奥特曼说2024欧洲杯官网入口，Sora 代表了视频生成大模子的 GPT-1 时刻。

从开年到现时，国表里、初创独角兽到互联网大厂，都纷繁干涉视频生成范畴，带来一个个极新模子的同期，视频、影视行业也随之发生剧变。

不可否定，当下的视频生成模子还遭受诸多问题，比如对空间、对物理限定的交融，咱们都期待着视频生成的 GPT-3.5/4 时刻到来。

在国内，有这么一家从加快历练启航的初创公司，正在为此勇猛。

它等于潞晨科技，独创东谈主尤洋博士毕业于 UC 伯克利，后赴新加坡国立大学担任校长后生表现。

本年潞晨科技在加快狡计范畴以外，建树视频生成模子 VideoOcean，为行业带来更具性价比的选拔。

在 MEET 2025 现场，尤洋博士也向咱们共享这一年关于视频生成范畴的交融与瓦解。

MEET 2025 智能异日大会是由量子位主持的行业峰会，20 余位产业代表与会有计划。线下参会不雅众 1000+，线上直播不雅众 320 万 +，获取了主流媒体的日常柔顺与报谈。

中枢不雅点梳理

视频生成模子应该完了淡雅化文本限度、恣意机位 / 恣意角度、变装一致性、格调定制化

3 年后大致就能迎来视频生成的 GPT-3.5/GPT-4 时刻

视频生成大模子的一个径直愚弄价值等于打破执行的限度，极大缩短实在场景复现难度。

（为更好呈现尤洋的不雅点，量子位在不更动高兴的基础上作念了如下梳理）

3 年后或是视频大模子的 GPT-3.5 时刻

今天格外兴奋来到量子位大会，格外兴奋和寰球换取，今天讲一下咱们在视频大模子范畴作念的一些责任。

领先是我和我的创业公司潞晨科技的先容。我从 UC 伯克利毕业到新加坡国立大学任教，很侥幸创办了潞晨科技。

咱们之前是作念算力优化的。2018 年谷歌打造了天下上第一个千卡集群 TPU Pod，那时天下上最大的模子也曾 BERT。咱们匡助谷歌，将（那时）天下上最大模子的历练时辰从 3 天压缩到 76 分钟。

也很侥幸，昨年华为盘古大模子的一个责任亦然咱们一王人来作念的，并获取了 ACL 最好论文。咱们的时刻匡助华为盘古大模子在历练中更高效。微软、英伟达等公司团队也使用了咱们的时刻作念一些散布式历练，咱们但愿让大模子历练更快、本钱更低。

步入今天的话题，来重心先容一下视频生成大模子。

咱们打造了一个居品叫Video Ocean，现时正处在测试阶段。先来先容一下居品，背面再探讨我以为视频大模子将会如何发展。

领先，我以为视频大模子第一个遑急的方面是，它应该能够完了淡雅化的文本限度。

其实咱们今天都在用 AI 去生成大模子了，咱们确定但愿它能够精确反馈出念念要的东西。但很缺憾，比如现时用文生图 APP 去生成图顷刻，也曾会发现好多图片实质无法作念到精确限度，是以我认为这方面还有很大的发展空间。

在 Video Ocean 模子历练经过中，咱们作念了一些初步探索。一个比拟好的例子，咱们能够精确地提供一些形貌，戴着墨镜，长的胡茬的欧洲男东谈主。可想而知这个视频内部照实是咱们念念要的阿谁嗅觉，蓝天、海岸、沙滩、背光、单手握相机、玄色 T 恤，也有对着镜头话语。

我认为 AI 视频大模子异日 3 年可能最遑急的也曾完了视频大模子的 Scaling Law。

这个经过不需要格外炫酷的居品能力，最遑急的是把它的模子与执行天下的一语气能力作念到极致。我以为最终形态等于东谈主们说一段话、给一段形貌，它能精确地把形貌以视频的样式展示出来。

是以我以为异日 3 年，AI 视频大模子就像山姆 · 奥特曼说的那样，今天是 Video 的 GPT-1 时刻，可能 3 年后到视频大模子的 GPT-3.5、GPT-4 时刻。

