每經(jīng)記者 文巧    每經(jīng)編輯 蘭素英    

2月16日，OpenAI的AI視頻模型Sora炸裂出道，生成的視頻無論是清晰度、連貫性和時間上都令人驚嘆，一時間，諸如“現(xiàn)實不存在了”的評論在全網(wǎng)刷屏。

Sora是如何實現(xiàn)如此顛覆性的能力的呢？這就不得不提到其背后的兩項核心技術(shù)突破——Spacetime Patch（時空Patch）技術(shù)和Diffusion Transformer（DiT，或擴散型 Transformer）架構(gòu)。

《每日經(jīng)濟新聞》記者查詢這兩項技術(shù)的原作論文發(fā)現(xiàn)，時空Patch的技術(shù)論文實際上是由谷歌DeepMind的科學家們于2023年7月發(fā)表的。DiT架構(gòu)技術(shù)論文的一作則是Sora團隊領(lǐng)導者之一William Peebles，但戲劇性的是，這篇論文曾在2023年的計算機視覺會議上因“缺少創(chuàng)新性”而遭到拒絕，僅僅1年之后，就成為Sora的核心理論之一。

如今，Sora團隊毫無疑問已經(jīng)成為世界上最受關(guān)注的技術(shù)團隊之一。記者查詢OpenAI官網(wǎng)發(fā)現(xiàn)，Sora團隊由Peebles等3人領(lǐng)導，核心成員包括12人，其中有多位華人。值得注意的是，這支團隊十分年輕，成立時間尚未超過1年。

創(chuàng)新“站在谷歌肩上”

此前，OpenAI在X平臺上展示了Sora將靜態(tài)圖像轉(zhuǎn)換為動態(tài)視頻的幾個案例，其逼真程度令人驚嘆。Sora是如何做到這一點的呢？這就不得不提到該AI視頻模型背后的兩項核心技術(shù)——DiT架構(gòu)和Spacetime Patch（時空Patch）。

據(jù)外媒報道，Spacetime Patch是Sora創(chuàng)新的核心之一，該 項 技 術(shù) 是 建 立 在 谷 歌DeepMind對NaViT（原生分辨率視覺Transformer）和ViT（視覺Transformer）的早期研究基礎(chǔ)上。

Patch可以理解為Sora的基本單元，就像GPT-4 的基本單元是Token。Token是文字的片段，Patch則是視頻的片段。GPT-4被訓練以處理一串Token，并預測出下一個Token。Sora遵循相同的邏輯，可以處理一系列的Patch，并預測出序列中的下一個Patch。

Sora之所以能實現(xiàn)突破，在于其通過Spacetime Patch將視頻視為補丁序列，Sora保持了原始的寬高比和分辨率，類似于NaViT對圖像的處理。這對于捕捉視覺數(shù)據(jù)的真正本質(zhì)至關(guān)重要，使模型能夠從更準確的表達中學習，從而賦予Sora近乎完美的準確性。由此，Sora能夠有效地處理各種視覺數(shù)據(jù)，而無需調(diào)整大小或填充等預處理步驟。

記者注意到，OpenAI發(fā)布的Sora技術(shù)報告中透露了Sora的主要理論基礎(chǔ)，其中Patch的技術(shù)論文名為Patch n' Pack: NaViT, a Vision Transformer for any Aspect Ratio and Resolution。記者查詢預印本網(wǎng)站arxiv后發(fā)現(xiàn)，該篇論文是由谷歌DeepMind的科學家們于2023年7月發(fā)表的。

相關(guān)論文曾遭拒絕

除此之外，Sora的另一個重大突破是其所使用的架構(gòu)，傳統(tǒng)的文本到視頻模型（如Runway、Stable Diffusion）通常是擴散模型（Diffusion Model），文本模型例如GPT-4則是Transformer模型，而Sora則采用了DiT架構(gòu)，融合了前述兩者的特性。

