兩旁都是紅杉樹，零星散落著一片片綠意。從後面看，這輛車輕鬆地沿著曲線行駛，看起來就像是在崎嶇的地形上行駛。土路周圍是陡峭的丘陵和山脈，上面是清澈的藍天和縷縷雲彩。（生數旗下 PixWeaver 產品官網放出的完整影片片段） 
Sora的生成效果。
當然在「帶有黑色車頂行李架」的區域性細節上，「Vidu」沒能生成出來。但瑕不掩瑜，它的整體效果已高度接近真實世界。
豐富的想象力
與實景拍攝相比，用 AI 生成影片有一個很大的優勢 —— 它可以生成現實世界中不存在的畫面。以往，這些畫面往往要花費很大的人力、物力去搭建或做成特效，但是 AI 短時間就可以自動生成了。
比如在下面這個場景中，「帆船」、「海浪」罕見地出現在了畫室裡，而且海浪與帆船的互動動態非常自然。
提示：畫室裡的一艘船駛向鏡頭。（生數旗下 PixWeaver 產品官網放出的完整影片片段）
短片中的「魚缸女孩」的片段也是奇幻但又具有一定的合理感。這種能夠虛構真實世界不存在的畫面的能力，對於創作超現實主義內容非常有幫助，不僅可以激發創作者的靈感，提供新穎的視覺體驗，還能拓寬藝術表達的邊界，帶來更加豐富和多元化的內容形式。
理解中國元素
除了以上四方面的特點外，我們從「Vidu」放出的短片中還看到了一些不一樣的驚喜，「Vidu」能夠生成特有中國元素的畫面，比如熊貓、龍、宮殿場景等。
提示：在寧靜的湖邊，一隻熊貓熱切地彈著吉他，讓整個環境變得活躍起來。晴朗天空下平靜的水面倒映著這一場景，以生動的全景鏡頭捕捉到，將現實主義與大熊貓活潑的精神融為一體，創造出活力與平靜的和諧融合。（生數旗下 PixWeaver 產品官網放出的完整影片片段）
兩個月快速突破，背後是怎麼做到的？
「Vidu」背後的研發團隊生數科技是國內多模態大模型方向的創業團隊，核心成員來自清華大學人工智慧研究院，團隊專注於影像、3D、影片等多模態生成領域。
在今年 1 月份，生數科技在旗下視覺創意設計平臺 PixWeaver 就上線了短影片生成功能，支援 4 秒高美學性的短影片內容。2 月份 Sora 推出後，據悉，生數科技內部成立了正式的攻堅小組，加快了原本影片方向的研發進度，3 月份內部就實現了 8 秒的影片生成，緊接著 4 月份就突破了 16 秒生成，生成質量與時長全方面取得突破。
眾所周知，Sora 並沒有公佈太多的技術細節，能在這麼短的時間內取得突破，背後核心是團隊深厚的技術積累和諸多從 0 到 1 的原創成果，尤其是在最核心的技術架構層面。
「Vidu」底層基於完全自研的 U-ViT 架構，該架構由團隊在 2022 年 9 月提出，早於 Sora 採用的 DiT 架構，是全球首個 Diffusion 和 Transformer 融合的架構。
在 DiT 論文釋出兩個月前，清華大學的朱軍團隊提交了一篇論文 ——《All are Worth Words: A ViT Backbone for Diffusion Models》。這篇論文提出了用 Transformer 替代基於 CNN 的 U-Net 的網路架構 U-ViT。這是「Vidu」最重要的技術基礎。
在技術路線上，「Vidu」採用了和 Sora 完全一致的 Diffusion 和 Transformer 融合的架構。不同於採用插幀的多步驟處理方式來達到長影片的生成，「Vidu」採用的是和 Sora 一致的路線，即透過單一步驟直接生成高質量的影片。從底層來看，這是一種「一步到位」的實現方法，基於單一模型完全端到端生成，不涉及中間的插幀和其他多步驟的處理，文字到影片的轉換是直接且連續的。
