兵馬俑跳《科目三》，是我萬萬沒想到的

家人們，火爆全球的魔性舞蹈《科目三》，誰能料到，就連兵馬俑也開始跳上了！

熱度還居高不下，瞬間被轟上了熱搜，小夥伴們紛紛驚掉了下巴表示“聞所未聞，見所未見”。

這到底是怎麽一回事？

原來，是有人借助了阿裏之前走紅的AI技術——

AnimateAnyone，生成出來了這個舞蹈片段。

技術圈的盆友對這個技術都不陌生，“出道”至今僅僅1個月時間，這個項目便已經在GitHub上斬獲了超1.1萬個star。

呼喚它能讓更多人輕鬆上手體驗的聲音，也越來越多。

好消息是，現在AnimateAnyone已經可以免費體驗了！

而且“入口”還直接被嵌進了阿裏通義千問APP——名曰：

通義舞王。

很快，各種效果、各種玩法、各種人物，都動了起來……例如微博網友“Simon_阿文”，讓拿破侖表演了一把……

這標致的舞姿，這反差的形象，著實算是把腦洞給打開了。

也有不少網友換了個思路：

想用自己照片試試；以後投宅舞視頻可以直接生成了。

所以效果究竟行不行，我們也忍不住實測了一波~

讓貝索斯舞一段《極樂淨土》

打開通義千問APP，我們隻需要點擊對話框中的“一張照片來跳舞”：

或者在輸入框內敲“通義舞王”或“全民舞王”

等關鍵詞，就可以跳轉到相應界麵了：

接下來的操作，也正如我們剛才所說：極、其、簡、單。

首先，在眾多已經提供的模板中，pick一個。

目前通義千問APP提供了12個模板，這次我們就選擇二次元最愛、宅舞《極樂淨土》測試一下~

然後，選一位測試對象。比如我們找了（前）全球首富貝索斯：

需要說明的是，在選擇照片的時候，還是需要一點“技巧”的，“通義舞王”也有相應提示：

正麵站立

全身照

全身無遮擋

無仰俯角

在此之後，直接點擊“立即生成”，靜候幾分鍾，貝索斯大跳《極樂淨土》的視頻，就誕生了：

是不是效果還行？雖然還不能講“真假難辨”，但首富都能這樣為你跳一曲了，還要什麽自行車。

不僅如此，“通義舞王”除了能夠生成真人風格之外，還有其他風格可玩。

例如動漫風格的小姐姐跳DJ慢搖：

還有卡通風格的人物熱舞：

總而言之，現在你想讓任何人跳舞——一張全身照就夠了。

不過有一說一，雖然“通義舞王”已經成功吸引了眾多網友前來玩耍，反響火爆，但它也還沒到完美無瑕的境界。

例如等待時長，現在平均時間大約在10分鍾左右（有點久，但畢竟是免費的，還要啥自行車啊）。

還有就是從視頻效果來看，如果照片角度不好或者清晰度不夠也會影響AI對於人物手部的處理。

這些問題，實際都與背後的技術原理和技術挑戰，密不可分。

怎麽做到的？在視覺生成任務中，目前較為主流的方法便是擴散模型。

但在僅靠一張照片就生成視頻這件事上，它還麵臨著諸多的挑戰，例如人物形象一致性（consistency）的問題。

簡單來說，就是如何保證照片人物在動起來的過程中，各種細節能夠和原照片保持一致。

為此，阿裏團隊在擴散模型的基礎之上，提出了一個新的算法，也就是我們剛才提到的AnimateAnyone。

從一致性、可控性和穩定性三個方麵，保證了視頻輸出的效果和質量。

例如在一致性方麵，阿裏團隊引入的是ReferenceNet，用於捕捉和保留原圖像信息，可高度還原人物、表情及服裝細節。

具體而言，在參考圖特征提取上，ReferenceNet采用的是與去噪UNet類似的框架，但沒有包含時間層；它繼承了原始擴散模型的權重，並獨立進行權重更新。

在將ReferenceNet的特征融合到去噪UNet時，首先將來自ReferenceNet的特征圖x2複製t次，並與去噪UNet的特征圖x1沿w維度連接；然後進行自注意力處理，並提取特征圖的前半部分作為輸出。

