每經(jīng)記者 李少婷  可楊    每經(jīng)編輯 文多    

9月11日，生數(shù)科技舉辦媒體開放日活動，發(fā)布“主體參照”（Subject Consistency）功能，意在破解視頻模型生成主體的“一致性”難題。

活動上，生數(shù)科技聯(lián)合創(chuàng)始人、CEO唐家渝在回應(yīng)《每日經(jīng)濟新聞》記者關(guān)于商業(yè)模式的提問時表示，目前行業(yè)內(nèi)有SaaS（軟件即服務(wù)）訂閱和MaaS（模型即服務(wù)）兩種，7月30日Vidu上線以來，在全球范圍內(nèi)已收到數(shù)萬個API接入申請。

就底層架構(gòu)，唐家渝表示旗下產(chǎn)品“VIDU”所用的“U-ViT架構(gòu)”與Sora所用的“DiT架構(gòu)”幾乎一模一樣，差別在于U-ViT作了更多面向落地的設(shè)計。在技術(shù)路線上，大家現(xiàn)在處于底層架構(gòu)收斂的狀態(tài)，但同質(zhì)化并不代表大家所有進展、能力相同，唐家渝舉例說：“例如現(xiàn)在的語言模型，（雖然）大家都使用Transformer架構(gòu)，但從現(xiàn)實來看，OpenAI還是明顯領(lǐng)先的。”

目前，AI視頻的主要使用者還是專業(yè)用戶，如電影工作者等，但唐家渝認為，AI視頻已經(jīng)來到了“普及”的節(jié)點。

此外，從當前階段的收入來說，生數(shù)科技在B端市場獲得的收入更多，C端的增長曲線則在Vidu產(chǎn)品上市這一個月以來非常“陡峭”。

唐家渝 圖片來源：每經(jīng)記者 李少婷 攝

“最終的目標還是做通用大模型”

唐家渝是清華大學(xué)自然語言處理實驗室碩士，此前曾任瑞萊智慧副總裁、騰訊優(yōu)圖實驗室高級產(chǎn)品經(jīng)理等。唐家渝目前所在的生數(shù)科技于2023年3月成立，今年3月初宣布完成新一輪融資。今年4月底，該公司與清華大學(xué)聯(lián)合研發(fā)的原創(chuàng)視頻大模型Vidu面向全球發(fā)布，7月底正式上線，全面開放使用。

Vidu問世即被稱為“中國版Sora”。這種稱呼一方面是因為外界對中國視頻大模型充滿期待，另一方面，從技術(shù)架構(gòu)上說，二者也有異曲同工之處。

據(jù)介紹，Vidu的底層基于自研的U-ViT架構(gòu)，而Sora是基于DiT架構(gòu)。關(guān)于U-ViT與DiT架構(gòu)的區(qū)別，唐家渝介紹：“一句話總結(jié)來說，幾乎一模一樣。”二者都是Diffusion和Transformer的融合，甚至底層一些技術(shù)細節(jié)也是相同的。不同之處在于，U-ViT架構(gòu)“做了更多面向落地的優(yōu)化設(shè)計”，簡單概括下來，就是在訓(xùn)練同一模型時，相同時間下，U-ViT所需的算力更少。

從整體的技術(shù)路線來看，當前國內(nèi)幾家視頻大模型都走的是“類Sora路線”，那大家未來是否會愈加同質(zhì)化？

對此，唐家渝介紹，當前大家是處于底層架構(gòu)收斂的狀態(tài)中，“但同質(zhì)化并不代表大家所有進展、能力都相同”。他以語言模型為例分析道，大家都會使用Transformer架構(gòu)，但從現(xiàn)實情況來看，OpenAI還是明顯領(lǐng)先，這是因為在這一架構(gòu)基礎(chǔ)上仍有諸多環(huán)節(jié)需要技術(shù)技巧、實踐經(jīng)驗幫助破解難點，這就導(dǎo)致了不同語言模型在能力上的差距。

當前，業(yè)內(nèi)也在探索新的架構(gòu)路線，例如將多模態(tài)的生成和多模態(tài)理解結(jié)合起來，但目前仍沒有特別好的方案出現(xiàn)。

