[OpenAI]继ChatGPT后发布的Sora模型原理与体验通道

Myth丶恋晨 2024-04-22 22:10 3阅读 0赞

## 前言 ##

![请添加图片描述][c7f3e6b8a7624a9eabbea77dbcbca119.jpeg]

**前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家**：[https://www.captainbed.cn/z][https_www.captainbed.cn_z]  
![请添加图片描述][ff5fcbac70f843ebb3ef9cf9ebf68fef.gif]

ChatGPT[体验地址][Link 1]

![请添加图片描述][c7f3e6b8a7624a9eabbea77dbcbca119.jpeg]

#### 文章目录 ####

*  前言
 *  OpenAI体验通道
 *  Spacetime Latent Patches 潜变量时空碎片, 建构视觉语言系统
 *  扩散模型与Diffusion Transformer,组合成强大的信息提取器
 *  DiT应用于潜变量时空碎片，学习获得海量视频中时空碎片的动态关联
 *  Sora 或Lumiere 视频学习与生成的技术背后蕴含的原理分析
 *   *  SSM整体思维模型：
 *  sora最新关键词效果预览
 *  最快更新体验通道
 *  自媒体运营从入门到精通

## OpenAI体验通道 ##

ChatGPT[体验地址][Link 1]

OpenAI Sora文生视频（图像看作单帧视频）一放出就炸翻整个AI 圈，也是ChatGPT掀起GenAI热潮时隔一年后，OpenAI再次史诗级的更新。OpenAI 随后公布的技术综述，难掩其勃勃雄心：视频生成模型作为世界模拟器。  
![在这里插入图片描述][3974f55892fd4a7d805bf45c61b95dba.png]

> 笔者春节前原计划整理一下对Google Lumiere文生视频的认知，多个因素遗憾推迟。对比看两者大的技术方向均选择了扩散模型，却也有许多关键细节不同。恰好可以借着 OpenAI技术综述来提纲挈领，一起梳理一下，为什么笔者觉得这是又一史诗级的更新。
> 
> sora官网:[https://openai.com/sora][https_openai.com_sora]

## Spacetime Latent Patches 潜变量时空碎片, 建构视觉语言系统 ##

在“ChatGPT是第一个真正意义的人工通用智能”中，笔者总结过大语言模型借助Embedding将人类的语言 “编码”成自己的语言，然后通过注意力Attention从中提取各种丰富的知识和结构，加权积累与关联生成自己的语言，然后“编码”回人类的语言。

与ChatGPT首先引入Token Embedding 思路一致，针对视觉数据的建模方法则作为构建Sora最重要的第一步。碎片Patch已经被证明是一个有效的视觉数据表征模型，且高度可扩展表征不同类型的视频和图像。将视频压缩到一个低维的潜变量空间，然后将其拆解为时空碎片Spacetime Latent Patches。笔者觉得时空碎片是时空建模的关键，统一了时空分割的"语言"。

有了时空碎片这一统一的语言，Sora 自然解锁了多种技能：1. 自然语言理解，采用DALLE3 生成视频文本描述，用GPT丰富文本prompts ，作为合成数据训练Sora, 架起了GPT 与 Sora语言空间的更精确关联，等于在Token与Patch 之间统一了“文字”；2. 图像视频作为prompts，用户提供的图像或视频可以自然的编码为时空碎片Patch，用于各种图像和视频编辑任务 – 静态图动画、扩展生成视频、视频连接或编辑等。  
![在这里插入图片描述][2e3dc9ae1a064a21ba6a213bfc3503f2.png]

## 扩散模型与Diffusion Transformer,组合成强大的信息提取器 ##

OpenAI 讲Sora 是一个Diffusion Transformer，这来自伯克利学者的工作Diffusion Transformer (DiT)：“采用Transformer的可扩展扩散模型 Scalable diffusion models with transformers”  
![在这里插入图片描述][b378f4c4cb234feda8f733a007294445.png]

## DiT应用于潜变量时空碎片，学习获得海量视频中时空碎片的动态关联 ##

与“LLM在其高维语言空间中通过Transformer提取人类语言中无数的结构与关联信息”类似，Sora是个基于扩散模型的Transformer，被用于从高维的时空碎片张成的空间中，观察并提取丰富的时空碎片之间的关联与演化的动态过程。如果把前者对应人类读书，后者就是人类的视觉观察。

遗憾的是OpenAI的技术综述没有提供技术细节，不过笔者觉得大家可以参照Google Lumiere的技术原理来大胆推演一下。视频其实是记录了时空信息的载体: 时空碎片patch可以看作是三维空间的点集(x,y,z)的运动(t)或者说其实是个四维时空模型(x,y,z,t)。Sora和Lumiere之类的生成模型的第一步都是如何从中提取出相应的关键信息。![在这里插入图片描述][183950240c6945529b940f0da668ca10.png]

