Đột phá công nghệ tạo video đa phương thức, cơ hội nào cho Web3 AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Đột phá công nghệ tạo video đa phương thức, cơ hội nào cho Web3 AI?
Khi AI chuyển từ việc điều phối tài nguyên quy mô lớn tập trung trong quá khứ sang xu hướng hợp tác theo mô-đun, đây là một nhu cầu mới đối với các nền tảng phi tập trung.
Chuyên sâu báo cáo Web3Tác giả: Haotian
Bên cạnh việc AI được địa phương hóa "chiếu sâu" xuống các tầng thấp hơn, thay đổi lớn nhất gần đây trong lĩnh vực AI chính là đột phá về công nghệ tạo video đa mô hình — từ trước chỉ hỗ trợ tạo video từ văn bản thuần túy, nay đã phát triển thành công nghệ tổng hợp toàn tuyến tính gồm văn bản + hình ảnh + âm thanh.
Chỉ cần nêu vài ví dụ về những đột phá công nghệ để mọi người cảm nhận:
1) ByteDance mở mã nguồn khung EX-4D: biến video đơn mắt thành nội dung 4D góc nhìn tự do trong nháy mắt, tỷ lệ hài lòng của người dùng đạt 70,7%. Nghĩa là, với một video thông thường, AI có thể tự động tạo hiệu ứng xem ở bất kỳ góc độ nào – điều này trước đây cần cả đội ngũ chuyên gia dựng mô hình 3D mới làm được;
2) Nền tảng HuiXiang (Huixiang) của Baidu: tạo video 10 giây từ một bức ảnh, tuyên bố chất lượng đạt trình độ "điện ảnh". Tuy nhiên, liệu có phải do thổi phồng tiếp thị hay không thì cần đợi phiên bản Pro cập nhật vào tháng 8 tới mới kiểm chứng được thực tế;
3) Veo của Google DeepMind: có thể đồng thời tạo video 4K và âm thanh môi trường. Điểm sáng tạo then chốt nằm ở khả năng "đồng bộ", trước đây hệ thống video và âm thanh vận hành riêng biệt, ghép nối sau; để đạt được sự khớp ngữ nghĩa thực sự cần vượt qua thử thách lớn, ví dụ như trong cảnh phức tạp, phải đảm bảo bước chân trên hình ảnh khớp hoàn hảo với tiếng bước chân trong âm thanh;
4) ContentV của Douyin: 8 tỷ tham số, sinh video 1080p trong 2,3 giây, chi phí 3,67 tệ/5 giây. Thành thật mà nói, mức kiểm soát chi phí này khá ổn, nhưng xét về chất lượng hiện tại, khi gặp cảnh phức tạp vẫn còn chưa thỏa đáng;
Tại sao nói rằng những ví dụ này có giá trị và ý nghĩa lớn về mặt chất lượng video, chi phí tạo ra và phạm vi ứng dụng?
1. Về đột phá giá trị công nghệ: Độ phức tạp của việc tạo video đa mô hình thường tăng theo cấp số mũ. Mỗi khung hình đơn lẻ chứa khoảng 10^6 điểm ảnh; video cần đảm bảo tính liên tục theo thời gian (ít nhất 100 khung hình), cộng thêm đồng bộ âm thanh (10^4 mẫu/giây), lại còn phải tính đến tính nhất quán trong không gian 3D.
Như vậy, độ phức tạp công nghệ cực cao. Trước đây, mọi nhiệm vụ đều do một siêu mô hình khổng lồ xử lý cứng. Nghe nói Sora đã tiêu tốn hàng vạn card H100 mới đạt được khả năng tạo video. Giờ đây, ta có thể phân rã theo mô-đun kết hợp với sự phân công giữa các mô hình lớn. Ví dụ, EX-4D của ByteDance thực tế đã chia nhiệm vụ phức tạp thành các mô-đun riêng: ước lượng độ sâu, chuyển đổi góc nhìn, nội suy theo thời gian, tối ưu hóa render... Mỗi mô-đun chuyên làm một việc, phối hợp với nhau thông qua cơ chế điều phối.
2. Về giảm chi phí: Đằng sau đó là sự tối ưu hóa kiến trúc suy luận, bao gồm chiến lược tạo theo từng lớp — trước tiên tạo khung nền độ phân giải thấp rồi nâng cao độ phân giải để cải thiện hình ảnh; cơ chế tái sử dụng bộ nhớ đệm (cache), tức là tái sử dụng các cảnh tương tự; phân bổ tài nguyên động — tức là điều chỉnh độ sâu mô hình tùy theo mức độ phức tạp nội dung.
Chính nhờ chuỗi tối ưu này mà mới có được kết quả 3,67 tệ/5 giây của ContentV trên Douyin.
3. Về tác động ứng dụng: Sản xuất video truyền thống là trò chơi tài sản nặng — thiết bị, bối cảnh, diễn viên, hậu kỳ; chi phí sản xuất một quảng cáo 30 giây lên tới vài chục vạn tệ là chuyện bình thường. Nay AI nén toàn bộ quy trình này xuống còn Prompt + chờ vài phút, đồng thời có thể tạo ra các góc quay và hiệu ứng đặc biệt mà quay phim truyền thống khó đạt được.
Như vậy, rào cản kỹ thuật và vốn đầu tư trong sản xuất video trước đây đã được chuyển hóa thành yếu tố sáng tạo và thẩm mỹ, có thể thúc đẩy một lần xáo trộn lại nền kinh tế sáng tạo.
Câu hỏi đặt ra: Nói nhiều về sự thay đổi phía cầu của web2AI, vậy có liên quan gì đến web3AI?
1. Trước hết, cấu trúc nhu cầu năng lực tính toán đã thay đổi. Trước đây, AI so sánh quy mô tính toán — ai sở hữu nhiều cụm GPU đồng nhất hơn thì thắng. Nhưng tạo video đa mô hình lại đòi hỏi tổ hợp năng lực tính toán đa dạng, có thể phát sinh nhu cầu đối với các nguồn tính toán rảnh rỗi phân tán, cũng như các mô hình tinh chỉnh nhỏ, thuật toán và nền tảng suy luận phân tán khác nhau;
2. Thứ hai, nhu cầu gắn nhãn dữ liệu cũng sẽ tăng mạnh. Để tạo một video chuyên nghiệp cần: mô tả cảnh chính xác, hình ảnh tham khảo, phong cách âm thanh, quỹ đạo di chuyển máy quay, điều kiện ánh sáng… Tất cả đều trở thành nhu cầu mới về gắn nhãn dữ liệu chuyên nghiệp. Sử dụng cơ chế khuyến khích kiểu web3 có thể kích thích nhiếp ảnh gia, kỹ sư âm thanh, nghệ sĩ 3D cung cấp các yếu tố dữ liệu chuyên môn, từ đó tăng cường khả năng tạo video bằng AI thông qua dữ liệu chuyên biệt;
3. Cuối cùng, đáng nói là khi AI dần chuyển từ việc huy động tài nguyên quy mô lớn tập trung sang xu hướng hợp tác theo mô-đun, bản thân điều này đã nảy sinh nhu cầu mới đối với các nền tảng phi tập trung. Khi ấy, sự kết hợp giữa năng lực tính toán, dữ liệu, mô hình và cơ chế khuyến khích sẽ tạo nên vòng xoáy tự củng cố, thúc đẩy sự tích hợp lớn giữa ứng dụng web3AI và web2AI.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Haotian | CryptoInsight
