七火山要做国产Sora，但成色走了样
这个春天，Sora几乎成了统治整个AI圈的“刷屏王者”。
这个由OpenAI推出的AI视频生成神器，凭借其惊人的创造力，让人们再次见识到了AI的无限可能。而这炸裂的能力背后，蕴含着的是指数级的财富增量。
Sor a发布后，OpenAI的估值一夜之间涨到了800亿美元。
在内容消费升级的大背景下，AI视频生成技术，正成为资本市场的新宠。
在此热潮下，一大批立志追赶或效仿Sora的国产AI企业也乘势而起。其中，七火山科技算是步伐较快的一个。
作为一家专注于AI多模态应用的企业，七火山旗下的产品包括了Lava AI视频编辑平台，Bromo AI图像处理工具等，旨在为用户提供AI换脸、AI换背景和AI优化视频等功能，可以说在AI视频领域，七火山早有布局。
So ra公布后，七火山很快紧随其后，发布了自身号称国产版“Sora”的文生视频大模型——Etna。并宣称其以“4K” 、“60帧”、“15秒”等硬性指标，打破了国内文生视频AI的各种纪录。
那么，在多个耀眼的标签下，这个国产版“Sora”，成色究竟怎样？
01 导演VS剪辑师
如果用一句话来评价Sora和Etna之间的差距，那么Sora更像是一个全能的导演，而Etna则像是一个专业的视频编辑师。
要理解这点，我们就得从技术上拿捏一下Etna的“看家本领”。
按照七火山目前披露的信息，Etna主要的特色和优势分别是：
1、高帧率（每秒60帧）；
2、高分辨率（可以达到4k）；
3、较长的视频时长（8—15秒），讲真，这个时长在国内文生视频AI里（大部分是3~4秒）算不错的了。
实事求是地说，在帧数和分辨率方面，Etna已经超越了目前Sora。因为现在Sora仅仅只能生成帧数为每秒30帧，分辨率为720p的视频。
然而，以上几点仅仅是Etna的“皮相”，真正决定其与Sora差距的，还是Etna自身的底层架构。
不过话说回来，即使是在“皮相”的部分，Etna和Sora也存在着一些肉眼可见的差距。
例如从整体上看，Etna生成的视频，大部分都是一些运动幅度较小的片段，看上去更像是一些加了动效的PPT。（关于这部分原因，后面会分析）
从底层架构上来说，虽然Etna和Sora采用的都是Diffusion+Transform架构，但Etna较为不同的地方，就是在此基础上插入了时空卷积和注意力层。
这样做的一个好处就在于，与Transformer相比，CNN在处理高分辨率视频时更高效，并且有助于减少计算资源和内存的需求。
这正是主打4K分辨率的Etna所需要的。
然而，问题就在于，在处理长视频（1分钟以上）时，卷积神经网络（CNN）可能会受到限制，因为传统的CNN在处理极长序列时可能不如Transformer有效。
这主要是因为，Transformer通过自注意力机制来处理序列数据，而CNN往往将视频视为一系列独立的图像帧，然后分别逐帧处理。
其中的区别，就相当于Transformer是一本超级详细的日记，它可以让你随时查看任何一页，而且每一页都记录了这部电影的所有细节，包括画面与画面之间的所有联系和变化。不管你想回忆起电影的哪个部分，它都能帮你找到，并且告诉你前因后果。
而就CNN是好像相册一样的东西，它只能一次给你看几张照片，而且它看的照片是按照一定的顺序排列的。
但是当你想回忆起一个很早之前的画面和后面的画面之间的联系时，它可能就帮不上太大的忙了。
这等于是，Etna为追求更高的分辨率和帧数，舍去了生成更长视频的可能。
从算力上来说，这其实也是一件情理之中的事，毕竟，在生成长视频的同时，还要保持极高的分辨率和帧数，这消耗的计算资源，即使是OpenAI也顶不住。
这也是为什么Sora目前只能生成每秒30帧，分辨率为720p的视频。
但问题是，Etna为什么要做这样的取舍？
