文生视频大模型Sora的复现经验

  大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。

  本文主要介绍了文生视频大模型Sora的复现经验，希望能够对学习大模型的同学们有所帮助。

1. 前言

  2月16日，OpenAI 发布了视频生成领域的重磅模型 —— Sora。

  Sora 对 Scaling Law 的信仰及其突破性的技术创新，使它持续保持领先地位。同时，也再次证明了“大力出奇迹”依然适用于文生视频领域。

  Sora 披露的技术细节，远远不足以窥其全貌。同时 Sora 目前也未正式对外开放。源于此，针对 Sora 的思考和讨论从未停止过。OpenAI 发布的技术报告如下图所示：

  Sora 给整个 AI 领域带来的最大冲击，莫过于如何优化和校正现有的视频生成思路和框架。而由此也引发了持续至今的复现 Sora 的热潮。

  复现 Sora 的动力，一方面来自技术人员的技术执着与技术理想，另一方面也来自于未来可预期的商业价值。

  另外，不容忽视的是，这家持续被戏称为 CloseAI 的人工智能技术研究机构，已然成为了行业内的标杆，几乎每次发布的产品都能带来颠覆式的创新。但是 OpenAI 似乎在坚持闭源的道路上越走越远，这更加点燃了大众对复现 Sora 的激情。我们可以相信未来的几个月内，多个类 Sora 模型将会陆续发布，并将开源出来。

  Sora 发布后的这一个多月来，其相关技术创新的讨论和复现的进度如何呢？下面我们一起来看看。

  关于复现 Sora，本文从以下三方面展开：

• 距离 Sora 发布一个多月了，目前复现的进度如何？

• 复现的可能性有多大？国内有什么技术基础？

• Sora 到底是不是世界模型？能否帮助我们抵达 AGI？有没有必要复现？

2. 类 Sora 模型

目前已经推出且讨论较多的三个模型分别是 Snap Video、Open-Sora 1.0，以及 Mora。

• Snap Video

  Snap Video 是2月29日发布的类 Sora 模型，它使用到了可扩展的时空 Transformer，来自开发出 SnapChat 图片分享软件的 Snap 公司，以及特伦托大学等机构。

传送门：《首批类Sora模型出现，色拉布上线Snap Video，效果优于Pika、不输Gen-2

• Open-Sora 1.0

  Open-Sora 1.0 是3月18日全面开源的首个类 Sora 模型，来自 Colossal-AI 团队，该开源模型涵盖了整个训练流程，包括数据处理、所有训练细节和模型权重。

传送门：《没等来OpenAI，等来了Open-Sora全面开源》

• Mora

  Mora 是几天前由理海大学、微软研究院的研究者提出的多智能体框架，该框架整合了几种先进的视觉 AI 智能体，以复制 Sora 所展示的通用视频生成能力。

  传送门：《复刻Sora的通用视频生成能力，开源多智能体框架Mora来了》

  尽管目前的模型复现效果依然无法企及 Sora，但是短短一月有余，已经有明显的技术突破出现，不失为一个乐观的信号。据不完全统计，国内已有近 10 支团队在复现 Sora，让我们拭目以待。

3. 先于 DiT 的技术架构创新

  Sora 使用的 DiT（Diffusion Transformer） 架构目前来看是其最大的技术创新，但追溯来看，也许国内相关的进度更早一些。

• U-ViT 架构

  2022年9月，清华团队提交的名为《All are Worth Words: A ViT Backbone for Diffusion Models》的论文，比 DiT 还要早 2 个月。该论文提出用基于 Transformer 的网络架构 U-ViT 替代基于 CNN 的 U-Net，这与 Sora 将 Transfomer 和扩散模型融合的思路不谋而合。

  传送门：《国内公司有望做出Sora吗？这支清华系大模型团队给出了希望》

4. VDT

  2023年5月在 arXiv 网站上公开的 Video Diffusion Transformer (VDT)，是由中国人民大学研究团队主导，并与加州大学伯克利分校、香港大学等进行合作的，基于 Transformer 的 Video 统一生成框架。对采用 Transformer 架构的原因也给出了详细的解释。

  传送门：《国内高校打造类Sora模型VDT，通用视频扩散Transformer被ICLR 2024接收》

  也许在核心技术的创新上，国内的探索并不落后，而是走在了前面。不过，囿于资源限制以及技术路线规划等其他原因，没能在之前实现类似 Sora 的效果。

  Sora 无疑验证出了一条技术可行性的道路，而我们本身在技术架构上的领先探索，将更有利于我们复现出 Sora，甚至可以更加乐观地相信，在某些领域内超越 Sora 的效果。

