AI 生成视频：普通人也能做视频-

AI视频

AI生成视频技术的快速发展，让许多人开始重新思考视频制作的未来，AI究竟会给视频行业带来什么影响？它又是如何生成视频的？

要搞清楚这些，我们先从与AI生成视频最接近的电脑动画视频说起。

AI在动画视频制作领域的机会

传统动画视频的制作过程极其繁琐且昂贵。

在2008到2018年期间，美国每部动画电影的成本依然在4000万到7000万美元上下。

AI的出现，让动画视频的制作成本和制作周期都有机会大幅压缩。比如，仅仅考虑AI的图片生成能力，它已经能在动画视频领域帮大忙了。

在过去制作动画视频的时候，场景、人物素材都需要由手动绘制。AI的图片生成能力，让它可以直接生成原画素材，在这个基础上人类插画师动画师再进行调整，这远比从零开始绘制要快得多。

AI能做到的还不止这些。

2024年初，Open AI发布了视频生成模型Sora，它再一次展现了AI在视频生成领域的强大潜力。

其实，Sora并不是第一个视频生成模型，在2023年2月和6月，Runway就分别发布了Gen-1和Gen-2。Stability和Pika 也都在2023年发布了自己的视频生成模型。

但和之前的模型相比，Sora生成的视频时间更长，最长的甚至能达到1分钟之久。而且在Sora生成的视频中，人物的动作、镜头的移动看起来也更加自然流畅，乍一看就像是别人拍摄的视频，或者是某家动画公司制作的。

AI生成视频的原理

那Sora到底是如何生成这些视频的？

根据Open AI 发布的技术报告，Sora能有这样的视频生成能力，跟两个技术有关，首先是扩散模型。

扩散模型在训练的时候包括两个重要的过程：前向扩散和反向扩散。

前项扩散可以理解成照片上的像素点逐渐变得混乱，逐渐杂乱无章的过程。而这个过程的逆过程，就是反向扩散，模型需要还原出被打乱之前的图像画面。通过大量的训练，AI就能根据提示词，还原出预期的图像。

很多图像生成模型和视频生成模型，比如Runway的Gen-2，Stable Diffusion，还有Sora使用的都是扩散模型。

但仅仅能够生成精美的图片还不够。

Sora还从大语言模型的架构中找到了灵感，它是一个diffusion transformer【可以直接在网站里圈出Sora is a diffusion transformer这句话↓】。

Transformer是GPT、BERT之类大语言模型的重要架构。

Transformer会对针对文本中的每一个字词进行拆分，把它们作为分析的token，对token中的语义进行学习，并且在处理长文本信息的时候，也能记住上下文文本之间的关联。

而Sora这样的模型在进行训练的时候，也会把视频中的画面、时间要素拆分为基本单元patch，通过对patch的学习，AI就可以找到这些视频画面内部的逻辑，进而根据要求生成新的视频。

Sora可以基于文本生成视频，也可以直接针对输入的图片生成视频，或者对已有视频进行前后扩展、优化调整。

不过，Sora也不算完美，如果细看Sora生成的视频，也会看到很多不符合客观世界规律的情况，比如这个杯子打碎的过程就跟客观世界的规律不太符合。另外，有些动物也会凭空消失或者出现，而这个椅子的表现就更加奇怪了。所以，AI想要生成出符合客观世界规律的完美视频，依然有很长的路要走。

Sora只是个开始

在Sora发布之后，各大科技公司也纷纷发布了自己的视频模型。

比如Luma Labs发布的Dream Macine，以及stable diffusion发布了Gen-3，它们展示出来的文本到视频生成能力，并不亚于Sora。

另外Picsart AI Resarch等团队联合发布了StreamingT2V，它声称能够生成120秒的长视频，比Sora的1分钟长出1倍。

而在AI视频生成领域，我们国家的科技公司也发布了自己的模型，比如快手的可灵，生数科技的Vidu，阿里的EMO，百度的UniVG等等。

这些工具生成视频的成本和使用门槛都很低，在教育动画、电影制作、以及广告设计等领域会带来天翻地覆的变化。

同时，在这些视频生成工具的帮助下，普通人有机会把自己的创意想法变为视频，降低了视频制作的门槛。相信，这样的技术将给视频行业以及媒体行业带来新的新质生产力工具。

对此，让我们拭目以待。

作者：云纪御科普创作团队

审核：秦曾昌北京航空航天大学自动化科学与电气工程学院副教授

文章由科普中国-创作培育计划出品，转载请注明来源。