ChatGPT之后，下个AIGC杀手级应用已近在眼前

鱼羊发自凹非寺
量子位 | 公众号 QbitAI

大模型模式，正在新一波AIGC的浪潮里被再度验证。

从AI画画的出圈，到现如今ChatGPT的火爆，面向大众的爆款产品接口背后，无不是大模型技术的突破创新。

而当这种“大力出奇迹”的技术路径价值愈发凸显，行业内外也不禁好奇：

AI绘画、ChatGPT版搜索之后，下一个大模型的爆发点会出现在何处？

遵循技术规律推测，可以预见的是，视频领域的技术革命已近在眼前：

从技术的角度来说，在大语言模型迭代进化的同时，谷歌、Meta等大厂在视频自动生成领域已有更深层的探索。

而从商业的视角来看，中信建投就在报告中指出，AIGC在文本、音频、视频、游戏等等行业中，成长空间巨大。

量子位智库也预测，AI生成视频将在5年后迎来较为广泛的规模应用。

△图源：量子位智库

AIGC下一站：视频生成

不妨先展开看看相关领域的技术进展。

谷歌：Phenaki和Imagen Video

就在ChatGPT刷屏之际，谷歌AI生成的一段视频突然爆火，一时分走不少讨论度。

背后的AI模型名为Phenaki。只需提供一段提示词，这个文本转视频（Text-to-Video）模型分分钟就能生成长达两分钟的视频。

不仅时长远超早期的文生视频模型，Phenaki生成的视频还颇具故事性。

比如给它这样一段场景描述：

一只逼真的泰迪熊正在潜水；随后它慢慢浮出水面；走上沙滩；这是镜头拉远，泰迪熊行走在海滩边篝火旁。

就能得到一个这样的视频片段：

除此之外，谷歌还推出过基于扩散模型的Imagen Video。其特点是分辨率高，同时可以理解不同的艺术风格和3D结构。

Meta：Make-A-Video

在“拿嘴做视频”这方面，Meta也有所布局。

Meta的文生视频模型名为Make-A-Video，同样是文本图像生成模型的升级版，主要由三部分组成：

文本图像生成模型P
时空卷积层和注意力层
用于提高帧率的帧插值网络和两个用来提升画质的超分模型

不仅给出一句“马儿喝水”，Make-A-Video就能生成出一段“纪录片”画面来：

这个AI模型还具备将静态图像转成视频、根据前后两张图片生成一段视频，以及基于一段原视频生成新视频的能力。

百度：VidPress

国内，百度也把文心大模型的能力，运用到了智能视频合成平台VidPress中。

VidPress能够实现图文自动转视频，即把文字脚本、视频内容搜索、素材处理、音视频对齐，以及剪辑这5个步骤自动化。

其中涉及的语义分析、素材相关度打分等环节，就都是基于文心大模型训练实现的。

从技术的发展可以看出，在语言大模型、图像大模型之后，多模态大模型已经成为了新的趋势。视频就是其中具有代表性的一个应用领域。

而从商业化的角度来看，文化娱乐、教育、传媒等诸多领域，本身就对基于AI的可视化内容有强烈需求。

根据中信建投对各类内容未来可AI制作比例的测算，在视频成为信息主要表达载体的当下，无论是在游戏、短视频、直播，还是影视等领域，AI视频内容生成都将成为AIGC的主要关注方向。

并且在2022年，DALL·E、Imagen、Stable Diffusion等多个高质量文生图大模型的“轰炸”之下，一个新的市场规律已经得到验证：

当生成质量提高到专业水平时，原本AI生成内容的商业化瓶颈，如变现困难等，将得到突破。

哪些公司是潜力股？

机会自然属于有准备的人。

比如，Image Video的核心团队就已经从谷歌出走创业。据VC爆料，首轮估值1亿美元。

而除了前文提到的已有革命性技术储备的科技巨头外，还有两类公司值得关注。

其一，是具备数据基础和应用场景的公司。

在这一方面，行业中的大公司普遍更具优势。比如国外的网飞、迪士尼。

以网飞为例，公开资料显示，在2012年时，网飞就已拥有数十亿条会员评价，每天能新增百万级别的视频播放信息，包括观众的观看时长、播放设备等等。

事实上，基于如此庞大的独家数据，网飞已经在产品中尝试用AIGC替代标准内容制作。比如影片的缩略图，就是网飞采用AI算法，从影片中抽取符合用户观影习惯和需求的画面生成的。

就在今年2月初，网飞还发布了一支AIGC动画短片《犬与少年》。其中动画场景的绘制工作，都是由AI完成的。

同样，国内短视频行业两大巨头抖音和快手的动向，也值得关注。

目前，字节跳动的视频编辑工具剪映，以及快手的云剪，都已上线图文成片、文字转视频的功能。用户只需输入几个关键词或一段文字，AI就能自动搜集素材剪辑出一段视频片段。

其二，就是在垂直细分赛道上具有技术储备的公司。

比如国内的智能视觉技术企业影谱科技，成立之初就是以人工智能视觉技术产业化为主要目标，早在2018年就发布了基于生成式AI技术的AGC智能影像生产引擎，这也是国内较早提出的生成式AI的技术框架。

影谱科技的AGC通过MCVS技术(Moviebook Motion Capture from Video System)对现有视频的关键帧进行抽取，理解、关联及预测等处理，将视频内容分割为像素及子像素维度的结构化数据，并自动完成标记，即形成了对视频中各种内容的自动化理解和标注。接下来，利用3D虚拟重建等计算机图像技术，通过视频内容自动化生产引擎MAPE(Moviebook Auto-Production Engine)生成全新的视频，该方案融合了人工智能多模态语义理解，并利用深度学习实现视频自动化加工以及视频的同步生成，创新了视频影像生产方式。

这使得AGC可在极短时间内生成一段个性化视频内容，亦可以对拍摄视频进行重构，如自动锚定关键帧，根据帧内容生成原图像中没有的、无违和感的内容，再智能化生成一段AI视觉内容。

据公开数据显示，影谱科技AI生成引擎生成一段60s视频的总成本与传统方式相比降低79.8%以上，而生产率最高可以提高百倍以上；检索一段60s视频内相似帧图像或特定图像，所需总成本与人工相比降低99.73%，而错误率降低10倍以上，目前主要应用于政府服务、企业、科教、泛娱乐、媒体、文旅等领域。