“我們最終的目標還是做通用大模型，視頻生成是多模態(tài)生成大模型中間的一個階段。”唐家渝坦承了開發(fā)通用大模型的雄心。

他還表示：“這并不意味著我們完全只在做這一個事情（指視頻大模型），我們除了視頻以外也有其他模態(tài)的生成能力。”

“目前B端市場收入更多”

技術(shù)底層邏輯的趨同，也或多或少低導(dǎo)致了市場開發(fā)思路相近。

“大家的商業(yè)選擇上還是比較類似的，即便是像Sora、Runway，都在積極地擁抱好萊塢或者廣告合作等方向。”唐家渝認為，AI生成視頻領(lǐng)域總的來說還處在發(fā)展前期，國際頭部玩家在齊頭并進，或者叫“共同擴大市場”。

以生數(shù)科技為例，唐家渝將落地商業(yè)模式分為兩個方向：其一是SaaS訂閱模式，Vidu每個月有一些免費的額度，但是如果有更多的需求或想使用更高級的能力，就需要支付訂閱費用，Vidu也會不斷豐富產(chǎn)品功能，以滿足用戶的創(chuàng)作需求；其二是模型能力輸出模式（MaaS），當前不少客戶需要視頻生成能力，以此作為工作流程的一個環(huán)節(jié)或者來衍生出有意思的玩法，這些客戶希望可以直接調(diào)用模型。

從收入角度來看，B端市場在目前這個階段獲得的收入更多。不過Vidu上線一個月來，C端的增長曲線也非常“陡峭”。“我們目前判斷下來的話，B端（的需求）是比較明確、比較直接和比較穩(wěn)定的，所以B端是我們的一個長期、重點方向。C端我們也在不斷探索。”唐家渝表示。

當前，國內(nèi)的視頻生成模型和工具已形成“出海潮”，并且表現(xiàn)亮眼，但唐家渝認為：“還不能說國內(nèi)已經(jīng)完全領(lǐng)先，國內(nèi)外頭部玩家都屬于第一梯隊。”

“AI視頻來到了一個節(jié)點”

視頻大模型的受眾群體中，影視、動漫從業(yè)者居多，他們多被視為“專業(yè)受眾”，那對“普通人”來說，AI視頻何時能成為他們可以駕馭的工具？

唐家渝以攝影為例，從膠片機時代到手機攝影普及，就是一個不斷降低創(chuàng)作者門檻的過程。“現(xiàn)在的AI視頻來到了一個節(jié)點。”唐家渝介紹，9月11日，生數(shù)科技發(fā)布的“主體參照”功能，正是為降低創(chuàng)作者門檻或者加速創(chuàng)作過程所作的努力。

“技術(shù)仍是關(guān)鍵因素，目前的視頻生成只是初步符合物理規(guī)律，還有很高的天花板需要突破，比如更強的模型能力以及更多模態(tài)的協(xié)同生成。”唐家渝介紹，這次發(fā)布的“主體參照”能力在一致性生成方面確實有了很大提升，但是還有很多地方需要進一步提升。“例如要大模型從生成一個商品變成生成一個工藝品，而這個工藝品上面有繁復(fù)花紋和鏤空部分，面對如此復(fù)雜的結(jié)構(gòu)，目前的生成成功率依舊不高。場景生成包含很多組成因素，例如運動鞋，我就希望它能在更復(fù)雜、更動態(tài)化的場景中有更好的表現(xiàn)。這些都需要不斷提升模型能力。”

這個過程中，技術(shù)的原創(chuàng)性和突破性需要與良好的商業(yè)化齊頭并進，因為商業(yè)公司畢竟不是科研機構(gòu)。

以視頻生成的時長為例，拓展生成時長需要提升模型對世界抽象理解的能力、信息壓縮和放大的雙向能力。當前Vidu最長可以生成32秒的視頻，生數(shù)科技計劃將其擴展得更長，不過，時長還不是生數(shù)科技現(xiàn)在重點產(chǎn)品化的部分。

“在實際創(chuàng)作中，粗略地來說，90%以上的片段都是幾秒鐘。因此，從實用角度來看，我們還沒有將時長作為我們的優(yōu)先發(fā)布考慮。”唐家渝強調(diào)，但從模型能力角度，公司實際上在持續(xù)提升。