文章来源:字母榜
作者:赵锦杰 马舒叶
编辑:赵晋杰
Sora现身近一个月,却未能在国内掀起如同ChatGPT时期的紧追不舍之态。
科技大厂仍停留在内部探索、研发Demo的阶段:字节推出AI生成视频产品Boximator,腾讯研发了视频生成模型VideoCrafter,百度发表了统一模式视频生成系统UNiVG。至于究竟何时会推出“中国版Sora”,大厂用静悄悄回应着外部期待。
恒业资本创始合伙人江一告诉字母榜(ID:wujicaijing),投入产出比或将是困扰国内大模型玩家选择跟进的一大因素。在追赶Sora之前,目前在对话大模型领域尚处在GPT-3.5的国内头部玩家,对于是否要追赶上GPT-4的水平,“实际上他们也都有担忧:一方面想要证明自身价值,至少要做到Meta开源模型Llama 2的水平;另一方面,Meta新一代开源模型Llama 3即将发布,届时万一投入重金后的自研模型,水平不及Llama 3乃至遭遇OpenAI自身的开源模型竞争,很可能导致前期投资‘竹篮打水一场空’。”
高企的成本,不仅困扰着大模型训练厂商推出Sora的步伐,而且同样阻碍着创业者率先体验Sora的热情。
在ChatGPT引爆新一轮AI应用热潮后,定位桌面机器人的小丽智造创始人兼CEO胡捷,一度找上国内某大厂商谈合作,希望将其大模型能力嵌入自家硬件。不过,在前者报出的数百万元合作费用面前,胡捷最终选择了国内一家二线大模型厂商,费用降低了近乎十分之一。 需要更多算力支持的视频大模型Sora,其应用成本更是胡捷这类初创公司难以承担的代价,等待越来越多国产平替方案的出现,可能是更具性价比的选择。 除了用不起之外,Sora在视频生成方面存在的精确度等Bug,也让一些支付得起C端使用成本的创业者,不敢轻易替换掉人工。 坐拥百万粉丝的上海市锦天城律师事务所律师候朝辉,以法律博主的身份运营着两档视频对话栏目《知V见》和《披荆斩棘的律师》,其视频时长在10-30分钟之间。为了保证长视频的信息精确度和画面精致感,候朝辉以15000元月薪,雇佣了一个专业剪辑师。 Sora出现后,候朝辉并没有下意识觉得可以每月节省15000元成本了,“我不会自己去学,肯定让剪辑师去学,他如果学会这套AI工具,就可以将效率变现,接更多活,赚更多钱。”
ChatGPT爆火之后,胡捷开始有了将大模型对话能力融入自家产品中的想法,尝试打造一个桌面机器人结合类ChatGPT的新交互方式。 “(用户)语音对话的过程中,ChatGPT的生成过程是以一个个点的形状呈现,我们借助屏幕为其配备了一个对应口型的虚拟人形象,可以把ChatGPT吐回来的文字,让虚拟人开口讲出来。”胡捷说道。 为了实现上述意图,胡捷首先找到了一家自研大模型的国内大厂,希望直接接入对方的对话大模型产品,但后者报了一个300万元左右的合作价格,还设置了终端使用量要达到过万台的门槛。 对于这家去年才刚刚成立、初始团队在10人左右的小丽智造而言,无论是大厂给出的报价,还是设备出货量要求,都超出了胡捷能够承受的范围。 退而求其次,胡捷最终选择了国内一家二线大模型厂商,后者按年收费,报价只有几十万元,且在定制开发上配合度更高,“尽管大模型能力没那么强,但是能满足我们初期的要求。而且开放性比较强,允许我们接入第三方大模型,他们提供开发对接服务。” Sora引爆新一轮大模型热议后,胡捷们也开始等待国内平替的到来。但平替究竟何时会来,却不像ChatGPT时期那么有确定性了。 在江一看来,国内大模型厂商想要追赶OpenAI,保持一个相对领先优势,在资源投入上需要优先考虑总成本领先,即能否用比竞争对手低的成本,训练出足以媲美行业头部水平的大模型,其次才是基于数据和场景打造差异化。 在推动大模型性能不断迭代过程中,其所需要的算力等各类资源也呈指数级增长。ChatGPT成功运行的背后,最少需要一万张英伟达GPU提供算力。迭代到GPT-4后,其所需的英伟达GPU数量被爆超过了2万张,价值达数亿美元。 面对越拉越大的投入产出比,在江一看来,国内大模型厂商担忧的,不是能不能做出Sora,而是投入重金研发后,做着做着突然被硅谷的开源模型突袭,“你的价值就几乎归零了。”
