刚发布就被对标Sora，这个国产模型来头这么大？
前几天，世超上网冲浪的时候，刷到了几个 AI 视频片段。
大船驶来的压迫感，被风吹起的发丝和丝巾，太空人直接走进现实菜园。。。一幕幕把我看得是一愣一愣的。
真实度也是一绝，在湖边随着镜头移动，不仅光线跟着变化，连天空、树木的变化都跟咱肉眼看到的没差。
要不是右下角有水印，我还差点以为是 Sora 的视频又上新了。
所以这次的主角不是 Sora ，也不是各位差友熟知的 Pika 、 Runway 那几个 Sora 竞品，而是初出茅庐的国产视频大模型 Vidu 。
咱看到的那些视频，就是前几天， Vidu 在中关村论坛的人工智能主题日上公布的。
它最长能生成16秒，一句“木头玩具船在地毯上航行”的提示词，就能生成下面这长长的一段，一镜到底的丝滑程度，怕是路过的谋子导演看了都会点赞。
Sora号称能真实模拟物理世界的拿手戏， Vidu 照样也能实现。
让它生成一段“汽车加速驶过森林里乡间小路”的视频，像是树林缝隙透过的阳光，后轮扬起的灰尘，都很符合咱们的日常认知。
而且 Vidu 的想象力比咱人还要丰富，画室里的一艘船驶向镜头的场景，它分分钟就能给“拍”出来，看这效果，不知道该有多少动效师瑟瑟发抖了。
甚至在某些提示词下， Vidu 的理解能力比 Sora 还强，比如“镜头绕着电视旋转”的提示词， Sora 压根儿就没 get 到旋转的意思，反而是 Vidu 能轻松理解。
有一说一，在看完 Vidu 的这些视频后，世超是真觉得它是目前市面上，唯一一个能在画面效果上和 Sora 拼一拼的模型。
虽然现在16 秒的 Vidu 在时长上还比不上60秒的 Sora ，但它的进步也确实是肉眼可见的快，据极客公园消息，上个月， Vidu 在内部只能生成 8 秒的视频，上上上个月，还只能生成 4 秒的视频。
反正媒体们都把 Vidu 比作是“ Sora 级视频大模型”，网友们也都在评论区喊话催他们赶紧开放内测。
不过这里面世超更好奇的是，咱之前压根儿都没听说过 Vidu ，怎么突然平地一声雷，搞出了这么大的阵仗？
我们也顺藤摸瓜找了找资料，发现Vidu身上，值得说道的东西还挺多，甚至仔细咂摸下，还能从Sora身上找出点Vidu的影子来（世超可没说反）。
它背后是一家名叫生数科技的公司，别看这个公司才刚满一周岁，但它可是在娘胎里就开始攒劲儿了。因为它的亲妈，是清华系AI 企业瑞莱智慧，背后的研究团队，几乎全是这里面的人。
而在成立生数科技之前，团队就已经把视频大模型研究得很深入了。
尤其是在图像生成这块很火的扩散（Diffusion）模型，他们算是业内第一批研究这个模型的，整出来的论文也在 ICML 、 NeurIPS 、 ICLR 各种顶会发了个遍。
正是因为有这么好的底子，早在2022年9月的时候，团队就找到了做 Vidu 的灵感，就是下面这篇论文。
世超让AI帮咱解读了下，大概的思路就是，扩散模型在生成图像这块挺强，而大语言模型里用的Transformer有个规模（Scale）效应，参数堆得越多，性能就越好。团队就想着，能不能把这两个的优点结合一下，整个融合架构，提升图像生成的质量。
于是他们转头把扩散模型里面的 U-Net 给换成 Transformer ，还起了个名字叫 U-ViT （ Vision Transformers ）。结果试下来发现这么一结合还真有用，光是相同大小的 U-ViT ，性能就比 U-Net 强了。
那好嘛，既然这条路走得通，他们也顺势把技术路线定在了 U-ViT 上。
然鹅。。。在团队悄悄酝酿 Vidu 的时候，大洋彼岸的UC伯克利的一个研究，却让 OpenAI 的 Sora 捷足先登了。
就在清华小分队提交论文的两个月后，UC伯克利也在预印平台ArXiv上提交他们的论文了，一样说要把Transformers揉在扩散模型里面，只不过名字起的更直白了点，叫DiT（ Diffusion Transformers ）。
看着是不是挺眼熟，没错， OpenAI 的 Sora 模型，用的就是伯克利的 DiT 技术路线。
但因为清华小分队早发了两个月，当年的计算机视觉顶会CVPR 2023还以“缺乏创新”的由头，拒了 Sora 的 DiT ，收录了 U-ViT 。
而且早在2023年年初的时候，清华小分队还用U-ViT，训练出了一个近10亿参数量的开源大模型 UniDiffuser 。
算是第一个用行动证明了，融合架构也遵守 Scaling Law 这一套规则，也就是说随着计算量、参数量越来越大，模型的性能就会随指数级上升。而这个 Scaling Law ，同样也是 Sora 这么强的秘密武器。
所以照这么来盘算，Sora其实还得叫Vidu一声祖师爷才对。。。
但现实世界却是， DiT 被 OpenAI 带着一路飞升。
清华小分队呢，计算资源没 OpenAI 那么到位，也没 ChatGPT 这种珠玉在前，总之就是啥啥都不完善，他们只能慢慢来，先做图像、 3D 模型，等有家底儿了，再去做视频。
好在他们身上还是有点实力在的，稳扎稳打慢慢也赶上来了。去年 3 月，清华小分队们成立了生数科技后，就在马不停蹄地搞自家的产品，现在图像生成和 3D 模型生成大伙儿都能免费用了。
并且靠着这两个产品，刚满一周年，它就攒了好几亿的家底。
像是成立 3 个月的时候，就完成了一波近亿级的天使轮投资，上个月，又完成了新一轮的数亿元融资。参与投资的，也都是智谱 AI 、 BV 百度风投等等业内大佬。
反正看这波架势， Vidu 还真有可能成为国内的黑马，去对标 OpenAI 的 Sora 。
不过生数科技那边，倒是觉得只把 Vidu 看作国产版的 Sora ，实在是有点缺乏想象力了，因为他们给 Vidu 的定位，可不仅仅是个视频模型，而是图、文、视频全都要，只不过现在视频暂时是重点。
当然了，好听话谁都会说，能不能搞出来，咱还得实打实地看成品。
世超已经去排了队，等拿到内测资格，再跟大伙儿同步一波。。。
撰文：松鼠编辑：江江 & 面线封面：子曰
图片、资料来源：
Scalable Diffusion Models With Transformers
All are Worth Words：A ViT Backbone for Diffusion Models
机器之心，专访生数科技唐家渝：清华系团队拿到上亿融资，用Transformer来做多模态大模型
界面新闻，生数科技完成新一轮融资，国内多模态大模型厂商着力追赶Sora
极客公园，国产 Sora 的秘密，藏在这个清华系大模型团队中
新智元，图灵诺奖得主等大佬齐聚海淀！清华版Sora震撼首发，硬核AI盛会破算力黑洞