首頁 > 科技要聞 > 科技> 正文

“中國版Sora”再落一子，火山引擎如何贏戰(zhàn)中國AI大模型下半場？

鈦媒體 整合編輯：太平洋科技 發(fā)布于：2024-09-26 17:08

AI視頻模型賽道近期已成為生成式AI領(lǐng)域新風(fēng)口，最新發(fā)布的是“字節(jié)版Sora”。

9月24日，預(yù)告已久的2024火山引擎AI創(chuàng)新巡展深圳站上，字節(jié)跳動首款A(yù)I視頻模型——豆包·視頻生成模型正式登場。

豆包·視頻生成模型基于全新DiT擴散模型架構(gòu)，能夠精準(zhǔn)理解復(fù)雜prompt（提示詞），實現(xiàn)多個主體運動的復(fù)雜交互，保持多鏡頭切換內(nèi)容的一致性，且具備高保真高美感的影視級生成水準(zhǔn)，從而用于電商營銷、城市文旅、動畫教育、微短劇等多個場景中。

那么，不僅“紙上談兵”，而且還要“真練”，那么我們下面看看“字節(jié)版Sora”效果如何。

首先是一段“童話王國”視頻，花團錦簇在小房子周圍，門窗和燈光清晰可見，橋上和房子背后的動物動作栩栩如生。

第二段是羊群奔跑的狀態(tài)，腿部和奔跑狀態(tài)都如同真實場景一般，后面的黑羊穿過烏云跑向前方。

最后一組是呈現(xiàn)多尺寸高清視頻，以及展現(xiàn)AI生成“口紅”廣告的品牌營銷，基于豆包·視頻生成模型，鮮紅色的口紅能讓更多人有了下單購買的欲望。

而且，豆包大模型時隔不到半年還實現(xiàn)6款模型發(fā)布和能力升級，包括：豆包·視頻生成模型、豆包·同聲傳譯模型、豆包·音樂模型；以及升級的豆包通用模型pro、豆包·語音合成模型、豆包·文生圖模型。

很顯然，火山引擎正加速豆包大模型產(chǎn)品和方案落地。

實際上，當(dāng)下大模型技術(shù)快速迭代，技術(shù)可用性大幅提升，已具備文本、語音、視覺的多種模態(tài)能力，并開始完成復(fù)雜指令。因此，生成式AI技術(shù)競賽已進入“下半場”，不僅要有能力，而且商業(yè)化也成為各家AI公司的“必爭之地”。

《生成式AI商業(yè)落地白皮書》顯示，當(dāng)前有53%的中國企業(yè)已開始有組織地進行生成式AI布局。這意味著，很多中國企業(yè)已意識到生成式AI技術(shù)對于自身發(fā)展的重要性，并將在其中投入資源和精力。

一個公開數(shù)據(jù)可以例證：今年上半年，國內(nèi)AI相關(guān)招投標(biāo)市場招標(biāo)總額已超過2023年全年規(guī)模，用于教育、醫(yī)療、交通等多個領(lǐng)域的數(shù)百個場景。

作為中國領(lǐng)先的云和智能解決方案企業(yè)，火山引擎最新數(shù)據(jù)顯示，截至今年9月，豆包大模型的日均Tokens使用量已經(jīng)超過1.3萬億，4個月時間里Tokens整體增長超過10倍；同時，C端下載量超過1億次，擁有超過3000萬月活，經(jīng)過字節(jié)跳動內(nèi)部50+真實業(yè)務(wù)場景實踐驗證，30+行業(yè)外部企業(yè)深度共創(chuàng)。

“（今年）下半年是整個AI應(yīng)用的元年�！被鹕揭婵偛米T待表示，作為國內(nèi)第一個把模型成本做到每千token低于一厘錢的企業(yè)，火山引擎的豆包大模型推動大量的創(chuàng)新應(yīng)用隨之不斷涌現(xiàn)，模型調(diào)用量突飛猛進，大家共同努力讓應(yīng)用的生態(tài)更加繁榮。

如果說2023年還是“百模大戰(zhàn)”，大家卷技術(shù)、卷能力。而到了今年，以火山引擎為代表的“中國OpenAI”們，不僅在大模型層面要有強大“能力”，同時也需要實現(xiàn)對客戶的快速交付及商業(yè)落地，證明著生成式AI技術(shù)能夠?qū)ζ髽I(yè)產(chǎn)生更大的業(yè)務(wù)價值、產(chǎn)業(yè)價值。

