对话生数科技CEO唐家渝：AI视频到了“普及”节点 提升时长不是产品化的重点

对话生数科技CEO唐家渝：AI视频到了“普及”节点 提升时长不是产品化的重点

9月11日，生数科技举办媒体开放日活动，发布“主体参照”（Subject Consistency）功能，意在破解视频模型生成主体的“一致性”难题。

活动上，生数科技联合创始人、CEO唐家渝在回应《每日经济新闻》记者关于商业模式的提问时表示，目前行业内有SaaS（软件即服务）订阅和MaaS（模型即服务）两种，7月30日Vidu上线以来，在全球范围内已收到数万个API接入申请。

就底层架构，唐家渝表示旗下产品“VIDU”所用的“U-ViT架构”与Sora所用的“DiT架构”几乎一模一样，差别在于U-ViT作了更多面向落地的设计。在技术路线上，大家现在处于底层架构收敛的状态，但同质化并不代表大家所有进展、能力相同，唐家渝举例说：“例如现在的语言模型，（虽然）大家都使用Transformer架构，但从现实来看，OpenAI还是明显领先的。”

目前，AI视频的主要使用者还是专业用户，如电影工作者等，但唐家渝认为，AI视频已经来到了“普及”的节点。

此外，从当前阶段的收入来说，生数科技在B端市场获得的收入更多，C端的增长曲线则在Vidu产品上市这一个月以来非常“陡峭”。

唐家渝 图片来源：每经记者 李少婷 摄

“最终的目标还是做通用大模型”

唐家渝是清华大学自然语言处理实验室硕士，此前曾任瑞莱智慧副总裁、腾讯优图实验室高级产品经理等。唐家渝目前所在的生数科技于2023年3月成立，今年3月初宣布完成新一轮融资。今年4月底，该公司与清华大学联合研发的原创视频大模型Vidu面向全球发布，7月底正式上线，全面开放使用。

Vidu问世即被称为“中国版Sora”。这种称呼一方面是因为外界对中国视频大模型充满期待，另一方面，从技术架构上说，二者也有异曲同工之处。

据介绍，Vidu的底层基于自研的U-ViT架构，而Sora是基于DiT架构。关于U-ViT与DiT架构的区别，唐家渝介绍：“一句话总结来说，几乎一模一样。”二者都是Diffusion和Transformer的融合，甚至底层一些技术细节也是相同的。不同之处在于，U-ViT架构“做了更多面向落地的优化设计”，简单概括下来，就是在训练同一模型时，相同时间下，U-ViT所需的算力更少。

从整体的技术路线来看，当前国内几家视频大模型都走的是“类Sora路线”，那大家未来是否会愈加同质化？

对此，唐家渝介绍，当前大家是处于底层架构收敛的状态中，“但同质化并不代表大家所有进展、能力都相同”。他以语言模型为例分析道，大家都会使用Transformer架构，但从现实情况来看，OpenAI还是明显领先，这是因为在这一架构基础上仍有诸多环节需要技术技巧、实践经验帮助破解难点，这就导致了不同语言模型在能力上的差距。

当前，业内也在探索新的架构路线，例如将多模态的生成和多模态理解结合起来，但目前仍没有特别好的方案出现。

“我们最终的目标还是做通用大模型，视频生成是多模态生成大模型中间的一个阶段。”唐家渝坦承了开发通用大模型的雄心。

他还表示：“这并不意味着我们完全只在做这一个事情（指视频大模型），我们除了视频以外也有其他模态的生成能力。”