作者｜賈桂鵬
如果現在還不知道Pika Labs，那么你可能就已經OUT了。因為，這家僅成立半年的AI初創(chuàng)公司已經成為硅谷資本的“新寵”。
我們看到，在Pika Labs背后的投資人陣容堪稱豪華，比如OpenAI兩位創(chuàng)始成員Adam D'Angelo、Andrej Karpathy，前Github CEO Nat Friedman，HuggingFace創(chuàng)始人Clem Delange，Giphy聯合創(chuàng)始人Alex Chung，YC合伙人Daniel Gross等，要知道，這幾乎是硅谷AI行業(yè)的半壁江山。
其實，Pika Labs的走紅并不讓人意外，這家公司身上貼滿了“富二代”、“美女創(chuàng)始人”、“學霸創(chuàng)業(yè)”等一個比一個吸引眼球的“標簽”。但這些網紅般的“標簽”是Pika Labs成功的秘訣嗎？
成立半年，公司僅四人，卻引爆硅谷
在談論Pika Labs的時候，繞不開95后女孩郭文景。
資料顯示，郭文景母親是麻省理工畢業(yè)高材生，而父親則是浙江首家在國內主板上市的軟件公司信雅達科技實控人郭華強，顯然，郭文景手拿的是妥妥“富二代”劇本。
但在這樣背景下，也掩蓋不住郭文景資歷的強悍，她是浙江當屆第一個被哈佛本科提前錄取的學生，進入哈佛后，郭文景一邊攻讀學業(yè)，一邊去Meta、微軟、谷歌大腦、Epic Games等公司實習，在拿到計算機碩士和數學本科學位后，她又來到斯坦福大學讀博。
而正是到斯坦福大學讀博的經歷，讓郭文景遇到了之后與他一起創(chuàng)業(yè)的孟晨琳（Chenlin Meng），今年4月，兩人雙雙從斯坦福大學退學創(chuàng)業(yè)成立了Pika labs，僅僅在半年后，Pika labs就震驚了全世界。
Pika labs創(chuàng)始人郭文景（左）和聯合創(chuàng)始人兼CTO孟晨琳。
11月29日，Pika labs官宣了最新的視頻生成模型Pika1.0，Pika1.0能夠生成和編輯3D動畫、動漫、卡通和電影。幾乎不需要任何門檻，用戶只需要輸入一句話，就可以生成想要的各種風格的視頻。
在宣傳片中，Pika1.0擁有強大的語義理解能力，輸入“馬斯克穿著太空服，3D動畫”的關鍵詞，一個身穿太空服的卡通馬斯克便出現了，身后還有SpaceX的火箭。文生視頻的清晰度和連貫性，遠超市面上其他AI視頻生成產品。正是這個宣傳片讓Pika“點燃”了硅谷。
（宣傳片動圖）
其實在11月3日，Pika labs就出現在了大眾面前。在《流浪地球3》的發(fā)布會上，工業(yè)化實驗室G!Lab官宣成立，戰(zhàn)略合作伙伴包括華為、小米、商湯等，共同探索用AI技術打造電影工業(yè)化3.0。而戰(zhàn)略合作伙伴名單中，緊挨商湯，第二排居中的就是Pika Labs。消息稱，郭帆導演10月從美國考察回來后，稱贊Pika對AI視頻的研究非常超前。
至今，Pika labs已經完成了三輪融資，總金額5500萬美元，估值超10億元人民幣。
Pika labs的走紅，代表著時下日新月異的AIGC市場再次泛出了新鮮的漣漪。與此同時，很多人發(fā)出疑問，為什么這家僅成立半年、僅四人的公司能被資本熱捧呢？
撥開“明星”外衣，AI生成視頻價值幾何？
在今年ChatGPT掀起的人工智能大模型熱潮中，基于語言大模型的聊天機器人成為最熱門創(chuàng)業(yè)方向；而在泛內容生成類AI應用中，圖像生成是最主要的場景，其次是寫作工具、視頻生成工具。
相較于語言模型，AI生成視頻是完全不同的一類模型。其與AI生成圖片的模型有共通之處，但難度更高。
郭文景在接受媒體采訪時表示，視頻有很多與圖片不一樣的問題，比如要確保視頻的流暢性、確保動作，視頻比圖像更大，需要更大的GPU內存，視頻生成需要考慮邏輯問題，還要考慮如何生成，是一幀一幀生成的，還是一起生成的，現在很多模型是一起生成，生成的視頻就很短。
孟晨琳補充，視頻的每一幀都是一張圖片，比生成圖片困難得多。因為每一幀的生成質量要高，相鄰幀之間還要有關聯性。當視頻很長時，確保每一幀都協調一致是個相當復雜的問題。
在訓練時，處理視頻數據時要處理多張圖片，模型需要適應這種情況。比如，如何將100幀圖片傳輸到GPU上是一個挑戰(zhàn)。而在推理時，由于涉及生成大量幀，推理速度相對于單張圖片會更慢，計算成本也會增加。
另外，控制視頻生成更難，因為模型需要生成每一幀發(fā)生的事情，而用戶不會希望為每一幀都提供詳細的描述。