據(jù)報道，傳統(tǒng)的擴散模型的訓練過程是通過多個步驟逐漸向圖片增加噪點，直到圖片變成完全無結(jié)構(gòu)的噪點圖片，然后在生成圖片時，逐步減少噪點，直到還原出一張清晰的圖片。Sora采用的架構(gòu)是通過Transformer的編碼器-解碼器架構(gòu)處理包含噪點的輸入圖像，并在每一步預測出更清晰的圖像。DiT架構(gòu)結(jié)合時空Patch，讓Sora能夠在更多的數(shù)據(jù)上進行訓練，輸出質(zhì)量也得到大幅提高。

OpenAI發(fā)布的Sora技術(shù)報告透露，Sora采用的DiT架構(gòu)是基于一篇名為Scalable diffusion models with transformers的學術(shù)論文。記者查詢預印本網(wǎng)站arxiv后發(fā)現(xiàn)，該篇原作論文是2022年12月由伯克利大學研究人員William (Bill) Peebles和紐約大學的一位研究人員Saining Xie共同發(fā)表。William (Bill) Peebles之后加入了OpenAI，領(lǐng)導Sora技術(shù)團隊。

然而，戲劇化的是，Meta的AI科學家Yann LeCun在X平臺上透露，“這篇論文曾在2023年的計算機視覺會議（CVR2023）上因‘缺少創(chuàng)新性’而遭到拒絕，但在2023年國際計算機視覺會議（ICCV2023）上被接受發(fā)表，并且構(gòu)成了Sora的基礎(chǔ)。”

作為最懂DiT架構(gòu)的人之一，在Sora發(fā)布后，Saining Xie在X平臺上發(fā)表了關(guān)于Sora的一些猜想和技術(shù)解釋，并表示，“Sora確實令人驚嘆，它將徹底改變視頻生成領(lǐng)域。”

“當Bill和我參與DiT項目時，我們并未專注于創(chuàng)新，而是將重點放在了兩個方面：簡潔性和可擴展性。”他寫道：“簡潔性代表著靈活性。關(guān)于標準的ViT，人們常忽視的一個亮點是，它讓模型在處理輸入數(shù)據(jù)時變得更加靈活。例如，在遮蔽自編碼器（MAE）中，ViT幫助我們只處理可見的區(qū)塊，忽略被遮蔽的部分。同樣，Sora可以通過在適當大小的網(wǎng)格中排列隨機初始化的區(qū)塊來控制生成視頻的尺寸。”

不過，他認為，關(guān)于Sora仍有兩個關(guān)鍵點尚未被提及。一是關(guān)于訓練數(shù)據(jù)的來源和構(gòu)建，這意味著數(shù)據(jù)很可能是Sora成功的關(guān)鍵因素；二是關(guān)于（自回歸的）長視頻生成，Sora的一大突破是能夠生成長視頻，但OpenAI尚未揭示相關(guān)的技術(shù)細節(jié)。

開發(fā)團隊還有“00后”

隨著Sora的爆火，Sora團隊也來到世界舞臺的中央，引發(fā)了持續(xù)的關(guān)注。記者查詢OpenAI官網(wǎng)發(fā)現(xiàn)，Sora團隊由William Peebles等3人領(lǐng)導，核心成員包括12人。從團隊領(lǐng)導和成員的畢業(yè)和入職時間來看，這支團隊成立的時間較短，尚未超過1年。

從年齡上來看，這支團隊也非常年輕，兩位研究負責人都是在2023年才剛剛博士畢業(yè)。William (Bill) Peebles于去年5月畢業(yè)，其與Saining Xie合著的擴散Transformer論文成為Sora的核心理論基礎(chǔ)。Tim Brooks于去年1月畢業(yè)，是DALL-E 3的作者之一，曾在谷歌和英偉達就職。

團隊成員中甚至還有“00后”。團隊中的Will DePue生于2003年，2022年剛從密西根大學計算機系本科畢業(yè)，在今年1月加入Sora項目組。

此外，團隊還有幾位華人。據(jù)媒體報道，Li Jing是DALL-E 3的共同一作，2014年本科畢業(yè)于北京大學物理系，2019年獲得MIT物理學博士學位，于2022年加入OpenAI。Ricky Wang則是今年1月剛剛從Meta跳槽到OpenAI。其余華人員工包括Yufei Guo等尚未有太多公開資料介紹。