2023 年 3 月,一段“威尔·史密斯吃意面”的 AI 视频还是当时的最高水平:脸在融化,叉子叉了个空,网友笑完后,把它变成了一道测试题。三年后,只需一句提示词,就能生成一段三十秒、带声音、看起来像真实摄影机拍摄的视频。
AI 视频为什么进步得这么快?最出名的 AI 视频应用 Sora,又为什么偏偏关停了?
这支影片将讲清楚三个让视频生成成为可能的核心理念:压缩、切分成时空小方块,以及扩大模型规模。为什么这三个想法没有一个是专门为视频而发明的,以及当你生成的每一秒视频都需要数据中心运算时,背后的成本究竟有多高?
片中引用的论文、报道和视频片段,全部列在片尾的参考文献页面。英文旁白,中英双语字幕。