Meta公司(Meta Platforms Inc.)今天(2022年9月29日)首次推出Make-A-Video。Make-A-Video是Meta内部开发的人工智能系统,可以从给定的文字提示生成短视频。
Make-A-Video可以利用给定的几个词或几行文字生成一个几秒钟的短视频。据Meta公司称,Make-A-Video人工智能系统还可以从给定的视频或图像制作视频。Meta公司研究人员在今天上午发表的一篇博文中分享了利用Make-A-Video制作的几个短视频。
Meta首席执行官Mark Zuckerberg详细介绍一个短视频的制作,“我们给出的描述是这样的。‘画自画像的泰迪熊’、‘戴着针织帽的树懒宝宝在探索笔记本电脑’、‘在火星上着陆的宇宙飞船’以及‘在海中冲浪的机器人’。生成视频比生成照片难得多,因为除了正确生成每个像素,Make-A-Video系统还必须预测像素如何随时间变化。”
Meta公司在一份研究报告中做了更详细的说明,Make-A-Video不是由一个而是由多个神经网络组成。这些神经网络的训练基于几百万个视频和23亿张图片的训练数据集。据Meta公司称,Meta的研究人员在检查人工智能训练过程的可靠性时用了人工和自动评估方法的组合。
Make-A-Video的第一个组件是一个神经网络,该组件的输入是文本提示,组件将文本提示转换成向量嵌入。所谓的向量嵌入是一种数据表达结构。与处理其他类型的数据比较,人工智能系统处理向量嵌入更容易一些。
在文本提示转换成向量嵌入后,向量嵌入就会被送给其他几个神经网络做进一步处理,经过几个步骤的流程后最终得到一个视频。这些神经网络最初是为生成图像而不是为生成视频而设计的,Meta在研究论文中详细说明了这一点。Meta在这些神经网络里添加所谓的时空层,用于视频的生成。
神经网络的基本构建块是所谓的层(Layers)。一个神经网络一般包含多个层,每个层由许多人工神经元组成,人工神经元是处理数据计算的代码块。一个人工神经元完成计算后将结果发送给另一个人工神经元进行进一步分析计算,该过程重复可能要重复许多次,最终输出一个结果。
Meta公司Make-A-Video的时空层可以将文本提示转换成16帧的短视频,短视频再被被送到另一个神经网络,短视频的帧数增加到76,产生最终的短视频。
Meta找了一组项目参与者将Make-A-Video与早期的人工智能系统作比较。Meta研究人员的详细介绍如下,“评分者利用我们的评估集,62%的时间选择我们的方法实现更真实的动感。我们观察到,在帧与帧之间存在较大差异时,我们的方法表现颇为出色。在帧与帧之间存在较大差异的情况下,关于真实世界里物体如何运动的知识至关重要。”
Make-A-Video的另一个值得注意的特点在于,Make-A-Video用到的一些神经网络可以用无监督学习方法进行训练。同类人工智能系统一般不支持无监督学习的训练方法。
研究人员可以用无监督学习训练就能够利用更多的数据训练人工智能系统。能够用更多的数据训练神经网络就可以执行更复杂的计算任务。Meta的研究人员称,“大量的数据对于学习世界上更微妙、更不常见概念的表征非常重要。”
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。