快手「可灵」爆火：海外AI圈巨震，中国版Sora一号难求

短短一年后，AI 生成的「吃面条」已经如此自然流畅？这让全球网友都感受到了亿点点震撼。

*图源：https://x.com/CharaspowerAI/status/1799494388462063632
*

右侧的这些生成视频，都来自快手刚刚推出的文生视频大模型「可灵」（Kling）。

不是预发布、不是纯 Demo 合集，而是直接开放测试的产品级应用，人人都能申请。而且，可灵支持生成最长 2 分钟、30fps 的 1080P 视频，主打从头脑风暴到可发布作品的「一键转化」。（官网地址：https://kling.kuaishou.com/）

最早一批用上的用户已经「真香」：

图源：https://x.com/op7418/status/1799047146089619589

图源：https://weibo.com/7714861068/Oig1Qm8Or?refer_flag=1001030103_

500 人上限的交流群，很快就满员了，满屏都是 tql：

还没用上的外国友人只能干着急，在社交媒体发「求求了」：

不夸张地说，可灵现在是「一号难求」：

消息传到硅谷创投圈，更是引发了一场热议。

Stability AI 前 CEO Emad Mostaque 表示：「中国的 AI 技术有自己的优势。」

图源：https://x.com/EMostaque/status/1799133463003684918

YC CEO 也在 X 平台转发了可灵生成的 Demo：

就图中这个「吃汉堡」的案例而言，在相同的提示词下，可灵的生成效果确实比 Sora 更生动、真实：

Prompt：Une personne tapant son meilleur croc dans son hamburger

视频地址：https://x.com/AngryTomtweets/status/1799787209651859910

对于关注 AI 的人来说，这几天一定陆陆续续看过很多可灵生成的作品了。机器之心也是第一时间就点进了申请通道，并拿到了试用资格。

接下来，我们不妨一边试用、一边分析可灵爆火的原因。

国内首个文生视频产品级应用

或许你还记得这个曾经非常火爆的「气球人」视频。三位创作者花费近两周时间，使用 Sora 制作了这条 1 分 21 秒的视频短片，让人感到十分惊艳。不过，负责后期制作的 Patrick Cederberg 坦白了过程中的很多问题，例如气球的颜色在每次生成中都会改变、镜头中会出现一些瑕疵等等。

Sora 生成结果。完整视频地址：https://youtu.be/9oryIMNVtto?si=F6oDzvrhzfVcQGeh

对于此前的视频生成模型来说，「一气呵成」生成 1 分钟以上的内容确实有难度，特别是要求画面中的各种元素保持前后一致。

猎豹移动董事长兼 CEO、猎户星空董事长傅盛公开了自己用可灵制作的「气球人」视频，并表示自己仅用了「几十分钟」，就做出了连续性、真实度、清晰度都很优秀的短片。

有很多自媒体博主都晒出了自己做的短片，大家感兴趣的可以自行搜索。

哪些行业最先被改变？

传统的游戏开发通常受到预先渲染的环境和脚本事件的限制。一旦将视频生成模型集成到游戏领域，游戏的开发、玩耍和体验方式都将得到创新，为讲故事、互动和沉浸式体验带来新的可能性。对于游戏开发者来说，最直观的一项玩法是，根据用户叙述生成定制的视觉效果甚至角色动作。

在下方的 demo 中，我们可以看到，用户能够借助可灵创造出无与伦比的身临其境体验：

图源：https://x.com/dustinhollywood/status/1800056286215553444

图源：https://x.com/dustinhollywood/status/1800056886693347624

另外一个将被颠覆的行业就是影视制作。传统的电影制作是一个艰巨而昂贵的过程，往往需要数年的努力、大量的设备和资金投入。视频生成技术的出现预示着电影制作进入了一个新的「民主化时代」，从简单的文本输入中自主生成个人影视作品的梦想正在成为现实。

现在，我们用可灵生成的是 5 秒的单镜头片段，伴随着技术的不断演进，用户单次能够生成的视频时长也会增加。比如说，我们未来或许能够一次性生成更长的视频内容，保持故事场景的连贯性和观赏性。其中的运镜手法也许会更高级，比如连贯的长镜头。

图源：https://x.com/dustinhollywood/status/1800007000849629674

下面这段剪影作品再次印证了一点：AI 对艺术的理解力与审美水准，丝毫不逊于人类。

*Prompt：“A dancer’s silhouette transitions seamlessly through different dance styles, from hip-hop to ballet, in one continuous shot”*

可灵生成作品。图源：https://x.com/dustinhollywood/status/1799970059957555210

可灵背后有哪些技术？

我们无法从 OpenAI 简略的技术报告中获得足够的 Sora 研发细节，但可灵大模型官网却披露了更具参考意义的信息，主要包括从数据准备、模型架构、训练方案及优化策略几个方面。