这里有三种可能：
一是七火山本身的计算资源、底层技术不到家，所以只好用时空卷积+注意力层的办法，让视频在较短的时间内，勉强让画面“动”起来；
二是七火山的商业模式，决定了它不会走 长视频的道路，也就不会去钻研这方面的技术；
第三种情况，就是两者兼而有之。
02 参天大树和盆景
AI生成视频，尤其是长视频，对计算资源的消耗是惊人的。
之前Ope nAI的CTO在接受采访时，就明确表示，虽然Sora会在今年晚些时候推出，但由于高昂的计算资源，其价格“可能会很贵”。
就目前国内AI行业愈发谨慎的投资环境来说，能否说服VC或投资人，给这么一个比LLM（大语言模型）更烧钱的技术融资，要打一个大大的问号。
而商业路径最明确，“回血”也最快的短视频赛道，就成了视频生成类AI最有可能被资本认可的方向。
这种商业上的考量，或许正是Etna在架构层面没有往长视频方向发展的原因。
再者，从技术方面来说，虽然Etna采用了与Sora类似的Diffusion+Transform架构，但这绝不意味着，任何一家公司，只要对着这个架构照抄，就能做出和Sora一样好的视频。
换句话说，Sora在生成质量上的亮眼表现，其实更像是一种工艺上的精进，而非掌握了某种“秘术”。
如果说得稍微具体些，这种“工艺”上的精髓，很有可能就是Sora在多模态理解和长距离依赖方面的优势。
这样的区别，决定了模型能否理解用户给出的复杂指令，能否生成一些动作幅度较大、或者较为复杂的片段。
能做到这点的模型，就是“导演”，否则就只能当个“剪辑师”。
举例来说，Sora这个“全能导演”不仅仅是能根据文字来生成视频，它还能理解文字里的复杂情节和细节，然后自己想象出一整套画面来。
例如 前段时间，Sora公布的一段视频中，就出现了“一个男人参拜巨型猫王”的片段。画面的提示词是：座巨大的大教堂里全是猫。一个男人走进大教堂，向坐在王座上的巨型猫王鞠躬。
在整个视频中，画面所透出的“故事感”特别强烈，即使没有旁白，观众也能自行脑补一系列情节。
而到视频的末尾，猫王甚至还凑到男人面前嗅了嗅，仿佛是在“打量”这个参拜者。
如此复杂的画面和动作，需要模型在多模态理解方面有很强的功力。
而Etna在对其进行效仿时，可能由于并未掌握其精髓，或是由于计算资源不足的原因，采用了时空卷积+注意力层的办法，作为一种“权宜之计”，让视频勉强“动”起来。
这也是为什么，Etna生成的视频，大部分都是一些运动幅度较小的片段。
因为这样的片段往往比较简单，不太涉及对复杂语义的理解，消耗的算力资源也比较小。
话说回来，Etna之所以在架构中采用时 空卷积+注意力层，最有可能的原因，就是二者在计算效上率相较于单纯的Transformer架构更高效，对算力要求更小。
因为时空卷积和注意力层在处理数据时，通常只考虑局部信息，而不需要考虑整个序列。
这其实也挺符合七火山现在的短视频战略的，毕竟短视频追求的就是一个“短、平、快”，如果有可能的话，最好能把算力的要求，降低到大部分手机都能运行的地步。
如此一来，随拍随发，用户才能用得尽兴，应用的粘性才够强。
七火山和快手海外 SnackVideo 也有合作
不过，这种看似“高效”的策略，总不免透着些遗憾。
毕竟，Sora这类的“导演”级模型，虽然很难造就，但其前景和应用方向，无疑是更加广阔的。之后无论是电影、电视剧，甚至是机器人、自动驾驶训练所需的模拟视频，都能让其大展拳脚。
而相较之 下，专精于短视频的Etna，虽然也可以成为一个很好的“剪辑师”，但视频AI的想象力，难道就该仅仅止步于短视频吗？
这就像是，虽然盆栽确实可以长得 很精致，但只有参天大树，才能见到更广阔的天地。
本文来自微信公众号“AI新智能”（ID:alpAIworks），作者：举大名耳，36氪经授权发布。