AI文生視頻這條賽道，將爲各行業帶來新的增量與繁榮。
在當下的AI賽道上，AI生文、生圖的應用，早已層出不窮，相關的技術，也在不斷日新月異。
而與之相比，AI文生視頻，卻是一個遲遲未被“攻下”的陣地。
抖動、閃現、時長太短，這一系列缺陷，讓AI生成的視頻只能停留在“圖一樂”的層面，很難拿來使用，更不要說提供商業上的賦能。
直到最近，某個爆火的應用，再次燃起了人們對這一賽道的關注。
關於這個叫做Pika的文生視頻AI，這些天想必大家已經了解了很多。
因此，這裏不再贅述Pika的各種功能、特點，而是單刀直入地探討一個問題，那就是：
Pika的出現，是否意味着AI文生視頻距離人們期望中的理想效果，還有多遠？
01 難題與瓶頸
實事求是地說，目前的AI文生視頻賽道，難度和價值都很大。
而其中最大的難點，莫過於讓畫面變得“抽風”的抖動問題。
關於這一點，任何使用過Gen-2 Runway 等文生視頻AI的人，都會深有體會。
抖動、閃現，以及不時出現的畫面突變，讓人們很難獲得一個穩定的生成效果。
而這種“鬼畜”現象的背後，其實是幀與幀之間聯系不緊密導致的。
具體來說，目前AI生成視頻技術，與早期的手繪動畫很相似，都是先繪制很多幀靜止的圖像，之後將這些圖像連接起來，並通過一幀幀圖像的漸變，實現畫面的運動。
但無論是手繪動畫還是AI生成的視頻，首先都需要確定關鍵幀。因爲關鍵幀定義了角色或物體在特定時刻的位置和狀態。
之後，爲了讓畫面看起來更流暢，人們需要在這些關鍵幀之間添加一些過渡畫面（也稱爲“過渡幀”或“內插幀”）。
可問題就在於，在生成這些“過渡幀”時，AI生成的幾十幀圖像，看起來雖然風格差不多，但連起來細節差異卻非常大，視頻也就容易出現閃爍現象。
這樣的缺陷，也成了AI生成視頻最大的瓶頸之一。
而背後的根本原因，仍舊是所謂的“泛化”問題導致的。
用大白話說，AI的對視頻的學習，依賴於大量的訓練數據。如果訓練數據中沒有涵蓋某種特定的過渡效果或動作，AI就很難學會如何在生成視頻時應用這些效果。
這種情況，在處理某些復雜場景和動作時，就顯得尤爲突出。
除了關鍵幀的問題外，AI生成視頻還面臨着諸多挑战，而這些挑战，與AI生圖這種靜態的任務相比，難度根本不在一個層面。
例如：
動作的連貫性：爲了讓視頻看起來自然，AI需要理解動作的內在規律，預測物體和角色在時間线上的運動軌跡。
長期依賴和短期依賴：在生成視頻時，一些變化可能在較長的時間範圍內發生（如角色的長期動作），而另一些變化可能在較短的時間範圍內發生（如物體的瞬時運動）。
爲了解決這些難點，研究人員採用了各種方法，如使用循環神經網絡（RNN）、長短時記憶網絡（LSTM）和門控循環單元（GRU）來捕捉時間上的依賴關系等等。
但關鍵在於，目前的AI文生視頻，並沒有形成像LLM那樣統一的，明確的技術範式，關於怎樣生成穩定的視頻，業界其實都還處於探索階段。
02 難而正確的事
AI文生視頻賽道，難度和價值都很大。
其價值，就在於其能真切地解決很多行業的痛點和需求，而不是像現在的很多“套殼”應用那樣，要么錦上添花，要么圈地自萌。
關於這點，可以從“時間”和“空間”兩個維度上，對AI文生視頻的將來的價值空間做一番審視。
從時間維度上來說，判斷一種技術是不是“假風口”、假繁榮，一個最重要的標准，就是看人們對這類技術的未來使用頻率。
根據月狐iAPP統計的數據，從2022年Q2到今年6月，在移動互聯網的所有類別的APP中，短視頻的使用時長佔比均高達30%以上，爲所有類別中最高。
除了時間這一“縱向”維度外，倘若要在空間維度上，考量一種技術的生命力，最關鍵的指標，就是看其究竟能使多大範圍內的群體受益。
因爲任何技術想要“活”下來，就必須像生物體那樣，不斷地傳播、擴散自己，並在不同環境中自我調整，從而增加多樣性和穩定性。
例如在媒體領域，根據Tubular Labs的《2021年全球視頻指數報告》，新聞類別的視頻觀看量在2020年同比增長了40%。
同樣地，在電子商務方面，根據Adobe的一項調查，大約60%的消費者在購物時更愿意觀看產品視頻，而不是閱讀產品描述。
而在醫療領域，根據MarketsandMarkets的報告，全球醫學動畫市場預計從2020年到2025年將以12.5%的復合年增長率增長。
