中文版Sora，难倒互联网大厂
图片来源@视觉中国
文｜智能Pro
科技圈当下最火话题，非Sora莫属。Sora的影响力也早已冲出硅谷、辐射全球，在大洋彼岸的中国掀起滔天巨浪。
在二级市场，Sora概念股连日走高，势头比起当初的ChatGPT概念股有过之而无不及，比如2月20日，A股、港股Sora概念股板块就有超过60只个股飘红，其中5家企业股价暴涨40%以上。
在科技互联网圈，争夺中文版Sora首发权，成为巨头的新目标。不过和当初的中文版ChatGPT首发争夺战相比，中文版Sora的研发难度也更大，大厂们大多面露难色。此前被盛传将推出首个中文版Sora的字节跳动，就在20日辟谣，称相关产品的效果距离Sora还有很大差距。
在Sora横空出世前，国内“千模大战”早已陷入胶着状态，未曾想，风口突变，从图文生成转向视频生成，“千模大战”也将进入全新阶段。
在上一阶段稍稍落后的字节跳动在视频业务上有先天优势，自然不会错过这个弯道超车的机会，这不仅事关大厂的面子，更是为了捍卫其核心业务——抖音CEO张楠突然辞职专攻剪映，也被视作是字节重视AIGC的动作。
虽然没有中文版Sora，但字节一直在死磕AI
在文本生成式大模型领域，字节的起步时间无疑是比百度、阿里巴巴等大厂要晚，这也让字节的高层十分懊恼。CEO梁汝波就在内部讲话中直言，很难相信技术团队直到2023年才讨论GPT，要知道业内做得比较好的大模型企业都是在2018-2021年起步的。
好在，知耻而后勇，还有亡羊补牢的机会。
一开始，字节希望以量取胜，在去年下半年扎堆上线了十多款AI产品。
这当中，既有大厂标配的基础大模型“云雀”，也有在C端最流行的AI对话类应用，如“豆包”、“话炉”和“抖音小晴”，还有辅助创作的AI工具，如剧情创作平台“BagelBell”、电商内容创作应用“即创”等。由字节技术副总裁洪定坤率领的新部门Flow，则在背后为这一系列AI产品保驾护航。
（图片来自豆包官网）
据悉，字节还在内部开放了大量活水岗位，希望调集全公司最优秀的技术、产品人才集中精力搞AI。除了前面提到的洪定坤外，原飞书产品副总裁齐俊元、抖音社交负责人陆游、字节跳动产品与战略副总裁朱骏等高管也先后驰援。甚至在国外，字节跳动也组织了50多人的研发团队，负责推进“Cici”项目。
然而，字节在文本生成大模型这条赛道确实是落后了，即便后期不断加大投入，恐怕也很难抹平差距。明白这个道理后，再结合自身的业务状况，字节开始发力图像、视频生成领域，试图确立差异化优势。而在春节前后，内部的一系列人事变动、团队重组，则是其为视频生成大模型奋力一搏的最佳证明。
2月9日，张楠宣布辞去抖音集团CEO一职，原因是要把精力集中到剪映的发展上。众所周知，张楠是字节内部最有权势的高管之一，很多人将其视为仅次于集团CEO梁汝波的二把手。其掌管的抖音集团，则是字节最重要的业务，此次自降身份掌管剪映，在内部、外界都引发了不少争议。
如今再看，作为一款视频剪辑及辅助创作工具，剪映是字节业务版图里和视频生成大模型契合度最高的一环，是承载AI视频创作业务的最佳抓手。像张楠这种级别的核心高管主动接管剪映，恰好说明字节对该项目的重视。
有消息指出，张楠去年已经把大部分精力花在剪映身上，抖音的各项业务分别交给韩尚佑（抖音集团新任CEO）、魏雯雯（抖音电商总裁）、蒲燕子（抖音本地生活负责人）等高管接手。
去年11月，剪映就悄悄内测了一项名为“Dreamina”的AI辅助工具，用户只需要输入文字，即可生成创意图像。算上研发周期，该项目的立项至少在去年二季度前。如果上述消息属实，张楠带领的团队应该在更早的时候就接手了字节的AI产品研发工作。
张楠正式官宣辞任集团CEO之后，也有消息称其带领的团队将推出一个全新的AI视频生成软件。如今，这款备受期待的产品——“Boximator”，终于浮出水面，这也是字节冲击中文版Sora的王牌。
Sora搅动一池春水，大模型改造短视频行业
据悉，字节内部对“Boximator”的定位为创新性视频生成大模型，将通过控制对象运动的方式，精确控制视频人物、物体的运动。该模型采集的训练数据来自webVid-10M数据集，并在PixelDance和ModelScope两个视频生成模型中进行训练。
然而，正如字节日前的回应那般，视频生成大模型的研发难度比想象中更大。根据字节方面的说法，“Boximator” 保真率、画面质量、视频时长等方面距离Sora还有很大差距，暂时不具备落地的条件，预计还要2-3个月才能开放测试。
但2-3个月，可以发生很多事情——Sora可能已经迭代到更先进的版本，和尚未落地的竞品拉开更大差距；其他竞争对手也可能迎头赶上，抢在字节之前推出同类产品。
对于这些可能性，字节跳动心里肯定有数，而且比谁都着急。原因很简单：比起文本生成大模型，视频生成大模型和字节跳动的短视频、直播等核心业务关联更紧密，影响也更大。