这里展示一下 Video Ocean 的 Demo，现时咱们作念到了这么的水平。

第二点是异日视频大模子怎么能够完了恣意机位、恣意角度。

现时拍电影、拍记载片可以拿入部下手机、录像机束缚地晃，念念如何晃就如何晃，这么是对镜头有实在限度的。异日 AI 视频大模子，领先应该作念到这少量，相通的形貌，换一下角度、换一个镜头，它的形象是不应该更动的，它等于相通一个物体。

更进一步讲，异日 AI 视频大模子还能颠覆好多行业。比如现时看足球、看篮球赛，咱们看到的镜头是现场编导给咱们看的镜头。他给咱们看前景、近景。

异日能不成依靠 AI 视频大模子，东谈主来限度镜头，决定念念要看哪，相当于在畅通场里可以遽然出动，出动到锻真金不怕火席、临了一瞥、第一瞥。恣意机位、恣意角度的限度。我以为异日 AI 视频大模子在这方面也诟谇常关节的，天然天然 Video Ocean 现时作念了一些尝试，初步效劳也曾可以的。

我以为第三点遑急的是变装一致性。

因为作念出 AI 视频大模子，最终确定是需要产生营收、完了变现的。谁会状态为这个付费，比如告白责任室、告白商、电商博主、影视行业。若是深切这些行业的话，一个关节点是变装一致性。

比如一个居品的告白，确定从新到尾这个视频中的穿着、鞋、车，样子不成有太大变化，物体变装保握一致性。

拍一部电影，从滥觞到驱逐，主演的样子、关节副角的样子确定也不成变化，在这方面 Video Ocean 也作念一些很好的探索。

再一个是格调的定制化。咱们知谈现时演员东谈主工本钱诟谇常贵的，谈具本钱也很高。

异日 3 年之内，若是 AI 视频大模子正常发展，我嗅觉会有一种需求，比如一个导演可以让一个演员在游池塘里拍一段戏，然后拿到素材通过 AI 将它转成泰坦尼克场景下的游水，转成阿凡达场景下的游水，这种能力反而是 AI 最擅长的。赋予电影感、艺术感的画面。

总之大模子一个径直的愚弄价值等于打破执行的限度，能够极大缩短实在场景复现的难度。

可能之前寰球听过一个段子，好莱坞导演念念制造一个爆炸镜头，他算了一下预算，第一种有蓄意是盖一个城堡把它炸掉，第二个有蓄意是用狡计机模拟这个画面。本钱算下来之后，发现这两种有蓄意的本钱都很高，那时用狡计机模拟的本钱更高，现时 AI 等于要大幅缩短大模子关于生成电影的本钱。

若是这少量完了后，咱们可以不受神态、天气等外部身分的限度，并减少对实在演员的依赖。这倒不是抢演员的饭碗，因为一些关节镜头诟谇常危境的，比如演员跳飞机、跳楼，演员去调停行将引爆的炸弹之类，这种镜头异日只需要演员的身份和肖像权，AI 可以把这么的镜头作念好，是以对电影行业能够极大作念到降本增效。

正如昆仑万维方汉竭诚刚才说的，固然咱们的狡计资源有限，然而咱们发现通过更好的算法优化照实能够训出更好的效劳，比如 Meta 使用 6000 多个 GPU 历练 30B 的模子，最近咱们会在一个月内发一个 10B 版的模子，咱们仅用了 256 卡。

Video Ocean 前身是咱们团队先打造了一个Open-Sora的开源居品，这个开源居品是完满免费的，在 Github 上，效劳格外可以，比如好意思国独角兽 Lambda labs 作念了一个火爆的愚弄数字乐高，其实这个数字乐高档于基于 Open-Sora 作念的。

本年龄首 Sora 出来之后，多样短视频巨头都对视频大模子这一块比拟醉心，比如中国的快手、抖音，好意思国等于 Instagram、TikTok、SnapChat，这可以看到 SnapChat 的视频模子也在早些时候发布了，叫 Snap Video，这是它的官方论文，他们就援用了咱们历练视频大模子的时刻，是以说这些时刻也匡助一些巨头实在把视频大模子训得更快，精度更高，智能进程更高。

谢谢寰球！