爆火Sora參數規模僅30億？謝賽寧等大佬技術(shù)分析來(lái)了

就說(shuō)Sora有多火吧。

生成的視頻上線(xiàn)一個(gè)、瘋傳一個(gè)。

作者小哥新上傳的效果，很快引來(lái)圍觀(guān)。

失敗案例都讓人看得上癮。

將近1萬(wàn)人點(diǎn)贊。

學(xué)術(shù)圈更炸開(kāi)鍋了，各路大佬紛紛開(kāi)麥。

紐約大學(xué)助理教授謝賽寧（ResNeXt的一作）直言，Sora將改寫(xiě)整個(gè)視頻生成領(lǐng)域。

英偉達高級研究科學(xué)家Jim Fan高呼，這就是視頻生成的GPT-3時(shí)刻??！

尤其在技術(shù)報告發(fā)布后，討論變得更加有趣。因為其中諸多細節不是十分明確，所以大佬們也只能猜測。

包括“Sora是一個(gè)數據驅動(dòng)的物理引擎”、“Sora建立在DiT模型之上、參數可能僅30億”等等。

所以，Sora為啥能如此驚艷？它對視頻生成領(lǐng)域的意義是？這不，很快就有了一些可能的答案。

總的來(lái)說(shuō)，Sora是一個(gè)在不同時(shí)長(cháng)、分辨率和寬高比的視頻及圖像上訓練而成的擴散模型，同時(shí)采用了Transformer架構，也就是一種“擴散型Transformer”。

關(guān)于技術(shù)細節，官方報告簡(jiǎn)單提了以下6點(diǎn)：

一是視覺(jué)數據的“創(chuàng )新轉化”。

與大語(yǔ)言模型中的token不同，Sora采用的是“Patches（補片）”來(lái)統一不同的視覺(jué)數據表現形式。

如下圖所示，在具體操作中，模型先將視頻壓縮到低維潛空間中，然后將它們表示分解為時(shí)空補片，從而將視頻轉換為補片。（啊這，說(shuō)了又仿佛什么都沒(méi)說(shuō)）

二是訓練了一個(gè)視頻壓縮網(wǎng)絡(luò )。

它可以降低視覺(jué)數據維度，輸入視頻，輸出時(shí)空上壓縮的潛表示。

Sora就在這上面完成訓練。相應地，OpenAI也訓練了一個(gè)專(zhuān)門(mén)的****。

三是時(shí)空補片技術(shù)（Spacetime latent patches）。

給定一個(gè)壓縮的輸入視頻，模型提取一系列時(shí)空補片，充當Transformer的token。正是這個(gè)基于補片的表示讓Sora能夠對不同分辨率、持續時(shí)間和長(cháng)寬比的視頻和圖像進(jìn)行訓練。

在推理時(shí)，模型則通過(guò)在適當大小的網(wǎng)格中排列隨機初始化的補片來(lái)控制生成視頻的大小。

四是擴展Transformer也適用于視頻生成的發(fā)現。

OpenAI在這項研究中發(fā)現，擴散型Transformer同樣能在視頻模型領(lǐng)域中完成高效擴展。

下圖展示出隨著(zhù)訓練資源的增加，樣本質(zhì)量明顯提升（固定種子和輸入條件）。

五是視頻多樣化上的一些揭秘。

和其他模型相比，Sora能夠hold住各種尺寸的視頻，包括不同分辨率、時(shí)長(cháng)、寬高比等等。

也在構圖和布局上優(yōu)化了更多，如下圖所示，很多業(yè)內同類(lèi)型模型都會(huì )盲目裁剪輸出視頻為正方形，造成主題元素只能部分展示，但Sora可以捕捉完整的場(chǎng)景：

報告指出，這都要歸功于OpenAI直接在視頻數據的原始尺寸上進(jìn)行了訓練。

最后，是語(yǔ)言理解方面上的功夫。

在此，OpenAI采用了DALL·E 3中引入的一種重新標注技術(shù)，將其應用于視頻。

除了使用描述性強的視頻說(shuō)明進(jìn)行訓練，OpenAI也用GPT來(lái)將用戶(hù)簡(jiǎn)短的提示轉換為更長(cháng)的詳細說(shuō)明，然后發(fā)送給Sora。

