每經(jīng)記者 文巧    每經(jīng)編輯 蘭素英    

2月16日，OpenAI的AI視頻模型Sora炸裂出道，生成的視頻無論是清晰度、連貫性和時間上都令人驚艷，一時間，諸如“現(xiàn)實(shí)不存在了！”的評論在全網(wǎng)刷屏。

Sora是如何實(shí)現(xiàn)如此顛覆性的能力的呢？這就不得不提到其背后的兩項(xiàng)核心技術(shù)突破——Spacetime Patch（時空Patch）技術(shù)和Diffusion Transformer（DiT，或擴(kuò)散型 Transformer）架構(gòu)。

《每日經(jīng)濟(jì)新聞》記者查詢這兩項(xiàng)技術(shù)的原作論文發(fā)現(xiàn)，時空Patch的技術(shù)論文實(shí)際上是由谷歌DeepMind的科學(xué)家們于2023年7月發(fā)表的。DiT架構(gòu)技術(shù)論文的一作則是Sora團(tuán)隊(duì)領(lǐng)導(dǎo)者之一William Peebles，但戲劇性的是，這篇論文曾在2023年的計算機(jī)視覺會議上因“缺少創(chuàng)新性”而遭到拒絕，僅僅1年之后，就成為Sora的核心理論之一。

如今，Sora團(tuán)隊(duì)毫無疑問已經(jīng)成為世界上最受關(guān)注的技術(shù)團(tuán)隊(duì)。記者查詢OpenAI官網(wǎng)發(fā)現(xiàn)，Sora團(tuán)隊(duì)由Peebles等3人領(lǐng)導(dǎo)，核心成員包括12人，其中有多位華人。值得注意的是，這支團(tuán)隊(duì)十分年輕，成立時間還尚未超過1年。

核心突破一：時空Patch，站在谷歌肩膀上

此前，OpenAI在X平臺上展示了Sora將靜態(tài)圖像轉(zhuǎn)換為動態(tài)視頻的幾個案例，其逼真程度令人驚嘆。Sora是如何做到這一點(diǎn)的呢？這就不得不提到該AI視頻模型背后的兩項(xiàng)核心技術(shù)——DiT架構(gòu)和Spacetime Patch（時空Patch）。

據(jù)外媒報道，Spacetime Patch是Sora創(chuàng)新的核心之一，該項(xiàng)技術(shù)是建立在谷歌DeepMind對NaViT（原生分辨率視覺Transformer）和ViT（視覺Transformer）的早期研究基礎(chǔ)上。

Patch可以理解為Sora的基本單元，就像GPT-4 的基本單元是Token。Token是文字的片段，Patch則是視頻的片段。GPT-4被訓(xùn)練以處理一串Token，并預(yù)測出下一個Token。Sora遵循相同的邏輯，可以處理一系列的Patch，并預(yù)測出序列中的下一個Patch。

Sora之所以能實(shí)現(xiàn)突破，在于其通過Spacetime Patch將視頻視為補(bǔ)丁序列，Sora保持了原始的寬高比和分辨率，類似于NaViT對圖像的處理。這對于捕捉視覺數(shù)據(jù)的真正本質(zhì)至關(guān)重要，使模型能夠從更準(zhǔn)確的表達(dá)中學(xué)習(xí)，從而賦予Sora近乎完美的準(zhǔn)確性。由此，Sora能夠有效地處理各種視覺數(shù)據(jù)，而無需調(diào)整大小或填充等預(yù)處理步驟。

記者注意到，OpenAI發(fā)布的Sora技術(shù)報告中透露了Sora的主要理論基礎(chǔ)，其中Patch的技術(shù)論文名為Patch n' Pack: NaViT, a Vision Transformer for any Aspect Ratio and Resolution。記者查詢預(yù)印本網(wǎng)站arxiv后發(fā)現(xiàn)，該篇研究論文是由谷歌DeepMind的科學(xué)家們于2023年7月發(fā)表的。

圖片來源：arxiv.org

圖片來源：Google Scholar

核心突破二：擴(kuò)散型Transformer架構(gòu)，相關(guān)論文曾遭拒絕

除此之外，Sora的另一個重大突破是其所使用的架構(gòu)，傳統(tǒng)的文本到視頻模型（如Runway、Stable Diffusion）通常是擴(kuò)散模型（Diffusion Model），文本模型例如GPT-4則是Transformer模型，而Sora則采用了DiT架構(gòu)，融合了前述兩者的特性。

據(jù)報道，傳統(tǒng)的擴(kuò)散模型的訓(xùn)練過程是通過多個步驟逐漸向圖片增加噪點(diǎn)，直到圖片變成完全無結(jié)構(gòu)的噪點(diǎn)圖片，然后在生成圖片時，逐步減少噪點(diǎn)，直到還原出一張清晰的圖片。Sora采用的架構(gòu)是通過Transformer的編碼器-解碼器架構(gòu)處理包含噪點(diǎn)的輸入圖像，并在每一步預(yù)測出更清晰的圖像。DiT架構(gòu)結(jié)合時空Patch，讓Sora能夠在更多的數(shù)據(jù)上進(jìn)行訓(xùn)練，輸出質(zhì)量也得到大幅提高。

