2024-02-19
【FOCUS】Sora構建「心神自運」,谷歌臉書黃雀在後
「眼見為實」不再,未來世界也許只是人類用文本構建的「心神自運」。人工智能翹楚OpenAI於剛剛過去的周末發布新系統Sora,能根據文字提示,迅速生成荷里活大片即視感的高質影片。此一被稱為「量子級」的AI技術飛躍,一問世即驚艷,但「螳螂捕蟬,黃雀在後」,競爭對手Google、Meta同時發布最新大模型Gemini 1.5及V-JEPA。
人人都是黑澤明?
不久的將來,人人都是黑澤明或史提芬史匹堡?當OpenAI周六發布一段17秒短片,白雪皚皚的東京,熙熙攘攘的街道,櫻花伴雪飛舞……一鏡到底的動態逼真場景記錄,原來不是出自專業攝影師,而是AI這個「夢世界模擬器」。
Sora生成視頻中的鏡頭、光線、場景運用乃至人物表情,都已達至影視級。
如果說語言的誕生使人類得以馳騁想像,那麼「文本-視像」的突破,將令人類獲得真正超越現實的能力,眼見未必是真,花花世界背後全是文本代碼。OpenAI就指,Sora是能夠理解和模擬現實世界的模型的基礎,相信這項功能將成為實現AGI(通用人工智能)的重要里程碑。
相比原本宇宙老大Runway旗下的AI視頻生成工具Gen-2,效果仍停留於幻燈片動圖,Sora生成視頻中的鏡頭、光線、場景運用乃至人物表情、動物動態,都已達至影視級。加上語音AI研究公司ElevenLabs同樣通過將文字轉化成AI音效,為原本無聲的Sora視訊加添背景音效,難怪有電視大台揸fit人警告,要「高度重視,緊咬緊放,絕不能一夜之間完敗。」
Gemini 1.5功能勁
Sora打開新世界的大門,Google同時發布的大模型Gemini 1.5暫時鋒芒被掩,但卻可能是大語言模型(LLM)競爭新的分水嶺。去年12月初才後知後覺揭盅Gemini 1.0的谷歌,短短兩個多月就推出1.5版本,不單能夠運行高達100萬個Token(文本最小单位),遠超ChatGPT4.5 Turbo的12.8萬個,意味其可以一次性處理長達1小時的視訊、11小時的音訊、3萬行程式碼、逾70萬字的文章。
Gemini 1.5分析Sora生成影片指,貓的毛髮太過完美,因此可能並非真實影片。
例如,Gemini 1.5能快速分析「阿波羅 11號登月」任務的402頁記錄,並梳理其中的事件和細節;能理解兩部電影的劇本,比較劇情、角色差異;能分析NBA扣籃影片,最高得分扣籃的細節。Gemini 1.5亦能就Sora視訊是否是人工智能生成提出自己的見解,例如貓的毛髮太過完美,因此可能並非真實影片。
Meta主攻機器智慧
更具野心的還有Meta,其首席人工智能科學家Yann Lecun就指,根據文本提示而產生的影片,看起來真實,但並不表示系統理解物理世界;例如,一段蘋果落地的影片,並不意味發現萬有引力。他甚至指,Sora是非常棒的創造性的輔助工具,但卻不足以成為幫助人類採取行動的模型。
對Yann Lecun而言,重要的是構建「世界模型」,而非「像素」。為此,Meta最新發布非生成式大模型V-JEPA,旨在通過觀察影片,預測被隱藏或缺失部分,從而對世界有更深刻了解,最終打造出能夠像人類一樣學習的先進機器智慧(AMI)。
無論是Sora還是Gemini 1.5還是V-JEPA ,最大的震撼是,人工智能迭代演進速度之快超乎想像。上月底中央政治局會議提出「加快發展新質生產力」、「加強原創性、顛覆性科技創新」,挑戰與機會同在。
《說說心理話》運動員強大心理質素如何煉成?張小倫分享最挫敗經歷,及後怎樣重整旗鼓?► 即睇