对于那些直接付费使用C端大模型产品的创业者而言,尽管免去了用不起的烦恼,但在大模型生成内容的“幻觉”问题尚未解决之前,想让他们跳过人工成本,自己用上Sora,还有点难。 专注长视频创作的候朝辉,为了确保画面的精确和精致感,平时需要用到专业相机拍摄,大容量的视频素材使得剪映一类的傻瓜式剪辑软件,根本无法满足需求,日常剪辑只能用达芬奇等专业软件,这也迫使他以每月15000元的价格,在上海雇用了一个专职剪辑师,保证一个月能剪出两条视频。 除此之外,候朝辉还会不定时发布访谈视频,后期剪辑则以一条3000元的价格外包了出去。 ChatGPT时期延续下来的内容不准确、部分数据陈旧等问题,在采取同源技术架构的Sora身上也难以幸免。在候朝辉看来,即便真等到Sora公测那一天,也是让剪辑师去学,而不是自己去学习如何使用,“(说到底)这个工具还是要有人去操作,它很难在短期内把一个人淘汰掉,更多可能带来效率的提升,然后剪辑师就可以接更多活,赚更多钱。” 即便是被外界视为影响最大的游戏影视领域,Sora的实际应用效果也存疑。 在游戏行业,哪怕是独立游戏,都不存在用不起AI工具的情况。但AI究竟能发挥多大效用,则是另一回事。独立游戏制作人阿图(化名)曾经期待用AI绘图,减轻长期占游戏行业重头支出的游戏画师的工作量,但是真的让AI画“秦王绕柱”,结果出来的效果是“秦王在跳钢管舞”。 Sora演示效果看起来很厉害,但阿图担忧的另一个点在于,制作者还要考虑市场是否买账,“类Sora的AI工具大量应用在游戏行业,不仅要考虑技术本身的完善程度,还要考虑市场的反应。在消费心理上,用户是否认可制作方在游戏中大规模地使用Sora,会不会觉得这是在偷工减料?对于部分用户来说,他愿意为了画师的画工,特效师的构思付费,但用AI生成的文本、画面,并非是画师设计的,这算不算是在糊弄消费者?在这一点上,目前许多科技媒体调研时,都似乎忽略了市场的反映,而我认为这恰恰是很重要的。” 基于上述种种担忧,阿图的团队,即使使用AI工具,更多也只是做一些边角料的工作,比如画一些概念,做一些配色尝试,目前还没达到可以替代部分岗位的应用程度。 独立导演杜兰馨甚至比阿图更进一步,基于AI制作带来的人员投入和精力问题,在其影视公司内,他没有尝试引入AI制作,“如果把时间和精力耗费在AI如何应用上,可能还完不成公司接下的案例。” 在杜兰馨看来,如同用文生图产品一样,要想应用类Sora的工具,影视从业者还需要懂AI语言,掌握一定的技巧,才能生成想要的视频效果。“但是目前的训练,工作量似乎并没有被消减,寄望用AI减少人力成本的初衷可能只是想象中的美好,实际工作量从自己绘图,变成了重复下达指令训练AI绘图,在这个过程中,不只是人掌握了技巧,也是AI训练了人。” 杜兰馨认真算了一笔账,以影视公司剪辑师为例,假设此前负责初级剪辑的剪辑师,月薪8000元,主要工作是收集整理素材,如果可以用Sora代替初剪,就可以节省这部分支出。但同时,公司需要把文生视频的指令输入工作交给高级剪辑师,那么就要上调高级剪辑师的工资。最终只有类Sora的工具应用节约成本,足以抵消上调薪资带来的支出,影视公司才不会亏本。
Sora在视频生成方面的各类Bug,同样是OpenAI迟缓推出的重要原因之一。在官网介绍中,OpenAI提醒道,Sora可能难以准确模拟复杂场景的物理原理,并且可能无法理解因果关系,还可能混淆提示的空间细节,例如混淆左右,并且可能难以精确描述随着时间推移发生的事件,例如遵循特定的相机轨迹。 根据部分拿到内测名额的博主分享,Sora在物理方面遇到的困难,在表现腿部特征,或者行走方面,尤为明显,如经常生成双腿交叉和相互融合的画面。 导致Sora在内容生成上出现各类“幻觉”的背后技术动因,在与其采用了与ChatGPT一样的Transformer架构。 这也是胡捷将 ChatGPT视为一个革命性产品,而将Sora的到来,认为是一种延续性创新的原因之一。“Sora出来之后,你可以认为是在铁轨上运行的火车,变成了高铁。Claude 3的发布,同样如此,给我的感觉就是速度由原来的300km/h,提升到了350km/h、400km/h,只是沿着既定路线的彼此较劲,而非颠覆性的突破。” 江一同样对Sora可能给行业带来的所谓“革命性冲击”,持怀疑态度。在他看来,Sora再更新两三个版本,可能就会触摸到技术迭代的天花板,然后慢慢被后来者追平差距。就像之前国内的语音翻译大战,一开始领先的科大讯飞,最后其实跟搜狗之间翻译结果差不太多,“从商业角度考量,大模型这场混战中,厂商也应该优先追求最小可行化产品,先商业化,然后再在往前走的路途中尽善尽美。” 过去一年中,上述竞争姿态已经在对话大模型上上演过一次。随着越来越多玩家推出大模型部署服务,在日益激烈的商业化比拼中,大模型私有化部署的价格,“从一开始的几千万报价,降到一千多万,后来又降到几百万,乃至100万,直到无限接近成本。”江一表示。