如果说搜索是第一个被ChatGPT颠覆的行业，那么长/短视频肯定是最有可能被Sora颠覆的行业。正如当初谷歌、百度、360等巨头倾力投入文本生成大模型研发那样，字节在视频生成大模型这一战中也不容有失。因为随着视频生成大模型在日后逐渐普及，短视频内容生产、营销、变现等一系列逻辑都可能发生变化。
以内容生产为例，制作方对真人演员、编剧、剪辑人员的需求很有可能会减少，传统的制作流程也会被大幅简化、制作时长将被压缩。这带来的直接后果，不止是生产内容数量呈几何级增长、成本明显减少，也必将导致更残酷的竞争，加速优胜劣汰。
在Sora走红之后，有关剪映会不会被取代的问题已经迅速成为焦点话题。留给剪映的路只要一条，那就是主动拥抱AI，向Sora看齐。要是能成功抱上AI这条大腿，剪映的用户体量可以再上一个台阶，商业化潜力也将大大提升。
举个最简单的例子，现在的剪映只提供基础服务，收费模式很难推广。但如果能像Sora那样，提高内容创作者的效率、降低成本，收费也就更有底气。Stability AI、Runway等独角兽的估值大幅飙升，就证明了这条路线的可行性。
当然，因Sora而焦虑的大厂绝不止字节跳动一家。短视频行业的另一个巨头快手，还有爱奇艺、腾讯视频、优酷、哔哩哔哩为首的流媒体平台，也必须啃下视频生成大模型这块硬骨头。
可能是Sora的冲击太大，还需要时间消化，也可能是吸取之前的教训，先埋头干实事不着急到台前造势，上述大厂大多尚未表态是否及何时推出类Sora应用。截止发稿时，只有芒果超媒表态将探索文生视频等AI技术在传媒领域的落地。但明眼人都看得出，这些大厂没有一个会缺席这场全新的“千模大战”。
有危机感，就会有动力。大厂们集体冲刺，到底谁能率先撞线？
冲刺中文版Sora，哪家中国大厂先撞线？
要猜测谁能率先研发出中文版Sora，或者说类Sora视频生成大模型，得先看一下这类产品的研发难点。
从openAI公布的报告来看，Sora并没有应用什么全新研发成果，核心技术都是早已公开的。这当中，视频压缩网络、扩散模型、视觉补丁（类似于本文生成大模型的文本标记）、图像及视频编辑是最关键的几个环节。本质上讲，Sora仍是一个基于Transformer架构的扩散模型，和ChatGPT有很多相似之处。
当中的技术原理和繁琐的训练流程，这里不再一一展开。可以确定的是，大厂们都具备开发中文版Sora的基础，起跑线不会有太大差距。除了考验财力之外，和之前的中文版ChatGPT之争一样，数据样本、算力、测试条件，将很大程度上左右最终赛果。
这当中，数据样本关系着大模型的效果，训练数据越丰富、越完整，视频大模型就能越接近物理世界的真实情况。算力则是训练效率的决定性因素，是跑赢竞争对手的关键。测试环节更多是决定了产品落地效果，以及稳定性。
硅谷巨头的选择出奇一致，都在拼算力。openAI CEO阿尔特曼表示，计划筹集8万亿美元投资AI芯片，彻底解决AI大模型训练的算力问题。微软、Meta、谷歌等大厂在疯狂囤积英伟达H100的同时，还在抓紧时间自研芯片。这些原本为文本生成大模型准备的杀招，现在能完美应用到视频大模型身上。
国信证券在最新一份研报中指出，相较于ChatGPT等文本生成类大模型，Sora训练数据量明显高出一个级别，对算力的要求自然也更苛刻了。根据该研报援引的数据，以全球最大视频分享网站YouTube为数据源，一年的增量视频大约为157.68亿秒，即便是采用英伟达最先进的H100，单次训练也需要一个月，GPU消耗量为156.98万张。
众所周知，H100长期处于供不应求状态。加上不可抗力影响，国内的大厂们在算力这一块大概率会落后于硅谷巨头，唯有在其他环节努力缩短差距。相较之下，字节在训练数据源这一块就比其他大厂更有优势。
要知道，Sora对比其早前的PixelDance、Stable Video Diffusion等未成形视频大模型有显著提升，数据量是很关键的一点。抖音和TikTok是国内和海外市场用户、创作者规模最大的短视频应用，拥有最多的短视频内容，可用于训练大模型。更不用说，字节旗下还有今日头条、西瓜视频等内容库，完全不愁数据源。不过其他大厂也不会落后太多，而且肯定会想方设法抹平差距。
这几天的观察下来，和当初同样出道即红遍全球的ChatGPT不同，业界人士对Sora的态度除了赞叹、敬佩，还带着更深的恐惧。这不仅是因为Sora的视觉冲击力比ChatGPT更强，还因为前者对相应产业的改变路径是相当清晰的——这也决定了大厂会倾注更多的资源，务求尽快打赢这场硬仗。
总而言之，“千模大战”已经进入新的阶段。假以时日，我们肯定能看到很多中文版Sora。只不过对大厂来说，既然不可能成为“唯一”，就只有争下“第一”才有意义。