聲明:本文來自于微信公眾號 新智元（ID:AI_era），作者:新智元，授權(quán)轉(zhuǎn)載發(fā)布。
【新智元導(dǎo)讀】2023年，也是AI視頻元年。過去一年究竟有哪些爆款應(yīng)用誕生，未來視頻生成領(lǐng)域面臨的難題還有哪些?
過去一年，AI視頻領(lǐng)域我們見證了，Gen-2、Pika等爆款產(chǎn)品的誕生。
來自a16z的Justine Moore，詳細(xì)盤點了人工智能視頻生成領(lǐng)域的現(xiàn)狀、不同模型比較，以及還未解決的技術(shù)挑戰(zhàn)。
接下來，一起看看這篇文章都講了什么?
AI視頻生成大爆發(fā)
2023年是AI視頻取得突破的一年。不過，今年過去了一個月，暫未有公開的文本到視頻的模型。
短短12個月，數(shù)十種視頻生成產(chǎn)品受到了全球數(shù)以萬計的用戶的青睞。
不過，這些AI視頻生成工具仍相對有限，多數(shù)只能生成3-4秒的視頻，同時質(zhì)量往往參差不齊，角色一致性等問題尚未解決。
也就是說，我們還遠(yuǎn)不能制作出一個只有文字提示，甚至多個提示的皮克斯級別的短片。
然而，我們在過去一年中在視頻生成方面取得的進(jìn)步表明，世界正處于一場大規(guī)模變革的早期階段——與我們在圖像生成方面看到的情況類似。
我們看到，文本到視頻的模型在不斷改進(jìn)，圖像到視頻，以及視頻到視頻等分支也在蓬勃發(fā)展。
為了幫助了解這一創(chuàng)新的爆炸式增長，a16z追蹤了到目前為止最需要關(guān)注的公司，以及該領(lǐng)域仍然存在的潛在問題。
今天，你可以在哪里生成AI視頻?
21個視頻生成產(chǎn)品
今年到目前為止，a16z已經(jīng)跟蹤了21種公開產(chǎn)品。
雖然你可能聽說過Runway、Pika、Genmo和Stable Video Diffusion，但還有許多其他的東西需要探索。
這些產(chǎn)品大多來自初創(chuàng)公司，其中許多都是從Discord bots，有以下幾個優(yōu)勢:
- 不需要構(gòu)建自己面向消費(fèi)者的界面，只需專注于模型質(zhì)量
- 可以利用Discord每月1.5億活躍用戶的基礎(chǔ)進(jìn)行分發(fā)
- 公共渠道為新用戶提供了一種簡便的方式，讓他們獲得創(chuàng)作靈感（通過查看他人的創(chuàng)作）
然而，隨著技術(shù)成熟，我們開始看到越來越多的AI視頻產(chǎn)品建立自己的網(wǎng)站，甚至是App。
隨著Discord提供了一個很好的平臺，但在純生成之上添加的工作流而言，卻是有限的，并且團(tuán)隊對消費(fèi)者體驗的控制很少。
值得注意的是，還有很大一部分人不使用Discord，因其覺得界面混亂讓人困惑。
研究和技術(shù)
谷歌、Meta和其他公司在哪里?
在公開的產(chǎn)品列表中，他們顯然沒有出現(xiàn)--盡管你可能已經(jīng)看到了他們發(fā)布的關(guān)于Emu Video、VideoPoet 和 Lumiere等模型的帖子。
到目前為止，大型科技公司基本上都不選擇公開自家的AI視頻產(chǎn)品。
取而代之的是，他們發(fā)表了各種相關(guān)的視頻生成的論文，而沒有選擇視頻演示。
比如，谷歌文本生成視頻的模型Lumiere
這些公司有著巨大的分銷優(yōu)勢，其產(chǎn)品擁有數(shù)十億用戶。
那么，他們?yōu)槭裁床环艞壈l(fā)布視頻模型，而在這一新興類別市場中奪取巨大份額。
最主要的原因還是，法律、安全和版權(quán)方面的擔(dān)憂，往往使這些大公司很難將研究轉(zhuǎn)化為產(chǎn)品，并推遲推出。如此一來，讓新來者有機(jī)會獲得先發(fā)優(yōu)勢。
AI視頻的下一步是什么?