另外基於 U-ViT 架構，2023 年 3 月，團隊在開源的大規模圖文資料集 LAION-5B 上訓練了 10 億引數量的多模態模型 ——UniDiffuser，並將其開源（參見《清華朱軍團隊開源首個基於 Transformer 的多模態擴散大模型，文圖互生、改寫全拿下》）。
UniDiffuser 主要擅長圖文任務，能支援圖文模態間的任意生成和轉換。UniDiffuser 的實現有一項重要的價值 —— 首次驗證了融合架構在大規模訓練任務中的可擴充套件性（Scaling Law），相當於將 U-ViT 架構在大規模訓練任務中的所有環節流程都跑通。值得一提的，UniDiffuser 比同樣 DiT 架構的圖文模型 Stable Diffusion 3 的提出領先了一年。
這些在圖文任務中積累的工程經驗為影片模型的研發打下了基礎。因為影片本質上是影像的流，相當於是影像在時間軸上做了一個擴增。因此，在圖文任務上取得的成果往往能夠在影片任務中得到複用。Sora 就是這麼做的：它採用了 DALL・E 3 的重標註技術，透過為視覺訓練資料生成詳細的描述，使模型能夠更加準確地遵循使用者的文字指令生成影片。這種效應也必然會發生在「Vidu」上面。
根據此前的訊息推測，「Vidu」也複用了生數科技在圖文任務的很多經驗，包括訓練加速、並行化訓練、低視訊記憶體訓練等等，從而快速跑通了訓練流程。據悉，他們透過影片資料壓縮技術降低輸入資料的序列維度，同時採用自研的分散式訓練框架，在保證計算精度的同時，通訊效率提升 1 倍，視訊記憶體開銷降低 80%，訓練速度累計提升 40 倍。
從圖任務的統一到融合影片能力，「Vidu」可被視為一款通用視覺模型，能夠支援生成更加多樣化、更長時長的影片內容。官方也透露，「Vidu」目前還在加速迭代提升。面向未來，「Vidu」靈活的模型架構也將能夠相容更廣泛的多模態能力。
來自清華系的精幹團隊
最後，再聊下「Vidu」背後的團隊 —— 生數科技，這是一支清華背景的精幹團隊。
生數科技的核心團隊來自清華大學人工智慧研究院。首席科學家由清華人工智慧研究院副院長朱軍擔任；CEO 唐家渝本碩就讀於清華大學計算機系，是 THUNLP 組成員；CTO 鮑凡則是清華大學計算機系博士生、朱軍教授的課題組成員，長期關注擴散模型領域研究，U-ViT 和 UniDiffuser 兩項工作均是由他主導完成的。
團隊從事生成式人工智慧和貝葉斯機器學習的研究已有 20 餘年，在深度生成模型突破的早期就開展了深入研究。在擴散模型方面，團隊於國內率先開啟了該方向的研究，成果涉及骨幹網路、高速推理演算法、大規模訓練等全棧技術方向。
團隊於 ICML、NeurIPS、ICLR 等人工智慧頂會發表多模態領域相關論文近 30 篇，其中提出的免訓練推理演算法 Analytic-DPM、DPM-Solver 等突破性成果，獲得 ICLR 傑出論文獎，並被 OpenAI、蘋果、Stability.ai 等國外前沿機構採用，應用於 DALL・E 2、Stable Diffusion 等明星專案中。
自 2023 年成立以來，團隊已獲得螞蟻集團、啟明創投、BV 百度風投、位元組系錦秋基金等多家知名產業機構的認可，完成數億元融資。據悉，生數科技是目前國內在多模態大模型賽道估值最高的創業團隊。此次「Vidu」的推出，是生數科技在多模態原生大模型領域的再一次創新和領先。
相關閱讀：
《專訪生數科技唐家渝：拿到上億融資，Transformer 來做多模態大模型》
《國內公司有望做出 Sora 嗎？這支清華系大模型團隊給出了希望》