编辑部 整理自 凹非寺
量子位 | 公众号 QbitAI

一支人大系大模型团队，前后与OpenAI进行了三次大撞车！

第一次是与Clip，第二次是与GPT-4V，最新一次撞在了Sora上：

去年5月，他们联合并联合伯克利、港大等单位于在arXiv上发表了关于VDT的论文。

那时候，该团队就在在技术架构上提出并采用了Diffusion Transformer。并且，VDT还在模型中引入统一的时空掩码建模。

这个团队，正由中国人民大学高瓴人工智能学院教授卢志武带队。

Sora问世已经两个多月，现在这支国产团队在视频生成领域的进度怎么样了？什么时候我们能迎来国产Sora的惊艳时刻？

在本次中国AIGC产业峰会上，卢志武对上述问题进行了毫无保留的分享。

为了完整体现卢志武的思考，在不改变原意的基础上，量子位对演讲内容进行了编辑整理，希望能给你带来更多启发。

中国AIGC产业峰会是由量子位主办的行业峰会，20位产业代表与会讨论。线下参会观众近千人，线上直播观众300万，获得了主流媒体的广泛关注与报道。

话题要点

以下为卢志武演讲全文：

为什么做视频生成突然要转到用Transformer上？

今天的报告，我将重点介绍我们在视频生成领域的工作，特别是VDT（Video Diffusion Transformer）。

这项工作已于去年5月发布在arXiv上，并已被机器学习顶级会议ICLR接收。接下来，我将介绍我们在这一领域取得的进展。

众所周知，Sora非常出色，那么它的优势在哪里呢？之前，所有的工作都是基于Diffusion Model，那为什么我们在视频生成中突然转向使用Transformer呢？

从Diffusion到Transformer的转变，原因如下：

与基于U-net的Diffusion模型不同，Transformer具有许多优点，如token化处理和注意力机制，这两个特点使其能够更好地捕捉长期或不规则的时间依赖性。因此，在视频领域，许多工作开始采用Transformer作为基础模型。

然而，这些都是表面现象，最根本的原因是什么呢？使用Transformer进行视频生成，是因为其背后的scaling law发挥了作用。

Diffusion Model的模型参数量是有限的，而一旦将Transformer作为基础模型，参数量可以随意增加，只要有足够的计算能力，就可以训练出更好的模型。实验证明，只要增加计算量，效果就会得到提升。

当然，视频生成涉及各种任务，使用Transformer能够将这些任务统一在一个架构下。

基于上面三个原因探索用Transformer当视频生成的底座，这是我们当时的考虑。

我们的创新点有两个：

一是将Transformer应用于视频生成，并结合了Diffusion的优点；二是在建模过程中，我们考虑了统一的时空掩码建模，将时间和空间置于同等重要的位置。

无论是VDT还是Sora，第一步都是对视频进行压缩和token化处理。

这与基于DM的方法最大的区别在于，基于DM的方法只能进行空间压缩，无法进行时间压缩；而现在，我们可以同时考虑时间和空间，实现更高的压缩程度。

具体来说，我们需要训练一个时空空间中的3D量化重构器，这可以作为tokenizer，得到三维空间中的patches。

总之，通过这种方式，我们可以得到Transformer的输入，输入实际上是3D的tokens。

一旦我们将输入的视频进行token化处理，就可以像通常的Transformer一样，使用标准的Transformer架构对3D的token序列进行建模，细节我就不赘述了。

VDT和Sora有什么差别？

VDT模型中最重要的部分是时空的Transformer Block。

我们与Sora有一点不同，当时设计这个Block时，我们将时空的Attention分开了。高校团队没有OpenAI那么多的计算资源，这样分开后，所需的计算资源会少很多——除此之外，其他所有设计都一模一样。

