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
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。