如果你曾使用過這些產(chǎn)品，便知道在AI視頻進(jìn)入主流產(chǎn)品之前，仍然有很大的改進(jìn)空間。
有時會發(fā)現(xiàn)，AI視頻工具可以將提示內(nèi)容生成視頻的「神奇時刻」，但這種情況相對較少見。更常見的情況是，你需要點擊幾次重新生成，然后裁剪或編輯輸出，才能獲得專業(yè)級別的片段。
這一領(lǐng)域的大多數(shù)公司都專注于解決一些核心的問題:
- 控制性:你能否同時控制場景中發(fā)生的事情，（比如，提示「有人向前走」，動作是否如描述的那樣?）關(guān)于后一點，許多產(chǎn)品都增加了一些功能，允許你對鏡頭zoom或pan，甚至添加特效。
- 「動作是否如描述的那樣」一直較難解決:這涉及到底層模型的質(zhì)量問題（模型是否理解提示的含義并能按要求生成），盡管一些公司正在努力在生成前提供更多的用戶控制。
比如，Runway的motion brush就是一個很好的例子，它允許用戶高粱圖像的特定區(qū)域并確定其運(yùn)動方式。
時間一致性:如何讓角色、對象和背景在幀之間保持一致，而不會變形為其他東西或扭曲?
在所有公開提供的模型中，這是一個非常常見的問題。
如果你今天看到一段時間連貫的視頻，時長超過幾秒，很可能是視頻到視頻，通過拍攝一段視頻，然后用AnimateDiff prompt travel之類的工具來改變風(fēng)格。
- 長度——制作長時間的短片與時間連貫性高度相關(guān)。
許多公司會限制生成視頻的長度，因為他們不能確保幾分鐘后依然視頻保持一致性。
如果當(dāng)你看到一個超長的AI視頻，要知道它們是由一堆短片段組成的。
尚未解決的問題
視頻的ChatGPT時刻什么時候到來?
其實我們還有很長的路要走，需要回答以下幾個問題:
1當(dāng)前的擴(kuò)散架構(gòu)是否適用于視頻?
今天的視頻模型是基于擴(kuò)散模型搭建的:它們基本原理是生成幀，并試圖在它們之間創(chuàng)建時間一致的動畫（有多種策略可以做到這一點）。
他們對3D空間和對象應(yīng)該如何交互沒有內(nèi)在的理解，這解釋了warping / morphing。
2優(yōu)質(zhì)訓(xùn)練數(shù)據(jù)從何而來?
與其他模態(tài)模型相比，訓(xùn)練視頻模型更難，這主要是因為視頻模型沒有那么多高質(zhì)量的訓(xùn)練數(shù)據(jù)可供學(xué)習(xí)。語言模型通常在公共數(shù)據(jù)集（如Common Crawl）上進(jìn)行訓(xùn)練，而圖像模型則在LAION和ImageNet等標(biāo)記數(shù)據(jù)集(文本-圖像對)上進(jìn)行訓(xùn)練。
視頻數(shù)據(jù)更難獲得。雖然在YouTube和TikTok等平臺上不乏公開可訪問的視頻，但這些視頻沒有標(biāo)簽，也不夠多樣化。
3這些用例將如何在平臺/模型之間進(jìn)行細(xì)分?
我們在幾乎每一種內(nèi)容模態(tài)中看到的是，一種模型并不是對所有用例都「取勝」的。例如，MidTrik、Idegraph和Dall-E都有不同的風(fēng)格，并擅長生成不同類型的圖像。
如果你測試一下今天的文本到視頻和圖像到視頻模式，就會發(fā)現(xiàn)它們擅長不同的風(fēng)格、運(yùn)動類型和場景構(gòu)成。
提示:Snow falling on a city street， photorealistic
Genmo
Runway
Stable Video Diffusion
Pika Labs
誰將主導(dǎo)視頻制作的工作流程?
而在許多產(chǎn)品之間，來回是沒有意義的。
除了純粹的視頻生成，制作好的剪輯或電影通常需要編輯，特別是在當(dāng)前的范例中，許多創(chuàng)作者正在使用視頻模型來制作在另一個平臺上創(chuàng)建的照片的動畫。
從Midjourney的圖像開始，在Runway或Pika上制作動畫，然后在Topz上進(jìn)行升級的視頻并不少見。
然后，創(chuàng)作者將視頻帶到CapCut或Kapwing等編輯平臺，并添加配樂和畫外音，通常是在Suno和ElevenLabs等其他產(chǎn)品上生成的。
參考資料:
https://a16z.com/why-2023-was-ai-videos-breakout-year-and-what-to-expect-in-2024/