## Sora 或Lumiere 视频学习与生成的技术背后蕴含的原理分析 ##

### SSM整体思维模型： ###

![在这里插入图片描述][f4d55d923a5747de97c5020e6a824a34.png]

1.  态空间对事物的表征和刻画：状态空间的高维度，某时刻的信息，即某时刻的事物的能量的概率分布，是众多维度的联合概率分布，各维度都可能具有连续性和非线性，如何用线性系统近似，并最大努力消除非线性的影响非常关键；不同层次的潜变量空间，对信息的提取，和粗颗粒度逐层抽象，都需要类似重整化群 RG中的反复归一化，以消除“近似非线性处理”对整体概率为 1 的偏离。
2.  状态空间的动态性：即从时间的维度，研究整个状态空间的变迁。这个变迁是状态空间的大量非时间维度的信息逐层提取，叠加时间这一特殊维度的（状态-时间）序列sequence。不管是高维度低层次的细颗粒度的概率分布的时间变化，还是低维度高层次的粗颗粒度概率分布的时间变化，都是非线性时变系统，用线性时不变（LTI）的模型都是无法很好刻画的。  
    ![在这里插入图片描述][f13693383d674856ad880b4b6d1677e9.png]

## sora最新关键词效果预览 ##

1.  minecraft with the most gorgeous high res 8k texture pack ever  
    ![在这里插入图片描述][338dedfdd8c74c8aa01b15f0a153ec70.png]
2.  this close-up shot of a futuristic cybernetic german shepherd showcases its striking brown and black fur…  
    ![在这里插入图片描述][7aee2c7d34de4e82a8ee324060e9d4f1.png]
3.  pov footage of an ant navigating the inside of an ant nest  
    ![在这里插入图片描述][71dc58cc69494f22b6c8a69d369427e4.png]
4.  a golden retriever and samoyed should walk through NYC, then a taxi should stop to let the dogs pass a crosswalk, then they should walk past a pretzel and hot dog stand, and finally they should end up looking at Broadway signs.![在这里插入图片描述][2ccc4f13f0b9432b9cb611899606b623.png]

## 最快更新体验通道 ##

Sora[体验地址][Link 1]

![在这里插入图片描述][852742c38b434eaf8e33715d5d686566.png]

## 自媒体运营从入门到精通 ##

从Sora的即将问世，人人做up的时代真正来袭，抓住这个历史性时刻，从运营入手，实现弯道超车！！！

>  *  🎁本次送书1~3本【取决于阅读量，阅读量越多，送的越多】👈
>  *  ⌛️活动时间：截止到2024-2月27号
>  *  ✳️参与方式：关注博主+三连（点赞、收藏、评论）

![在这里插入图片描述][6f21b60b46e84e9aaec5932e802046ae.jpeg]

[c7f3e6b8a7624a9eabbea77dbcbca119.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/9e93561cf3b44582b7ae6c985a97f7de.jpeg
[https_www.captainbed.cn_z]: https://www.captainbed.cn/z
[ff5fcbac70f843ebb3ef9cf9ebf68fef.gif]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/8adba97e967a4c12925a8eb0ff9c295a.gif
[Link 1]: http://39.101.69.226:3500/
[3974f55892fd4a7d805bf45c61b95dba.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/f864efdd0cd048e2a402397d97c71b03.png
[https_openai.com_sora]: https://openai.com/sora
[2e3dc9ae1a064a21ba6a213bfc3503f2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/1f84d8495d994836ac47c5b93f9de6a8.png
[b378f4c4cb234feda8f733a007294445.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/7b9e07edb73e407fb649edcf11ecb37b.png
[183950240c6945529b940f0da668ca10.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/5df2a550e0234bea96ce7ab7878a048a.png
[f4d55d923a5747de97c5020e6a824a34.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/632d4adb52ef4953b832803dfebde6aa.png
[f13693383d674856ad880b4b6d1677e9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/4519528646db4083ae1bb2e48ba984a3.png
[338dedfdd8c74c8aa01b15f0a153ec70.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/af0f8832c52f44719e1bfc7bbd8e3237.png
[7aee2c7d34de4e82a8ee324060e9d4f1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/575415b275354534b8e7e491c1515caa.png
[71dc58cc69494f22b6c8a69d369427e4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/594af9c2e7fc4b4ebf294272b5a56f6e.png
[2ccc4f13f0b9432b9cb611899606b623.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/7eda8ef250fa4e3f958667de7805fe0c.png
[852742c38b434eaf8e33715d5d686566.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/4c491a4eb1c04d2685e5f68c91f492fe.png
[6f21b60b46e84e9aaec5932e802046ae.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/6c12a7f50e554aaba9276dccc8eabcf8.jpeg