5. Sora 是世界模型吗？

  由 Sora 引发的另一个热点讨论，是关于世界模型的。

  Sora 生成的视频无疑对物理世界有了一定了解，比如经典的“海盗船在咖啡杯里纠缠”，肉眼可见能涉及到专业的流体动力学、光线等物理世界的特征。

  但是以 Yann LeCun 为代表的一部分科学家力证 Sora 的训练方式和世界模型没有关系。

  那 Sora 是不是世界模型，到底懂不懂物理世界？关于这个讨论已经蔓延至各个论坛和直播中。可见对于究竟什么是世界模型这个话题，大家也是见仁见智的。

  而我们能明确的是，如果 Sora 是世界模型，那通往通用人工智能（AGI）的理想，可能比我们预计的还要早到达。那复现 Sora 就有了一定的必要性。

  关于 Sora，我们保持着好奇，并持续探求以下问题的可能答案。

• Sora 之前的视频生成架构/技术还能不能用？如何用？

• Sora 之后，谁是被遗忘的？谁又是被仰望的？

• Sora 之外，其他创业公司/团队要如何做？做什么？

• Sora 会改变主流的技术架构吗？以 DiT 为代表的架构是以后主流的架构选择吗？

• 国内技术力量应不应该复现 Sora？为什么？

• 已知有近 10 支团队在复现 Sora，我们可能看到的未来格局是什么？

• 为什么是 OpenAI? OpenAI 的模式能否复刻？

• Sora 之后，全球的视频生成格局是怎样的？又将如何发展和变化？

• 如何看待一些明星创业公司公开表示不做 Sora?

• 多模态大模型的未来在哪里？

• 不同视角下，如何看待 Sora 的冲击？（投资人、非技术人、央国企、AI 创业者、从业者等视角）

• OpenAI 扮演着什么样的社会角色？你如何看待这家公司？

• ……

Sora 带来的冲击是颠覆式的，因此对以上问题的求解将持续进行着。而作为聚焦于 AI 前沿技术探索和应用实践的团队，机器之心 AI 技术论坛再次将视线放在了视频生成领域。

  4月13日，在北京六道口，我们策划了一期技术论坛，聚焦 Sora 发布后的技术创新、思考与应用实践。活动现场汇聚多位重磅嘉宾，同时我们也会更加深入地探讨上面提到的问题。

  在可预见的未来，相信本次活动能产生一定的积极作用和启发，以期推动我国 AI 开源社区的技术发展和传播。

6. 嘉宾阵容

  本次论坛的嘉宾阵容强大，我们邀请到了：

• 业内的知名技术专家张俊林老师，来一场 Sora 核心技术的深度拆解

• 爆火的视频生成模型 PixelDance 的作者，来自字节跳动的曾妍老师，分享 PixelDance 背后的技术创新和应用

• 类 Sora 模型 VDT 的团队负责人，来自中国人民大学孵化的创业公司——智子引擎的 CEO 高一钊博士，详细拆解 VDT 的技术创新和实践

• 投资人是 AI 领域离不开的重要角色，陈石老师作为峰瑞资本的投资合伙人，将带来投资人/机构视角下的独特观察

• 国央企在 Sora 发布后迅速响应，占据了 AI 领域一席之地，来自中移动信息技术有限公司的算法技术负责人童同老师，将会分享他的全新思考

• 类 Sora 模型 Open-Sora 1.0 的技术负责人，来自潞晨科技的 CTO 卞正达老师，更是会详细拆解如何复现 Sora，以及来自他们团队的独特思考与实践

• 还有更多重磅嘉宾，陆续邀请中……

张俊林

中国中文信息学会理事，中科院软件所博士

目前担任新浪微博新技术研发负责人，此前在阿里巴巴担任资深技术专家，负责新技术团队。技术书籍《这就是搜索引擎：核心技术详解》、《大数据日知录：架构与算法》作者。

曾妍

ByteDance Research 算法工程师

专注于视频生成和多模态预训练等领域的前沿研究。主导研发的模型为字节跳动的视频生成、短视频审核、电商客服、今日头条、教育解题等业务提供了有力服务，并以第一作者身份将相关的八篇论文发表在 TPAMI, ICML, CVPR, ACL 等国际顶级会议和期刊，同时也担任了 TPAMI, ICML, NIPS, ICLR 等会议的审稿人。主导研发的 PixelDance 视频生成基础模型在业界首次实现了高动态性和稳定性的结合，并首次生成了3分钟的连续剧情动画。