此前，《Vice》雜志網站將AI生成的“威爾·史密斯吃意大利面”的視頻評為最怪異AI生成視頻。在該視頻中，面容扭曲的史密斯看起來像一條怪異的魚，并試圖將成堆的面條舀進嘴里，從叉子上或手中咀嚼大塊意大利面。這個噩夢般的視頻，僅由一行無害的“威爾·史密斯吃意大利面”文字生成。
這也說明視頻生成工具的底層模型及技術仍需要不斷優(yōu)化。目前，主流的文生視頻模型主要依托Transformer模型和擴散模型。基于擴散模型的工具重在提升視頻質量，雖然克服了效果粗糙、缺少細節(jié)的難題，但也制約了視頻的長度。
另一方面，擴散模型訓練過程需要非常大的內存，算力需求較大，基本只有大公司以及拿到大筆投融資的初創(chuàng)新星才能負擔得起模型的訓練成本。
但元宇宙新聲認為，在AI生成視頻領域中技術方面的困難只是暫時的，也不妨礙它已經成為另一條受到資本推崇的賽道。而且，這一領域的爆發(fā)將賦予了AI視頻工具強大的產品功能，進而開拓出更廣闊的應用場景。通過文本描述或其他簡單操作，AI視頻工具即可生成較高質量和完成度視頻內容，這降低了視頻創(chuàng)作門檻，讓業(yè)外人士能夠精準利用視頻進行內容展現，有望廣泛賦能各細分行業(yè)的內容生產降本增效和創(chuàng)意輸出。
巨頭搶跑AI生成視頻賽道
我們看到，隨著Pika 1.0的發(fā)布，AI視頻領域的競爭日趨白熱化。
11月23日，Adobe已經完成對AI初創(chuàng)公司Rephrase.ai的收購，后者主要通過AI技術將文本轉換為虛擬形象視頻。收購Rephrase.ai也意味著Adobe完成了在AI領域的首次收購。
Adobe高級副總裁兼總經理Ashley Still表示：“Rephrase.ai團隊在生成式AI音視頻技術、文本到視頻生成工具方面的專業(yè)知識將擴展Adobe的生成式視頻功能?！?/p>
元宇宙新聲認為，在Adobe收購Rephrase.AI背后，也反映出AI生成內容大潮逐漸從文本和圖片，進一步轉向視頻等復雜形式。
隨著相關技術的應用與創(chuàng)新，使得AI生成視頻賽道持續(xù)升溫，我們看到，包括Meta的Emu模型、由谷歌投資的Runway公司發(fā)布的Gen-2模型等，均支持基于文本生成視頻內容。
專注于開發(fā)人工智能產品的初創(chuàng)公司Stable AI也發(fā)布了其最新的AI模型Stable Video Diffusion（穩(wěn)定視頻擴散模型），這款模型能夠通過現有圖片生成視頻，是基于之前發(fā)布的Stable Diffusion文本轉圖片模型的延伸。也是目前為止市面上少數能夠生成視頻的AI模型之一。
在國內，百度、阿里巴巴、騰訊、360、昆侖萬維等公司也紛紛加大對視頻領域大模型的投入，并推出相關的AI模型。例如，阿里巴巴已在AI模型社區(qū)“魔搭”ModelScope上線了“文本生成視頻大模型”。根據介紹，整體模型參數約17億，目前只支持英文輸入。擴散模型采用Unet3D結構，通過從純高斯噪聲視頻中，迭代去噪的過程，實現視頻生成的功能。
今年6月，360智腦大模型4.0版本發(fā)布，具備文字、圖像、語音和視頻等跨模態(tài)處理和生成能力。據了解，其中的“文生視頻”多模態(tài)功能為國內首發(fā)，任何文字腳本都可生成視頻，不受專業(yè)技能和素材限制。
作為當下主流的媒體內容，視頻與AI碰撞迎來全新的創(chuàng)作方式。業(yè)內人士預測，到2030年，90%的數字內容都將是由AI生成。預計到2032年，全球AI視頻生成軟件的市場規(guī)模將達到21.72億美元。
可以看到，AI視頻生成技術仍在快速迭代、飛速進化中，而其中又將孕育出多少新的機遇，都還是未知數。唯一確定的是，現在已入局的玩家們競爭已然白熱化。
寫在最后
元宇宙新聲認為，在新一輪的AI浪潮中，文生文、文生圖一直并行發(fā)展，其中，ChatGPT代表了文字生成的率先突破，Midjourney將文生圖推到人人可用，而隨著Pika的出現則打開了市場對于文生視頻的無限遐想。
當下，全球范圍內生成式AI技術和應用正在迅猛發(fā)展，新涌現的圖形、文本生成模型正在改變傳統的AI應用格局。AIGC作為AI大規(guī)模落地的“試金石”，不僅能夠幫助創(chuàng)作者實現更快速、更豐富的內容創(chuàng)造，還將降低創(chuàng)作門檻?？梢灶A見，AI大模型領域的創(chuàng)新將會讓更多人把自己的創(chuàng)意具象化，也會讓未來虛實結合的世界離我們越來越近。