现在，让我们来看看我们与Sora的区别。

刚才我说过，VDT采用了时空分离的注意力机制，空间和时间是分开的，这是在计算资源有限的情况下的折中方案。

Sora采用的是时空统一的token化，注意力机制也是时空合一的，我们推测Sora强大的物理世界模拟能力主要来自于这个设计。

至于输入条件不同，这不是VDT与Sora最大的区别，基本上图生视频能做好，文生视频也能做好。

文生视频的难度较大，但并非无法克服，没有本质上的差别。

接下来，我将介绍我们当时探索的一些事项。架构设计完成后，我们特别关注输入条件。这里有C代表的Condition Frame，以及F代表的Noisy Frame。

这两种输入条件应该如何结合，我们探索了三种方式：

通过Normalization的方式；通过token concat的方式；通过Cross attention。

我们发现，这三种方式中，token concat的效果最佳，不仅收敛速度最快，而且效果最好，因此VDT采用了token concat方式。

我们还特别关注了通用时空掩码机制。

不过，由于Sora没有公布细节，我们不清楚它是否也采用了这个机制，但在模型训练过程中，我们特别强调了设计这样的掩码机制，最终发现效果非常好，各种生成任务都能顺利完成——我们发现Sora也能达到类似的效果。

消融实验特别有趣，无论是Sora还是VDT，有一个非常重要的问题，就是模型中有大量的超参数，这些超参数与模型密切相关，不同的参数会对模型的效果产生很大影响。

然而，通过大量实验验证，我们发现超参数的选择有一个规律，即如果超参数使得模型的训练计算量增加，那么对模型效果是有益的。

这意味着什么？我们模型的性能只与其背后引入的计算量有关，模型训练所需的计算资源越多，最终的生成效果就越好，就这么简单。

这个发现与DiT类似，DiT被称为Sora的基础模型，它是用于图片生成的。

总之，消融实验是Sora或我们工作中最重要的事情之一，我们模型的效果只与训练消耗的计算资源有关，消耗的计算资源越大，效果越好。

有更多算力，超过Sora不是太难

考虑到我们的计算资源确实有限，我们团队在模型训练规模上，肯定不能与OpenAI相比。但是，我们也进行了一些深入的思考。

物理世界模拟本身就在我们的论文中，并不是说这是OpenAI首先想到的，我们一年前就想到了。

当时有这个底座以后，很自然想到这样模型到底能不能进行物理规律模拟。后来在物理数据集上训练了一下VDT，发现它对简单的物理规律模拟得特别好。

比如，这些例子有抛物线的运动，加速运动，还有碰撞的运动，模拟得都还可以。

所以我们当时做了两个在思想上特别有前瞻性的事情，一个是当时我们想到Diffusion Transformer用到视频生成里面，第二个是我们得到了这样模型以后，我们当时觉得这就是做物理世界模拟很好的模型，我们做实验验证了这个事情。

当然，如果我们有更多的算力，我们有更多的数据，我相信肯定可以模拟更复杂的物理规律。

我们这个模型也跟现在有模型做了对比，比如人像生成，给一张写真的照片让它动起来，我们只考虑做这个小的事情，因为我们算力特别有限。

这些结果表明VDT比Stable Video Diffusion要好一些，你可以看看生成得人物眼睛眨的更明显一些，更自然一点。另一个模型生成有点不太自然。

此外，如果人脸从侧面转成正脸，甚至用扇子把脸遮住了，要把人脸预测出来，还是挺难的。

关于这个写真视频是怎么做的我简单说一下。

先提供几张写真的照片，VDT把每一张写真照片变成两秒的镜头，通过剪辑的方式把镜头拼在一起。

结合我们团队本身的特点，如果说我做通用的模型，我肯定做不过市面上的大部分，但是我当时挑了一个应用点，在这个点上VDT并不比Sora差。

Sora出来以后很多人要做视频生成，我要考虑怎么保证我的团队在这个方向上，哪怕很小的一个点保持世界最前沿。

因此，我们做了写真视频生成，国外的Pika、Sora也研究了一下。VDT生成的超写实人物，是超过Pika和Sora的。在通用的视频生成我们很难超过Sora，这里的主要原因是我们算力很有限。

只要拿到更多算力，超过Sora也不是那么难的事。

我就讲这么多，谢谢大家。