在金融行業中，HubSpot的一項研究表明，視頻內容在轉化率方面表現優異。視頻內容的轉化率比圖文內容高出4倍以上。
這樣的需求，表明了從時間、空間這兩個維度上來說，視頻制作領域，都是一個蕴含着巨大增量的“蓄水池”。
然而，要想將這個“蓄水池”的潛力完全釋放出來，卻並不是一件容易的事。
因爲在各個行業中，對於非專業人士來說，學習如何使用復雜的視頻制作工具（如Adobe Premiere Pro、Final Cut Pro或DaVinci Resolve）可能非常困難。
而對於專業人士來說，制作視頻還是個耗時的過程。他們得從故事板开始，規劃整個視頻的內容和結構，然後進行拍攝、剪輯、調色等等。
有時候，僅僅一分半的廣告視頻，就可能耗時一個月之久。
從這個角度來說，打开了AI文生視頻這條賽道，就相當於疏通了連接在這個蓄水池管道裏的“堵塞物”。
在這之後，暗藏的財富之泉，將噴湧而出，爲各個行業帶來新的增量與繁榮。
從這樣的角度來看，文生視頻這條賽道，即使再難，也是正確的，值得的。
03 行業引領者
賽道既已確定，接下來更重要的，就是判斷在這樣的賽道中，有哪些企業或團隊會脫穎而出，成爲行業的引領者。
目前，在AI文生視頻這條賽道上，除了之前提到的Pika，其他同類企業也動作頻繁。
科技巨頭Adobe Systems收購了Rephrase.ai，Meta推出了Emu Video，Stability AI發布了Stable Video Diffusion，Runway對RunwayML進行了更新。
而就在昨天，AI視頻新秀NeverEnds也推出了最新的2.0版本。
從目前來看，Pika、Emu Video、NeverEnds等應用，已經顯示出了不俗的實力，其生成的視頻，已大體上能保持穩定，並減少了抖動。
但從長遠來看，要想在AI文生視頻領域持續保持領先，至少需要具備三個方面的條件：
1、強大的算力
在視頻領域，AI對算力的要求，比以往的LLM更甚。
這是因爲，視頻數據包含的時間維度和空間維度，都要比圖片和文字數據更高。同時爲了捕捉視頻中的時間動態信息，視頻模型通常需要具有更復雜的結構。
更復雜的結構，就意味着更多的參數，而更多的參數，則意味着所需的算力倍增。
因此，在將來的AI視頻賽道上，算力資源仍舊是一個必須跨過的“硬門檻”。
2、跨領域合作
與圖片或文字大模型相比，視頻大模型通常涉及更多的領域，綜合性更強。
其需要整合多種技術，例如來實現高效的視頻分析、生成和處理。包括但不限於：圖像識別、目標檢測、圖像分割、語義理解等。
如果將當前的生成式AI比作一棵樹，那么LLM就是樹的主幹，文生圖模型則是主幹延伸出的枝葉和花朵，而視頻大模型，則是汲取了各個部位（不同類型數據）的養分後，結出的最復雜的果實。
因此，如何通過較強的資源整合能力，進行跨領域的交流、合作，就成了決定團隊創新力的關鍵。
3、技術自主性
誠如之前所說，在目前的文生視頻領域，業界並沒有形成像LLM那樣明確的、統一的技術路线。業界都在往各種方向嘗試。
而在一個未確定的技術方向上，如何給予一线的技術人員較大的包容度，讓其不斷試錯，探索，就成了打造團隊創新機制的關鍵。
對於這個問題，最好解決辦法，就是讓技術人員親自掛帥，使其具有最大的“技術自主性”。
誠如Pika Labs的創始人Chenlin所說：“如果訓練數據集不夠好看，模型學到的人物也不會好看，因此最終你需要一個具有藝術審美修養的人，來選擇數據集，把控標注的質量。”
Pika Labs創始人Demi Guo 和 Chenlin Meng
在各企業、團隊不斷競爭，行業新品不斷湧現的情況下，文生視頻AI的爆發期，就成了一件十分具體的，可以預期的態勢。
按照Pika Labs創始人Demi的判斷，行業也許會在明年迎來AI視頻的“GPT時刻”。
盡管技術的發展，有時並不會以人的意志爲轉移，但當對一種技術的渴望，成爲業界的共識，並使越來越多的資源向其傾斜時，變革的風暴，就終將會到來。
原文標題 : AI文生視頻，會在明年迎來“GPT時刻”
標題：AI文生視頻，會在明年迎來“GPT時刻”
地址：https://www.utechfun.com/post/300436.html