AI研报：从Sora看多模态大模型发展

《从Sora看多模态大模型发展》的研报来自浙商证券，写于2024年2月。

这篇报告主要探讨了多模态大模型的发展趋势，特别是OpenAI发布的视频生成模型Sora，以及其对行业发展的影响。以下是报告的核心内容概述：

1. Sora模型的发布：
   - OpenAI于2024年2月16日发布了视频生成模型Sora，该模型能够生成长达1分钟、不同宽高比和分辨率的视频和图片。
   - Sora基于Diffusion Transformer技术，结合了视频压缩网络、潜空间patch、直接在原始大小训练和重新标注技术，能够处理图像和视频输入，实现多种视频生成和编辑功能。

视频压缩网络（Video compression network）：减少视觉数据维度。输入原始视频，输出一个在时间和空间上都压缩了的潜在空间。Sora在这个压缩后的潜在空间中进行训练。（同时训练了一个解码器将生成的潜在表征转回原像素空间）
潜空间patch（Spacetime latent patches ）：类比Transformer tokens，推理时通过在合适大小的网格中随机初始化patch控制生成视频的大小。
直接在原始图片的大小上训练：过去往往将视频或者图片压缩到固定大小（比如4秒钟、分辨率256*256），Sora直接在原始素材规格上训练。
为视频训练素材生成详细字幕和标注：Re-captioning technique字幕自动生成。首先训练一个能生成详细描述的标注模型，然后用它为训练集中的视频生成文本说明。DALL E3中已经使用过，使用GPT将简短prompt转化为详细说明，这些说明会被输入到视频模型中。这可以增强文本理解能力，可以提高文本的保真度和视频的整体质量，使得Sora能够生产准确遵循用户提升的高质量视频。
Sora核心能力：3D一致性、物体持久性、世界交互、模拟数字世界
Sora模型的局限性：虽然能模拟一些基础物理互动，比如玻璃的碎裂，但还不够精确；
其他相互作用，比如吃食物，并不总是能产生物体状态的正确变化；
长视频中存在逻辑不连贯，或者物体会无缘无故出现的现象。

1. 多模态大模型的商业化前景：
   - 国内外厂商如谷歌、字节跳动等也在布局多模态大模型领域，预计2024年文生视频将进入商业化探索阶段。
   - 高质量数据和底层通用大模型是文生视频能力的关键因素，随着技术的进步，文生视频在时间长度、画面清晰度和内容逼真程度等方面有望实现显著提升。
2. 全球视频内容市场的潜力：
   - 据数据显示，2025年全球数字视频内容市场规模有望达到3271.9亿美元，2021-2025年复合年增长率约为13.7%。
   - 海外已有Synthesia、Runway等厂商在文生视频领域形成成熟商业方案，应用于企业产品介绍、操作指南、客户服务等场景。
3. 建议关注的标的公司：
   - 大模型厂商：科大讯飞、云从科技、微软、谷歌。
   - 多模态应用厂商：万兴科技、虹软科技、焦点科技、Adobe。

1. 风险提示：

- AI技术迭代不及预期的风险。

- AI商业化产品发布不及预期的风险。

- 政策不确定性带来的风险。

- 下游市场不确定性带来的风险。

报告还详细分析了多模态AI的核心技术环节、Sora模型的技术路线和应用案例，以及国内外其他厂商的AI视频生成算法及工具。此外，报告对AIGC在视频领域的商业化现状与展望进行了探讨，并预测了千亿级数字视频生成市场的未来潜力。