Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

这家世界模型公司发布中国版Sora级视频生成大模型,走向世界模型打造新一代数据引擎

Sora 炸场之后,视频生成持续广受关注,不断掀起新的热潮。

近日,在奇绩创坛路演日上,世界模型公司「极佳科技」联合清华大学自动化系正式发布中国首个超长时长、高性价比、端侧可用的 Sora 级视频生成大模型「视界一粟 YiSu」,引起社会各界广泛的反响和关注。
01 模型原生 16 秒,超长时长,超大运动,超强表现力;不止步于 DiT,自研的视频生成技术路线

「视界一粟 YiSu」拥有模型原生的 16 秒超长时长,并可生成至 1 分钟以上;同时还拥有超大运动、超强表现力、懂物理世界等众多优势;更重要的是,YiSu 模型成本更低、速度更快、端侧可用;希望通过 YiSu 模型强大的性能和极致的性价比,更快实现长视频生成的大规模产品应用。

技术路线方面,年初 Sora 的爆火,让 DiT 受到了业内极大的关注,很多公司和项目也开始复现 DiT 路线。极佳科技和清华大学研究人员在视频生成技术路线上有着深入的积累和独特的理解,在 autoregressive、Masked Token、DiT、UNet 等不同路线方面均拥有丰富的经验。此前,团队提出 WorldDreamer,是全球第一次以 Transformer 和 LLM(Masked Token 路线)为中心的视频生成工作。

「视界一粟 YiSu」基于团队自研的视频生成大模型技术,并没有止步于 DiT,而是融合 LLM 和扩散模型的自研架构,结合各种路线的优势,在多模态融合、训练效率、推理效率、模型效果等方面达到极致的优化,打造视频生成的最佳方案。

02 视频生成只有做到模型原生 16 秒,做应用才有价值;“视频 - Native” 的爆款应用更有可能走向超级应用

目前大部分的视频生成应用,都是基于 3-5 秒的视频生成模型,应用和体验上限制比较明显。极佳科技 CEO 黄冠认为,“只有视频生成做到模型原生 16 秒(以及更长),同时保持自然的运动和表现力,做应用才有价值。”

过去两年我们看到了多个 “语言 - Native” 和 “图像 - Native” 的爆款应用,已经彻底改变人们的工作生活很多方面,下一个就轮到视频方向了。通用智能时代的目前阶段,领先的模型就是爆款的应用。基于「视界一粟 YiSu」的惊艳效果,极佳科技正在打造 “AI-Native” 和 “视频 - Native” 的爆款应用,希望给广大用户带来 AI 时代不一样的体验和价值。

面向通用智能时代,全球都在期待 “AI-Native” 的超级应用。语言模型展现了强大的对话、理解、总结、推理等文本方面的能力,展现了通用智能的曙光;图像生成模型展现了强大的自然生成、娱乐和艺术能力。而在目前人们已经已经习惯视频内容的时代,文本和图像的内容似乎仍然对于广大用户的价值仍然比较有限。视频生成可能是打破这一局面的重要技术突破,“视频 - Native” 的爆款应用更有可能走向超级应用,拥有无限的想象空间。

极佳科技 CEO 黄冠认为:

“超级应用对于通用智能时代至关重要。AI 1.0 时代,依靠的是场景驱动的数据闭环,打造数据飞轮,不断优化模型和应用效果。进入通用智能的 AI 2.0 时代,最重要的是基础模型和超级应用两条腿走路,打造智能闭环,形成智能飞轮。极佳科技希望通过基础模型和超级应用形成的智能闭环飞轮,加速走向通用智能时代。”

03 从视频生成走向世界模型
打造通用智能的新一代数据引擎

OpenAI 把 Sora 叫做世界模拟器,从视频生成走向世界模型,会成为通用智能的新一代数据引擎,对于自动驾驶、通用机器人等物理世界的通用智能拥有极其关键的作用。世界模型在数据生成、闭环仿真、端到端方案等方面都具有重要的价值。YiSu 也展示了基于视频生成的同款架构,用于自动驾驶和机器人场景世界模型的效果。
极佳科技在世界模型的技术和应用上都保持行业领先。2023 年 9 月,极佳科技推出了全球首个真实世界驱动的自动驾驶世界模型 DriveDreamer,早于 Wayve 的 GAIA-1;2024 年 4 月,极佳科技进一步更新了 DriveDreamer-2,性能保持业内领先;2024 年 5 月,极佳科技联合国内外多家单位推出了全球首篇通用世界模型综述,该综述通过 260 余篇文献,对世界模型在视频生成、自动驾驶、智能体、通用机器人等领域的研究和应用进行了详尽的分析和讨论;该综述还审视了当前世界模型的挑战和局限性,并展望了它们未来的发展方向。

基于业内领先的世界模型技术,极佳科技拿到业内首个世界模型商业化定点和落地,签约多家主机厂和大客户,服务自动驾驶、机器人等具身智能客户几十余家。极佳科技希望通过世界模型,携手行业一起,加速走向物理世界通用智能。

