发布会上，Bytedance Research负责人李航介绍，豆包视频生成模型PixelDance在训练过程中采用了火山引擎的大模型训练视频预处理方案，充分利用了大量潮汐资源，为模型训练提供了有力支撑。
“首先，超大规模视频训练数据集导致计算和处理成本激增。”王悦指出大模型厂商在预处理过程中面临诸多挑战，“其次是视频样本数据参差不齐，然后是处理链路环节多、工程复杂，最后还面临着对GPU、CPU、ARM等多种异构算力资源的调度部署。”
图片来源：每经记者 杨昕怡 摄
自研多媒体处理框架，豆包直面AI视频降本难题
10月15日，火山引擎发布了大模型训练视频预处理方案，致力于解决视频大模型训练的成本、质量和性能等方面的技术挑战。
据介绍，对训练视频进行预处理是保障大模型训练效果的重要前提。预处理过程可以统一视频的数据格式、提高数据质量、实现数据标准化、减少数据量以及处理标注信息，从而使模型能更高效地学习视频中的特征和知识，提升训练效果和效率。
在视频生成模型的训练中，算力成本无疑是首屈一指的挑战。
一位国内视频生成模型的算法工程师在接受《每日经济新闻》记者采访时表示，在拥有高质量数据后，视频模型会比大语言模型更难训练，有更多的算力需求，“目前已知的开源视频模型没有特别大，主要是目前很多视频模型处于不知道如何使用数据的阶段，（用于训练的）高质量数据也没有特别多。”
计算机科学家Matthias Plappert的研究也显示，Sora的训练对算力规模的要求巨大，在训练环节大约需要在4200～10500张Nvidia H100上训练1个月，且当模型生成到推理环节以后，计算成本将迅速超过训练环节。
为了解决降本难题，火山引擎借助Intel的CPU等资源，将大模型训练视频预处理方案依托于自研的多媒体处理框架。王悦表示，该方案还在算法和工程方面进行了调优，可以对海量视频数据高质量预处理，短时间内实现处理链路的高效协同，提高模型训练效率。
对于该方案的应用，李航在发布会现场透露，豆包视频生成模型PixelDance在训练过程中已采用该方案。同时，火山引擎视频云团队提供的点播解决方案还为PixelDance生产的视频提供了从编辑、上传、转码、分发、播放的全生命周期一站式服务，让模型的商业化应用有了保障。
此外，在此次发布会上，火山引擎还发布了跨语言同声复刻直播方案、多模态视频理解与生成方案、对话式AI实时交互方案和AIG3D&大场景重建方案，从视频的生产端、交互端到消费端，全链路融入AI能力。
拿到AI视频时代的“船票”之后，去向何方？
AI正全方位重塑着人们生产、传播和接受信息的路径。其中，不断涌现的视频新技术将人们从流畅、高清的数据世界带入了更加智能、更具交互体验的AI世界。
今年7月，商汤推出了首个面向C端用户的可控人物视频生成大模型Vimi；8月，“AI六小龙”之一的MiniMax发布了视频生成模型video-1；9月，可灵AI完成第9次迭代，发布“可灵1.5模型”，阿里云在云栖大会上推出全新的视频生成模型，字节也发布了2款视频生成模型⋯⋯AI视频产品的诞生和迭代几乎是以月来计时的。
对于AI视频产品的“爆发”，北京市社会科学院副研究员王鹏在接受《每日经济新闻》记者采访时表示，国内AI视频产品正处于快速发展和不断迭代的阶段，主要因为市场需求旺盛、应用场景广泛和商业化模式多样等。
目前市场上AI视频产品的落地大多在影视、电商营销等领域，例如今年7月，即梦AI和博纳影业合作推出了全国首部AIGC生成式连续性叙事科幻短剧集《三星堆：未来启示录》；今年9月，快手联合贾樟柯、李少红等9位知名导演启动“可灵AI”导演共创计划。
与此同时，工信部信息通信经济专家委员会委员盘和林向《每日经济新闻》记者指出，如今部分AI视频产品处于导入期，因为技术或合规性，很难在市场上铺开，“目前感觉开源（AI视频产品）比闭源的更受欢迎，因为ai视频生成的成本很高，而视频制作者往往缺少资金，所以利用开源的、下载到终端的AI算法可以更好地制作生成视频。”
在他看来，现阶段AI视频产品主要有算力和合规风险两方面的主要障碍。“算法、算力和数据方面都需要企业投入较多的资源和时间；另一难点在于合规风险，如今对隐私越来越重视，合规是绕不过去的话题，而AI视频有时可能会侵犯个人隐私。”他解释。
此外，易观分析研究合伙人陈晨也在接受《每日经济新闻》记者采访时表达了对视频生成大模型短期变现能力的担忧，“由于AI大模型高昂的模型训练与推理成本，加之C端用户对AI工具的需求相对分散，付费意愿不足，视频大模型在C端市场的商业化仍然会面临一个较长的培育期。”
AI视频的时代来到了，但这注定是一个长坡厚雪的赛道，如何降本增效、拿下更多市场也将成为互联网大厂和科技企业面对的不变命题。
津公网安备12011002023007号