Terobosan Teknologi Generasi Video AI dan Perkembangan Masa Depannya

Kemajuan paling mencolok baru-baru ini di bidang AI adalah terobosan besar dalam teknologi generasi video multimodal. Teknologi ini telah berkembang dari sekadar menghasilkan video dari teks menjadi teknologi generasi lintas saluran yang mengintegrasikan teks, gambar, dan audio.

Beberapa contoh mencolok dari terobosan teknologi ini termasuk:

1. Kerangka EX-4D yang diopen-source oleh sebuah perusahaan teknologi dapat mengubah video monokular biasa menjadi konten 4D dengan sudut pandang bebas, dengan tingkat penerimaan pengguna mencapai 70,7%. Teknologi ini memungkinkan AI untuk secara otomatis menghasilkan efek tampilan dari sudut mana pun, yang sebelumnya memerlukan tim pemodelan 3D profesional untuk menyelesaikannya.

2. Sebuah platform AI meluncurkan fitur "Huixiang", yang mengklaim dapat menghasilkan video berkualitas "film" selama 10 detik dari sebuah gambar. Namun, keaslian pernyataan ini masih perlu diverifikasi lebih lanjut.

3. Teknologi Veo yang dikembangkan oleh suatu lembaga penelitian AI dapat menghasilkan video 4K dan suara lingkungan secara sinkron. Kunci dari teknologi ini terletak pada pencocokan audio dan visual di tingkat semantik yang sebenarnya, mengatasi masalah sinkronisasi dalam skenario yang kompleks.

4. Teknologi ContentV dari platform video pendek memiliki 8 miliar parameter, dapat menghasilkan video 1080p dalam waktu 2,3 detik, dengan biaya 3,67 yuan/5 detik. Meskipun pengendalian biaya cukup baik, kualitas generasi dalam skenario kompleks masih perlu ditingkatkan.

Terobosan teknologi ini memiliki arti penting dalam hal kualitas video, biaya produksi, dan skenario aplikasi. Dari sudut pandang teknis, kompleksitas generasi video multimodal adalah eksponensial, melibatkan berbagai aspek seperti generasi gambar, koherensi waktu, sinkronisasi audio, dan konsistensi ruang 3D. Saat ini, melalui pemecahan modular dan kolaborasi kerja model besar, tugas-tugas kompleks ini dapat direalisasikan.

Dalam hal biaya, optimasi arsitektur inferensi, termasuk strategi generasi berlapis, mekanisme penggunaan kembali cache, dan alokasi sumber daya dinamis, telah secara signifikan mengurangi biaya generasi. Ini membuat generasi video AI lebih menguntungkan secara ekonomi.

Dampak pada bidang aplikasi juga sangat signifikan. Produksi video tradisional adalah industri yang padat modal, sementara teknologi AI menyederhanakan proses ini menjadi masukan kata kunci dan menunggu beberapa menit, sambil juga mencapai sudut pandang dan efek khusus yang sulit dicapai dengan pengambilan gambar tradisional. Ini dapat memicu perombakan ekonomi kreator, memindahkan fokus dari batasan teknis dan modal ke kreativitas dan kemampuan estetika.

Perubahan ini memiliki hubungan erat dengan Web3 AI:

1. Perubahan struktur permintaan daya komputasi mungkin akan meningkatkan permintaan untuk daya komputasi menganggur yang terdistribusi, serta berbagai model penyesuaian, algoritma, dan platform inferensi terdistribusi.

2. Kebutuhan anotasi data juga akan meningkat. Menghasilkan video tingkat profesional memerlukan deskripsi adegan yang akurat, gambar referensi, gaya audio, jalur gerakan kamera, dan kondisi pencahayaan yang profesional. Mekanisme insentif Web3 dapat mendorong para profesional untuk menyediakan bahan data berkualitas tinggi.

3. Peralihan teknologi AI dari pengelolaan sumber daya besar yang terpusat ke kolaborasi modular itu sendiri sudah mewakili kebutuhan baru untuk platform terdesentralisasi. Di masa depan, daya komputasi, data, model, dan mekanisme insentif mungkin akan membentuk siklus positif yang saling memperkuat, mendorong integrasi mendalam antara skenario Web3 AI dan Web2 AI.