陈****石

峰瑞资本 投****资合伙人

专注于科技、软件、互联网、消费等领域的投资。加入峰瑞资本前，拥有 5 年阿里巴巴管理层经历，曾担任阿里巴巴移动事业群副总裁、阿里巴巴文化娱乐集团高管、优酷和 UC 国际班委，深度参与 UC、高德、优酷、土豆、神马搜索、UC 国际等产品线的业务决策和管理执行。

15+ 年连续创业，作为核心管理团队成员深度参与 UC（全球最大第三方手机浏览器，2014 年被阿里巴巴收购）和拉卡拉（中国知名第三方支付公司，SZ:300773）的创业过程，分别担任副总裁和 CTO；曾经是一名快乐的程序员，用户增长专家，科技热爱者。

拥有北京航空航天大学机电工程系本科和硕士学历。2023 年获评 EqualOcean「2023年出海全球化投资TOP30人」、甲子光年「2022-2023 年度人工智能与大数据最佳投资人TOP20」。

高一钊

智子引擎 CEO

中国人民大学高瓴人工智能学院博士。多模态大模型专家，发表多篇顶级期刊、会议论文，曾带领多人团队完成文澜大模型训练。全程参与智子引擎相关模型、产品的开发与推广。

卞正达

潞晨科技 CTO

毕业于新加坡国立大学，曾在全球超算最顶尖会议 SC 上发表一作论文，拥有 7 年高性能 AI 系统经验，Colossal-AI 系统核心开发者。

童同

中移动信息技术有限公司 算法技术负责人

中国科学院自动化研究所 AI 博士。目前在中移动信息技术有限公司负责多模态大模型、数字人、智能体等领域研发工作，实现了文生图、文生视频、大模型动作识别与目标检测等关键技术的落地应用。共发表论文 12 篇、公司专利 12 项、软著 4 项。

更多专家正在确认中，敬请期待。

7. 视频生成技术与应用 - Sora 时代

  机器之心 AI 技术论坛时刻保持对 AI 领域技术突破的敏感追踪，为了深入探究 Sora 对技术的冲击和对各行各业带来的影响，我们特别策划了「视频生成技术与应用 — Sora 时代」AI 技术论坛。

  希望助力广大企业和从业者紧跟技术发展潮流，全面了解 Sora、视频生成技术、多模态大模型等前沿领域的技术突破和应用实践。

  面对扑面而来的 AI 视频生成，积极拥抱学习并敢于尝试，才能抓住技术潮流，破局而生。

  期待 2024.04.13，在北京海淀区，和你相遇。

  论坛报名通道正式开启，扫描海报中二维码可直达活动页面。由于嘉宾介绍发布时间较晚，本场论坛的早鸟优惠期有所延长。

  即日起至04月07日23:55，购票参会即可直减 200 元， 享受 699 元早鸟特惠门票（原价 899 元）。五人团购更有专属优惠，详见活动详情页。

8. 活动亮点

• 赠送永久观看上一期「视频生成前沿研究与应用」论坛活动视频及课件（上期活动已购请联系 Alice 扣减，本期购买后记得找 Alice 兑换上一期视频）

• 永久观看本期「视频生成技术与应用 - Sora 时代」论坛活动会后视频及课件

• 汇聚高校教授及产业界重磅技术专家，掌握最新技术，拓宽技术视野

• 和技术大牛面对面交流，会后深度连接

• 覆盖核心技术拆解、明星产品最佳实践、技术未来探讨及展望

• 全流程助力学习：会前会后学习资料大礼包

• 加入视频生成高质量技术交流社群，及时跟进行业前沿技术与资讯

• 机器之心旗下相关付费活动享购票八五折优惠

  关于本次活动商务合作、团购、发票、内容等相关问题，欢迎私信 或通过邮件进行咨询。

  邮箱：[email protected]

关于发票： 报名成功后，可于活动结束后，在活动行 App 上自行申请发票，发票为电子版增值税普票，开票成功后会发送到报名邮箱中。

成为论坛志愿者： 参与活动现场的具体事项执行，如签到、引导、秩序管理等，包工作餐。在校学生优先。