雖然ReferenceNet引入了與去噪UNet相當數量的參數，但在基於擴散的視頻生成中，所有視頻幀都需要多次去噪，而ReferenceNet隻需在整個過程中提取一次特征，因此在推理過程中不會導致顯著增加計算開銷。

在可控性方麵，阿裏團隊使用的是Pose Guider姿態引導器。

Pose Guider姿勢引導器采用的是一個輕量級設計，而不是引入一個額外的控製網絡。

具體來說，使用了四個卷積層（卷積核大小為4×4，步幅為2×2，通道數分別為16、32、64、128），這些卷積層用於將姿勢圖像對齊到與噪聲潛變量相同的分辨率。

處理後的姿勢圖像會被加到噪聲潛變量上，然後一起輸入到去噪UNet中，從而在不顯著增加計算複雜性的情況下，為去噪UNet提供姿勢控製。

最後是在穩定性方麵，阿裏團隊引入的是一個時序生成模塊。

時序層的設計靈感來源於AnimateDiff，通過在特征圖上執行時間維度的自注意力，以及通過殘差連接，其特征被整合到原始特征中。

同樣的，這個模塊的作用之下，滿足了在保持時間連續性和細節平滑性的同時，減少了對複雜運動建模的需求。

最終，在AnimateAnyone的加持之下，從效果上來看，保證了圖像與視頻中人物的一致性。

這也是AnimateAnyone背後的技術原理。

然而，阿裏之所以不斷在AnimateAnyone上攻堅優化，並非完全出於技術很酷很有潛力，還藏著一顆引領視頻生成技術的野心。

因為大家都在問“What is the Next？”的時候，LVM（Large Vision Model），已經潮水聲轟鳴了。

What is the Next？

實際上，在AnimateAnyone火了之後，阿裏還有另一項視頻生成技術在同時出圈。

它叫DreaMoving，隻需一張臉部照片、一句話描述，就能讓你在任何地方跳舞！

例如下麵這段《擦玻璃》的舞蹈視頻：

你所需要做的就是“投喂”一張人像，以及一段prompt：

一個女孩，微笑著，在秋天的金色樹葉中跳舞，穿著淺藍色的連衣裙。

而且隨著prompt的變化，人物背景和身上的衣服也會隨之發生改變。例如我們再換兩句：

一個女孩，微笑著，在木屋裏跳舞，穿著毛衣和長褲。

一個女孩，微笑著，在時代廣場跳舞，穿著連衣裙般的白襯衫，長袖，長褲。

和AnimateAnyone一樣的，它也是真人、卡通、動漫人物統統都能hold住。

當時也引來了不少網友們的熱玩和驚呼。

這些都是阿裏在視頻生成上的“沿途下蛋”，都是“勇攀珠峰”——死磕AI視頻生成技術的證明和結果。

為什麽？

因為縱觀去年一整年的AIGC發展的脈絡，AI視頻生成的爆發趨勢似乎越來越明確了。

2022年底以來，從最初ChatGPT引爆大語言模型，全球科技巨頭乃至初創企業紛紛入局，到後來各家不僅限於自然語言技術，更是將文生圖、文生音頻、文生視頻、圖生視頻等多模態技術“玩”出了新高度。

產業是什麽？LLM（大語言模型）正在逐步向LMM（多模態大模型）發展。

並且從這期間學術界、產業界所交出的一份份“作業”中，也能印證這一點：

Pika1.0發布，剛出道就成行業頂流，引來一眾大佬圍觀；

Runway家升級Gen2，分分鍾打造高質量小電影；

李飛飛W.A.L.T緊隨其後，同樣也是發力於此；

穀歌Gemini發布現場，大秀多種模態的聯動玩法。

因此，多模態大模型、AI視頻生成領域，正是現如今AIGC這波頂流中的頂流，阿裏頻頻在此發力，也就不難理解了。

不僅如此，在歲末年初之際，更是有眾多AI大佬將2024年的預測押注於此。

例如Meta研究院Martin Signoux非常直接地表態“再見LLM，你好LMM”，這個預測也得到了LeCun的轉發和點讚。

因此，如果要問誰是下一個ChatGPT，可能沒有人可以給出準確預判。

但如果問下一個ChatGPT會從哪個賽道來？AI視頻生成，就是自帶鼓風機的那一個，而在這個賽道裏，阿裏已經搶占了先機。