A kínai startup, a Shengshu Technology és a Tsinghua Egyetem hivatalosan is bemutatta Kína válaszát az OpenAI Sora-jára, a Vidu-t. A mesterséges intelligencia által vezérelt, szövegből videót készítő alkalmazás egyetlen kattintással 16 másodperces klipeket tud készíteni 1080p felbontásban.
Bár a Vidu elmarad a Sora 60 másodperces videókészítési képességétől, mégis ez a legjobb, amit Kína jelenleg kínál. Az új szöveg-videó szoftvert a hétvégén mutatták be a pekingi Zhongguancun Forumon.
„A Vidu az önálló innováció legújabb eredménye, amely számos területen áttörést hozott. Képzelőerővel rendelkezik, képes szimulálni a fizikai világot, és 16 másodperces videókat készít következetes karakterekkel, jelenetekkel és idővonallal”,
magyarázta Zhu Jun, a Shengshu vezető kutatója és a Tsinghua AI Intézet dékánhelyettese.
Azt is kifejtette, hogy a Vidu képes megérteni a „kínai elemeket”. A bemutatón a Shengshu Technology több demót is megosztott, köztük egy fűben gitározó pandát és egy medencében úszó kiskutyát.
| A Shengshu Technology egy pekingi székhelyű vállalat, amelyet 2023 márciusában alapítottak. Alapcsapata főként a Tsinghua AI Institute for AI, valamint az Alibaba Group Holding, a Tencent Holdings és a ByteDance tagjaiból áll. Az ITjuzi nevű startup-adatbázis-szolgáltató szerint a Shengshu Technology a múlt hónapban több százmillió jüant gyűjtött be befektetőktől, köztük a Qiming Ventures, a Zhipu AI és a Baidu Ventures cégektől – számolt be az SCMP. |
A Vidu az OpenAI Sora riválisa lesz
A Vidu a hírek szerint egy saját fejlesztésű vizuális transzformációs modell architektúrára épül, amelyet Universal Vision Transformer (U-ViT) néven emlegetnek. A Global Times beszámolója szerint a fejlesztők szerint ez két szöveg-videó MI-modellt integrál: a Diffusiont és a Transformert. A Medium beszámolója szerint ez az architektúra valósághű videókat tesz lehetővé dinamikus kameramozgásokkal, részletes arckifejezésekkel, valamint természetes megvilágítással és árnyékokkal.
„A Sora megjelenése után úgy találtuk, hogy szorosan illeszkedik a technikai ütemtervünkhöz, ami tovább motivált minket, hogy eltökélten haladjunk előre a kutatásainkban”,
tette hozzá Zhu.
A VIDU nem Vidu
Az OpenAI ChatGPT-másolatok hadaival szemben a Sora esetében eddig nem akadtak kínai riválisok. Iparági szakértők a kínai vállalatok fejlődésének jelentős akadályaként a nem megfelelő számítási teljesítményt említették. Li Yangwei, az intelligens számítástechnika egyik pekingi székhelyű technikai tanácsadója az SCMP-nek kifejtette, hogy a Sora nyolc NVIDIA A100 grafikus feldolgozó egységeinek (GPU) több mint háromórás futása szükséges egy egyperces klip elkészítéséhez: „A Sora rengeteg számítási teljesítményt igényel a következtetések levonásához”.
Az Egyesült Államok a közelmúltban szigorította az NVIDIA-hoz hasonló vállalatok által gyártott fejlett chipekre vonatkozó exportkorlátozásokat. Ezek a chipek, köztük az NVIDIA A100-as és H100-as GPU-jai nagyon keresett alkatrészekké váltak a mesterségesintelligencia-rendszerek képzéséhez, az amerikai kormány azonban kifejezetten megtiltotta a Kínába történő kivitelüket.
A névválasztás azonban némi zavart okoz, ha az interneten próbáljuk megtalálni. Létezik ugyanis egy ugyanilyen nevű (de nagybetűvel írt) létező termék, amely valójában egy értékesítési csapatoknak szánt eszköz.
„Sajnálatos módon a ‘Vidu’ nevet választották a mesterségesintelligencia-modelljükhöz. Mi 2021 óta a VIDU nevet használjuk a termékünkre”,
fejtette ki a vállalat.
(forrás)