04 人工智能的顶尖综合团队
加速走向通用智能时代

最后,再看一下「视界一粟 YiSu」背后的团队 —— 极佳科技,这是一个世界级的人工智能综合团队。

CEO 黄冠清华大学自动化系博士,拥有超过十年、全球领先的 AI 技术经验,拥有微软、三星、地平线等知名公司算法经历,多次带领百人算法团队,还拥有 AI、自动驾驶、大模型等方向的连续创业经验;首席科学家朱政则是中科院自动化所博士,清华大学自动化系博士后,发表 AI 方向顶级论文超过 50 篇,引用超过 1 万次;产品负责人孙韶言是中科大博士,曾担任阿里云总监,地平线产品线总经理;算法负责人陈新泽是中科院硕士,多次获得 AI 比赛世界冠军,拥有丰富的算法研发、应用和 infra 经验;工程负责人毛继明是百度赢彻 T10 级别架构师,曾担任 Apollo 仿真和工程负责人,拥有超过 16 年的数据、工程和分布式架构经验。

团队拥有超过十年的人工智能技术研发经验,在人工智能方向拥有世界级的研发能力,发表 AI 顶级论文 200 余篇,在过去十年的人工智能技术浪潮中取得了全球领先的成绩,曾获得目标跟踪全球最权威赛事 VOT 世界冠军、人脸识别全球最权威赛事 NIST-FRVT 世界冠军、图像物体识别全球最权威赛事 COCO 世界冠军、自动驾驶全球最权威评测 nuScenes 世界冠军,发布 SiamRPN、WebFace260M、BEVDet、DriveDreamer 等视觉和 AI 方向知名或开创性技术成果。

团队同时还拥有深入的大规模产业落地经验,曾参与中国第一款嵌入式人工智能芯片研发和应用,负责中国规模最大的智慧城市系统研发和应用,负责中国规模最大的数据闭环平台研发和应用,负责 Apollo 仿真平台研发和应用。

通用智能时代,领先的技术能力和规模化的产业落地经验,缺一不可,互为支撑。极佳科技核心团队基于研究、工程、产品、商业以及创业等方面的顶尖综合积累,打造基础模型和商业应用的智能闭环飞轮。

极佳科技成立于 2023 年,目前已经获得多家一线财务投资机构、产业投资机构的投资,同时获得了行业客户的广泛认可。年初 Sora 的爆火,以及「视界一粟 YiSu」的推出,正式标志着视频生成和世界模型方向正在进入快速爆发的 Scaling Law 时代,未来极佳科技希望通过更多的技术和产品创新,为用户和客户提供更多的价值,加速走向通用智能时代!
产业视界一粟 YiSu极佳科技
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
地平线机构

以“赋能机器,让人类生活更安全、更美好”为使命,地平线是行业领先的高效能智能驾驶计算方案提供商。作为推动智能驾驶在中国乘用车领域商业化应用的先行者,地平线致力于通过软硬结合的前瞻性技术理念,研发极致效能的硬件计算平台以及开放易用的软件开发工具,为智能汽车产业变革提供核 心技术基础设施和开放繁荣的软件开发生态,为用户带来无与伦比的智能驾驶体验。

horizon.ai
人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

图像生成技术

图像生成(合成)是从现有数据集生成新图像的任务。

物体识别技术

计算机视觉领域的一个分支,研究物体的识别任务

阿里云机构

阿里云创立于2009年,是全球领先的云计算及人工智能科技公司,致力于以在线公共服务的方式,提供安全、可靠的计算和数据处理能力,让计算和人工智能成为普惠科技。 阿里云服务着制造、金融、政务、交通、医疗、电信、能源等众多领域的领军企业,包括中国联通、12306、中石化、中石油、飞利浦、华大基因等大型企业客户,以及微博、知乎、锤子科技等明星互联网公司。在天猫双11全球狂欢节、12306春运购票等极富挑战的应用场景中,阿里云保持着良好的运行纪录。 阿里云在全球各地部署高效节能的绿色数据中心,利用清洁计算为万物互联的新世界提供源源不断的能源动力,目前开服的区域包括中国(华北、华东、华南、香港)、新加坡、美国(美东、美西)、欧洲、中东、澳大利亚、日本。 2014年,阿里云曾帮助用户抵御全球互联网史上最大的DDoS攻击,峰值流量达到每秒453.8Gb 。在Sort Benchmark 2016 排序竞赛 CloudSort项目中,阿里云以1.44$/TB的排序花费打破了AWS保持的4.51$/TB纪录。在Sort Benchmark 2015,阿里云利用自研的分布式计算平台ODPS,377秒完成100TB数据排序,刷新了Apache Spark 1406秒的世界纪录。 2018年9月22日,2018杭州·云栖大会上阿里云宣布成立全球交付中心。

https://www.aliyun.com/about?spm=5176.12825654.7y9jhqsfz.76.e9392c4afbC15r
语言模型技术

统计式的语言模型是借由一个几率分布,而指派几率给字词所组成的字串。语言模型经常使用在许多自然语言处理方面的应用,如语音识别,机器翻译,词性标注,句法分析和资讯检索。

视频生成技术

视频生成是指利用深度学习等技术生成视频的任务。

推荐文章
暂无评论
暂无评论~