這一系列使得Sora的文字理解能力也相當給力。

關(guān)于技術(shù)的介紹報告只提了這么多，剩下的大篇幅都是圍繞Sora的一系列效果展示，包括文轉視頻、視頻轉視頻，以及圖片生成。

可以看到，諸如其中的“patch”到底是怎么設計的等核心問(wèn)題，文中并沒(méi)有詳細講解。

有網(wǎng)友吐槽，OpenAI果然還是這么地“Close”（狗頭）。

正是如此，各路大佬和網(wǎng)友們的猜測也是五花八門(mén)。

謝賽寧分析：

1、Sora應該是建立在DiT這個(gè)擴散Transformer之上的。

簡(jiǎn)而言之，DiT是一個(gè)帶有Transformer主干的擴散模型，它= [VAE 編碼器 + ViT + DDPM + VAE ****]。

謝賽寧猜測，在這上面，Sora應該沒(méi)有整太多花哨的額外東西。

2、關(guān)于視頻壓縮網(wǎng)絡(luò )，Sora可能采用的就是VAE架構，區別就是經(jīng)過(guò)原始視頻數據訓練。

而由于VAE是一個(gè)ConvNet，所以DiT從技術(shù)上來(lái)說(shuō)是一個(gè)混合模型。

3、Sora可能有大約30億個(gè)參數。

謝賽寧認為這個(gè)推測不算不合理，因Sora可能還真并不需要人們想象中的那么多GPU來(lái)訓練，如果真是如此，Sora的后期迭代也將會(huì )非?？?。

英偉達AI科學(xué)家Jim Fan則認為：

Sora應該是一個(gè)數據驅動(dòng)的物理引擎。

Sora是對現實(shí)或幻想世界的模擬，它通過(guò)一些去噪、梯度下降去學(xué)習復雜渲染、“直覺(jué)”物理、長(cháng)鏡頭推理和語(yǔ)義基礎等。

比如這個(gè)效果中，提示詞是兩艘海盜船在一杯咖啡里航行廝殺的逼真特寫(xiě)視頻。

Jim Fan分析，Sora首先要提供兩個(gè)3D資產(chǎn)：不同裝飾的海盜船；必須在潛在空間中解決text-to-3D的隱式問(wèn)題；并且要兩艘船避開(kāi)彼此的路線(xiàn)，兼顧咖啡液體的流體力學(xué)、保持真實(shí)感、帶來(lái)仿佛光追般的效果。

有一些觀(guān)點(diǎn)認為，Sora只是在2D層面上控制像素。Jim Fan明確反對這種說(shuō)法。他覺(jué)得這就像說(shuō)GPT-4不懂編碼，只是對字符串進(jìn)行采樣。

不過(guò)他也表示，Sora還無(wú)法取代游戲引擎開(kāi)發(fā)者，因為它對于物理的理解還遠遠不夠，仍然存在非常嚴重的“幻覺(jué)”。

所以他提出Sora是視頻生成的GPT-3時(shí)刻。

回到2020年，GPT-3不是一個(gè)很完美的模型，但是它有力證明了上下文學(xué)習的重要性。所以不要糾結于GPT-3的缺陷，多想想后面的GPT-4。

除此之外，還有膽大的網(wǎng)友甚至懷疑Sora用上了虛幻引擎5來(lái)創(chuàng )建部分訓練數據。

他甚至挨個(gè)舉例分析了好幾個(gè)視頻中的效果以此佐證猜想：

不過(guò)反駁他的人也不少，理由包括“人走路的鏡頭明顯還是奇怪，不可能是引擎的效果”、“YouTube上有數十億小時(shí)的各種視頻，ue5的用處不大吧”……

如此種種，暫且不論。

最后，有網(wǎng)友表示，盡管不對OpenAI放出更多細節抱有期待，但還是很想知道Sora在視頻編碼、解碼，時(shí)間插值的額外模塊等方面是不是有創(chuàng )新。

在Sora引發(fā)全球關(guān)注的同時(shí)，OpenAI的估值也再次拉高，成為全球第三高估值的科技初創(chuàng )公司。

隨著(zhù)最新一要約收購完成，OpenAI的估值正式達到800億美元，僅次于字節跳動(dòng)和SpaceX。

這筆交易由風(fēng)投公司Thrive Capital牽頭，外部投資者可以從一些員工手中購買(mǎi)股份，去年年初時(shí)OpenAI就完成過(guò)類(lèi)似交易，使其當時(shí)的估值達到290億美元。

而在Sora發(fā)布后，GPT-4 Turbo也大幅降低速率限制，提高TPM（每分鐘最大token數量），較上一次實(shí)現2倍提升。

總裁Brockman還親自帶貨宣傳。

但與此同時(shí)，OpenAI申請注冊“GPT”商標失敗了。

理由是“GPT”太通用。

值得一提的是，有眼尖的網(wǎng)友發(fā)現，昨天Stability AI也發(fā)布了SVD 1.1。

但似乎在Sora發(fā)布不久后火速刪博。

有人銳評，這不是翻版汪峰么？不應該刪，應該返蹭個(gè)熱度。

這還玩個(gè)p啊。

還有人感慨，Sora一來(lái)，立馬就明白張楠為啥要聚焦剪映了。

以及賣(mài)課大軍也聞風(fēng)而動(dòng)，把商機拿捏死死的。