蚂蚁集团投资视频生成模型公司爱诗科技

　　《晚点 LatePost》获悉，蚂蚁集团已于近期独家投资了中国视频生成大模型公司爱诗科技的 A2 轮，该轮金额超过 1 亿元人民币。

　　接近蚂蚁的人士说，蚂蚁除自研大模型并落地应用外，也在持续关注行业的前瞻探索，围绕大模型技术能力、产业应用和 AI 算力等核心技术和生态，已陆续投资了智谱 AI、月之暗面等大模型创业公司和专注多模态的生数科技等。

　　爱诗科技成立于 2023 年 4 月，目前团队约有 30 人，创始人兼 CEO 王长虎曾任字节跳动视觉技术负责人，在视频理解、数据处理、内容安全和视频生成等领域都有积累。

　　爱诗科技既做视频生成大模型，又做面向内容创作者和普通人的视频生成产品。

　　爱诗科技称自己 2023 年 6 月以来就选择 DiT(Diffusion Transformer)架构，这是一种 2022 年底被提出的新型扩散模型，DiT 也被认为是 Sora 背后的架构。

　　1 月，爱诗科技上线了视频生成产品 PixVerse，用户在 PixVerse 网页版界面里输入文字或图片就能生成视频。目前 PixVerse 生成的视频时长为 4 秒，产品免费。

　　据第三方监测平台 SimilarWeb 的数据，上线 3 个月来，PixVerse 的月访问量超过 115 万，上线早两个月的 Pika 是 226 万，2023年中旬就可以生成 18 秒视频的 Runway 的月访问量则超过 668 万，该数据不包括 Runway 在 App 端的数据，大量 Runway 用户可能会直接使用 App。目前 PixVerse 和 Pika 尚没有 App。

　　在广告、影视等领域，现在不少从业者已习惯先用 Midjourney 生成图片，再转给 PixVerse 生成视频。

　　Sora 激起了更多视频模型和应用的竞争。

　　据了解，一季度，字节 AI 研发团队提升了视频生成模型的优先级，此前优先级最高的是大语言模型和文生图模型。原 Google 资深科学家蒋路在 2 月加入字节跳动，他曾是 Google 视频生成模型 VideoPoet 项目的负责人。字节此前已推出视频生成模型 MagicVideo-V2。

　　同样在视频领域有数据和经验积累的腾讯，在 2023 年 12 月和 2024 年 1 月分别发布了  AnimateZero 和 VideoCrafter2 两个模型。

　　阿里 2020 年就在做多模态大模型，它在 2023 年下半年发布了视频生成模型 I2VGen-XL。

　　创业公司中，国内的视频生成产品已有右脑科技的 Vega AI、MewXAI 的艺映 AI、HiDream.ai(智象未来)的 Pixeling、新壹科技的一帧秒创，以及 Never Ends 和 Morph Studio 等。

　　目前大部分视频生成产品可以生成的时长大多在 4 到 7 秒，而 Sora 能一次性生成 60 秒视频。从发布时展示的例子看，Sora 生成的视频在画面的运动平滑度、动作连续性、物理真实性和成像质量上都表现较好。

　　王长虎认为，15 秒的视频时长是一个节点：15 秒意味着能呈现一套完整动作、传达一段有意义的内容。要把视频时长从 4 秒做到 15 秒，考验的是模型能力，包括理解提示指令(prompt)、模拟物理世界的规律、生成准确的画面动作等等。具备生成 15 秒视频的能力，就具备在更长时间的视频里保证画面主体和背景一致性的能力。从 15 秒再到 60 秒，按照 Scaling Law 逐步扩大即可。

　　不少从业者和投资人认为，Sora 之所以会表现出更强的能力，源于背后 OpenAI 的多模态模型 GPT-4V，而 GPT-4V 的能力又建立在 GPT-4 的理解能力上，所以大语言模型能力强的公司，更有可能做好视频生成模型等多模态模型。

　　Sora 虽然发布效果惊艳，却至今仍未对更多开发者和普通用户开放。这和 OpenAI 以往的风格不同——从 2020 年的 GPT-3 开始，OpenAI 每发布一个产品，都会迅速让更多人用起来。

　　Sora 的反常可能因为产品还不够成熟。目前业界的信息是，Sora 生成 60 秒的视频需要 20-30 分钟，这意味着昂贵的运算成本，越多人用成本越高。

　　也有人认为，Sora 生成视频的质量可能还不够稳定，年初震撼世界的几个视频可能是挑选后的最好结果。

　　提高稳定性和效果的同时降低成本，也是所有视频模型公司和试图做视频生成的大语言模型公司接下来要解决的问题。

　　王长虎此前表示，如果去年有更多的资源和算力，爱诗科技可以比 Sora 更早做出能生成 60 秒视频的模型。现在，更多的钱已经到位。