数据准备

依托快手在视频技术领域的多年积累，可灵大模型团队已经构建了完备的标签体系，包括从视频基础质量、美学、自然度等多个维度对视频数据质量进行刻画，并针对每一个维度设计多种定制化的标签特征，以此来精细化筛选训练数据或调整训练数据的分布。

为了满足训练文生视频模型过程中成对的视频和文本描述需求，可灵大模型团队自研了视频描述模型，可以生成精确、详尽、结构化的视频描述，显著提升视频生成模型的文本指令响应能力。

模型架构

高质量的标注数据准备完毕后，可灵大模型又是如何获得模拟物理世界特性与概念组合的能力呢？

在整体架构设计上，可灵采用了目前火热的 Diffusion Transformer (DiT) 。传统的扩散模型主要利用包含下采样和上采样块的卷积 U-Net 作为去噪网络骨干。但一些研究表明，U-Net 架构对扩散模型的良好性能并非至关重要。通过采用更灵活的 Transformer 架构，扩散模型可以使用更多的训练数据和更大的模型参数。DiT 就是这个研究思路下的代表作之一。

这几个月来，业内形成一个共识，视频生成模型的成功，归根结底是 Scaling Law 的作用。这一共识正是基于 DiT 论文的发现，使用 Transformer 能稳定地扩大模型规模：随着训练计算量的增加（训练模型的时间延长或模型增大，或两者兼而有之），性能也会随之提高。

这意味着，对于视频生成模型，只要用更多的算力、更多的数据去 Scale up，生成质量还会持续提升。

可灵之所以能够将用户的文本提示转化为具体的画面，包括那些真实世界中不会出现的虚构场景，就是基于对文本 - 视频语义的深刻理解和 Diffusion Transformer 架构的强大能力。在自研架构和 Scaling Law 激发出的强大建模能力推动下，可灵能够很好地模拟真实世界的物理特性，生成符合物理规律的视频。

与此同时，基于团队自研的 3D VAE 网络，可灵大模型能够生成 1080p 分辨率的电影级视频，无论是浩瀚壮阔的宏大场景，还是细腻入微的特写镜头，都能够生动呈现。

自然场景下，光线的变化很流畅。测试者：@杉杉

当然，对于视频生成模型来说，另一个必须考虑的因素是：视频是一种具有时间维度的视觉内容，不连贯的内容会让用户的观看体验大打折扣。

为了保证画面中运动的呈现更加合理，可灵大模型采用 3D 时空联合注意力机制，更好地建模复杂时空运动，即可生成较大幅度运动的视频内容，同时能够符合运动规律。

训练及优化策略

如果你已经亲自测试过，就会发现可灵支持推理过程中同样的内容输出多种视频宽高比。这是因为可灵采用了可变分辨率的训练策略，目的是满足更丰富场景中的视频素材使用需求。

与此同时，得益于高效的训练基础设施、极致的推理优化和可扩展的基础架构，可灵大模型能够生成长达 2 分钟的视频，且帧率达到 30fps。

视频生成，不再是一场「追赶 OpenAI」的游戏

2024 年被称为视频生成技术的爆发之年，但在可灵之前，我们始终没见到 Sora 级的可用产品，而 Sora 何时开放也是未知数。

某种意义上说，可灵是第一个真正的「中国版 Sora」，并让这项技术真正进入了可用、好用、实用的阶段。

正如傅盛所说：「这可能是今天在全世界范围内，你能够使用到的最好的文生视频产品。」任何亲自试用过可灵的人，都会明白这绝不是过誉。

傅盛的视频还给到了另外一个观点：「反过来也说明，Sora 并不是一个技术性的突破，而是一个产品型的突破。」

还记得几个月前，Sora 以长达 60 秒的连贯视频、高清画面质感、连贯的镜头移动、运动方式等优点，拉高了整个视频生成赛道的技术水平，掀起了文生视频赛道的竞争浪潮。

我们本以为，视频生成领域会像去年的文本大模型一样，演化为国内对海外的技术赶超。但可灵的发布，意味着国产文生视频大模型技术的探索已经达到了一个全新的高度，而且在产品落地层面做到了实质领先。我们可能不需要再重新经历一次「追赶 OpenAI」的游戏了。

有人给出判断：中国正在人工智能领域超越美国。

可灵的诞生，或许意味着一个新时代开启了。在生成式 AI 时代，生成和编辑视频或许会像今天我们用手机 P 图一样简单，想象力与现实之间的阻隔将被彻底打破。

由于太过火爆，目前在排队测试可灵的人数已经超过了 5 万人。如果你对 AI 生成视频的玩法感兴趣，不妨先关注「可灵 AI 视频号」，收获更多优质案例。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】