就在昨日，我国人工智能大模型领域又迎来重大突破，AGI的真正连锁反应或将从视频开始。 4月27日上午，“2024中关村论坛-未来人工智能先锋论坛”在北京正式举办，本次平行论坛由科学技术部、北京市人民政府主办，旨在进一步探讨“语言大模型”、“多模态大模型”、“具身智能”等新一代人工智能关键技术与应用的创新。 国产AI视频斩获新进展，中国版“Sora”闪亮登场 就在此次论坛会议上，国内首个纯自研Sora级视频大模型Vidu正式发布。该模型由北京生数科技联合清华大学共同研发，是我国首个长时长、高一致性、高动态性视频大模型。Vidu的发布，表明我国在视频大模型领域已初步具备对标Sora的能力，标志着我国全面进入视频大模型自研时代。 据介绍，Vidu采用研发团队原创的架构U-ViT，支持一键生成长达16秒、分辨率高达1080P的高清视频内容，不仅能模拟真实物理世界，还拥有丰富想象力，具备多镜头生成、时空一致性高等特点。 值得注意的是，与Sora相比，Vidu可以生成特有的中国元素，例如熊猫、龙等。 不少业内人士认为，尽管目前Vidu生成视频的能力只有16秒，距离Sora宣称的还有一定差距，但这显然是训练量不足导致的，Vidu现在的成果表明技术方向是正确的。仅从视频效果和发布时间来看，Vidu已超出了大部人的预期，未来随着在算力、时长等方向上的延伸和突破，Vidu有望为我们带来更多惊喜。 文生视频时代悄然降临，部分行业或将加速变革 此前的2月16日，OpenAI的文字生成视频模型–Sora首次面世。该模型可以根据所输入的prompt（提示词），直接输出最高长达60秒的视频，并且包含高度细致的背景、复杂的多角度镜头，以及富有情感的多个角色。 当时Sora发布的生成视频，无论从人物动作还是场景表现上看，都无比贴近现实。如果不告诉观看者视频是由AI生成的，谁又能辨别出来呢？ 这个能够快速且优质地将文字描述转化为引人入胜视频的AI工具，不仅仅代表着技术上的一次巨大飞跃，也预示着我们熟悉的许多行业即将面临一场革命。 有关统计数据显示，目前，全球有超过60亿人口是视频工具和短视频的用户，而其中与视频产业相关的从业者可能已经超过了将近10亿人，占到了全球总人口的13%到14%，这些从业者涵盖了影视行业、短视频行业等诸多我们日常触手可及的各种视频展示领域。 对于影视行业来说，AI视频模型的出现，将极大地降低拍摄剧集的门槛。 做了20年影视导演的某位业内人士，看到AI视频后说的第一句话是“要变天了”，第二句话是“我直到今天才庆幸自己是个导演”。 令从业者发此感叹，主要是因为现在的影视行业，分工极其精细，很多工种和里面的从业者都是阶段式配合，可以说一个环节掉链子，整个戏就可能功亏一篑。而如果AI视频按照现在的速度发展下去，未来至少很多简单的镜头、群演、灯光布景等，都可以用AI去完成了。 而对于短视频行业来说，AI视频生成模型的陆续发布，无疑将令行业竞争进一步加剧。 在全球范围内，无论是中国的抖音、快手、B站和小红书等平台，还是国际版的TikTok，短视频内容消费正处于前所未有的高峰。而随着AI模型的出现，用户现在能够迅速制作出各种类型的视频内容，未来稀缺的不再将是视频拍摄或者剪辑的能力，只要拥有独特的创意，便可轻松入局，行业本就激烈的竞争可能进一步加剧。 文生视频热潮之下，国内哪些上市公司已布局？ 文生视频作为AI领域的新兴热点概念，此前曾受到市场资金的“追捧”。2月19日，在Sora的催化之下，诸多概念股迅速升温，部分公司当日股价呈现“20cm涨停”。 而本次Vidu视频生成模型的隆重推出，是否会进一步带动相关概念股股价上涨呢？让我们拭目以待，周一开盘见分晓。 据览富财经网不完全统计，目前A股市场中涉及文生视频相关概念的，共有12家公司，其中不少公司都在积极推进相关业务。

本文讲述了清华大学与生数科技发布的中国首个长时长视频大模型Vidu，在性能上超越了OpenAI的Sora模型，实现了全栈自主创新的技术突破。Vidu在模拟真实物理世界、理解多镜头语言和生成长达16秒视频等方面表现出色，打破了行业对Sora垄断的讨论。尽管面临来自Pika和RunwayGen-2等竞品的竞争，Vidu展示了其在语义理解和大规模训练上的优势，证明了技术路线的正确性。研发团队生数科技由清华大学背景成员组成，并获得了多轮投资，显示出了在这个领域的领先地位。

生成式AI行业经历了机器学习-深度学习-生成式人工智能的发展历程，21世纪初开始，依托于机器学习和深度学习的积累，GPT-4的出现标志着基于语言的人工智能步入新阶段。超大规模智能模型，尤其是多模态大模型，如GPT-3等，已在自动驾驶、AI内容生成等多个领域应用广泛，并受到商业人士的高度关注，未来潜力巨大。

美国OpenAI公司发布的Sora视频生成模型引发了全球关注，其能生成电影级别的多镜头长视频，随后中国清华大学与生数科技推出了Vidu，声称国内首个Sora级视频模型。商汤科技也展示了其在文生视频平台的突破，这标志着中国正在追赶并创新AI技术，目标是实现Sora级视频和AGI技术。然而，目前真正的多模态大模型还未能出现，Sora虽然进步明显，但离完全多模态仍有距离。多模态大模型的核心在于理解和生成多模态信息的互信息，Gemini模型可能是这一方向的发展。