OpenAI發(fā)布的Sora技術(shù)報告透露，Sora采用的DiT架構(gòu)是基于一篇名為Scalable diffusion models with transformers的學(xué)術(shù)論文。記者查詢預(yù)印本網(wǎng)站arxiv后發(fā)現(xiàn)，該篇原作論文是2022年12月由伯克利大學(xué)研究人員William (Bill) Peebles和紐約大學(xué)的一位研究人員Saining Xie共同發(fā)表。William (Bill) Peebles之后加入了OpenAI，領(lǐng)導(dǎo)Sora技術(shù)團(tuán)隊(duì)。

圖片來源：arxiv.org

然而，戲劇化的是，Meta的AI科學(xué)家Yann LeCun在X平臺上透露，“這篇論文曾在2023年的計算機(jī)視覺會議（CVR2023）上因‘缺少創(chuàng)新性’而遭到拒絕，但在2023年國際計算機(jī)視覺會議（ICCV2023）上被接受發(fā)表，并且構(gòu)成了Sora的基礎(chǔ)。”

圖片來源：X平臺

作為最懂DiT架構(gòu)的人之一，在Sora發(fā)布后，Saining Xie在X平臺上發(fā)表了關(guān)于Sora的一些猜想和技術(shù)解釋，并表示，“Sora確實(shí)令人驚嘆，它將徹底改變視頻生成領(lǐng)域。”

“當(dāng)Bill和我參與DiT項(xiàng)目時，我們并未專注于創(chuàng)新，而是將重點(diǎn)放在了兩個方面：簡潔性和可擴(kuò)展性。”他寫道。“簡潔性代表著靈活性。關(guān)于標(biāo)準(zhǔn)的ViT，人們常忽視的一個亮點(diǎn)是，它讓模型在處理輸入數(shù)據(jù)時變得更加靈活。例如，在遮蔽自編碼器（MAE）中，ViT幫助我們只處理可見的區(qū)塊，忽略被遮蔽的部分。同樣，Sora可以通過在適當(dāng)大小的網(wǎng)格中排列隨機(jī)初始化的區(qū)塊來控制生成視頻的尺寸。”

圖片來源：X平臺

不過，他認(rèn)為，關(guān)于Sora仍有兩個關(guān)鍵點(diǎn)尚未被提及。一是關(guān)于訓(xùn)練數(shù)據(jù)的來源和構(gòu)建，這意味著數(shù)據(jù)很可能是Sora成功的關(guān)鍵因素；二是關(guān)于（自回歸的）長視頻生成，Sora的一大突破是能夠生成長視頻，但OpenAI尚未揭示相關(guān)的技術(shù)細(xì)節(jié)。

年輕的開發(fā)團(tuán)隊(duì)：應(yīng)屆博士帶隊(duì)，還有00后

隨著Sora的爆火，Sora團(tuán)隊(duì)也來到世界舞臺的中央，引發(fā)了持續(xù)的關(guān)注。記者查詢OpenAI官網(wǎng)發(fā)現(xiàn)，Sora團(tuán)隊(duì)由William Peebles等3人領(lǐng)導(dǎo)，核心成員包括12人。從團(tuán)隊(duì)領(lǐng)導(dǎo)和成員的畢業(yè)和入職時間來看，這支團(tuán)隊(duì)成立的時間較短，尚未超過1年。

圖片來源：OpenAI官網(wǎng)

從年齡上來看，這支團(tuán)隊(duì)也非常年輕，兩位研究負(fù)責(zé)人都是在2023年才剛剛博士畢業(yè)。William (Bill) Peebles于去年5月畢業(yè)，其與Saining Xie合著的擴(kuò)散Transformer論文成為Sora的核心理論基礎(chǔ)。Tim Brooks于去年1月畢業(yè)，是DALL-E 3的作者之一，曾在谷歌和英偉達(dá)就職。

圖片來源：William (Bill) Peebles個人主頁

團(tuán)隊(duì)成員中甚至還有00后。團(tuán)隊(duì)中的Will DePue生于2003年，2022年剛從密西根大學(xué)計算機(jī)系本科畢業(yè)，在今年1月加入Sora項(xiàng)目組。

圖片來源：Will DePue個人主頁

此外，團(tuán)隊(duì)還有幾位華人。據(jù)媒體報道，Li Jing是 DALL-E 3 的共同一作，2014年本科畢業(yè)于北京大學(xué)物理系，2019年獲得MIT物理學(xué)博士學(xué)位，于2022年加入OpenAI。Ricky Wang則是今年1月剛剛從Meta跳槽到OpenAI。其余華人員工包括Yufei Guo等尚未有太多公開資料介紹。

封面圖片來源：每日經(jīng)濟(jì)新聞 譚玉涵 攝