三大豆包垂直模型首發(fā)

主力模型綜合提升超25%

2024年，全球生成式AI技術(shù)持續(xù)“狂飆”。

Crunchbase數(shù)據(jù)顯示，2024年上半年，全球AI風(fēng)投總投資規(guī)模達330億美元，比2023年同期增長177%。預(yù)計今年全年，全球AI投資規(guī)模將有望達到650億美元，在這其中，被投企業(yè)主要來自AI基礎(chǔ)設(shè)施和AI應(yīng)用領(lǐng)域。

年初至今，OpenAI發(fā)布的三款A(yù)I大模型產(chǎn)品，包括2月的AI視頻模型Sora、5月的實時通話模型GPT-4o、9月的推理最強模型o1-preview和o1-mini持續(xù)引發(fā)關(guān)注。

回到國內(nèi)，“百模大戰(zhàn)”正轉(zhuǎn)向百款A(yù)I應(yīng)用和場景模型，并呈現(xiàn)新一輪“百家爭鳴”競爭態(tài)勢。字節(jié)跳動、阿里、騰訊、百度、螞蟻、智譜AI等企業(yè)紛紛發(fā)力，文小言、支小寶、秘塔AI搜索等多款A(yù)I智能體（Agent）應(yīng)用不斷落地。

截至目前，作為國內(nèi)使用量最大、應(yīng)用場景最豐富的大模型服務(wù)商之一，火山引擎已經(jīng)公布超過10款A(yù)I模型。同時，智源研究院旗下FlagEval大模型評測平臺此前發(fā)布的榜單顯示，在閉源大模型的“客觀評測”中，豆包大模型以綜合評分75.96分排名國產(chǎn)大模型第一。

如今，火山引擎再度發(fā)力。9月24日，火山引擎AI創(chuàng)新巡展深圳站上共發(fā)布和升級6款大模型產(chǎn)品：

3款全新發(fā)布：豆包·視頻生成模型、豆包·同聲傳譯模型、豆包·音樂模型；

3款模型能力重磅升級：豆包通用模型pro、豆包·語音合成模型、豆包·文生圖模型。

首先是非常受關(guān)注的豆包·視頻生成模型，堪稱“字節(jié)版Sora”。

全新豆包·視頻生成模型基于DiT架構(gòu)，通過自研的高壓縮比、高還原性視頻隱狀態(tài)編碼和解碼模型，強力保證了擴散模型在隱狀態(tài)空間的高效編碼與運轉(zhuǎn)。而豆包·視頻生成模型基于深度優(yōu)化的Transformer結(jié)構(gòu)，從而大幅提升視頻生成的泛化能力。

事實上，文生視頻作為新的AI視頻制作工具，當(dāng)前主要解決4個方面的問題：提高效率、降低成本、創(chuàng)意實現(xiàn)、版權(quán)合規(guī)。

全新豆包·視頻生成模型具備諸多卓越特性：精準(zhǔn)的語義理解能力可處理高難度 prompt（提示詞），達成時序性多拍動作與多主體復(fù)雜交互；切鏡方面，全新的擴散模型訓(xùn)練方法攻克了多鏡頭切換一致性難題，10秒就能講述一個起承轉(zhuǎn)合的故事且各鏡頭主體、風(fēng)格等保持一致，支持一致性多鏡頭生成；借助高效的DiT融合計算單元，它能呈現(xiàn)強大的動態(tài)與豐富的運鏡效果，其影視級的生成水準(zhǔn)，細節(jié)逼真、美感十足，還支持多種風(fēng)格和比例，能快速生成優(yōu)質(zhì)的視頻片段，賦能電商影視創(chuàng)作、廣告?zhèn)髅�、短視頻等多個場景。

例如，電商營銷行業(yè)，文生視頻可以把商品變成3D動態(tài)多角度展示視頻，匹配適合的營銷背景素材（中秋、春節(jié)、七夕等）并生成不同尺寸快速上架；動畫教育行業(yè)，文生視頻可以降低動畫的制作成本，低門檻的實現(xiàn)童話故事的想象情景等超現(xiàn)實畫面。

這是一段香水廣告，透過豆包·視頻生成模型，可以展現(xiàn)水流淌到香水周圍的畫面，凸顯香水的高貴與典雅。

其次是直接對標(biāo)Suno的豆包·音樂模型——你的專屬“音樂創(chuàng)作大師”。

該音樂模型可以通過“海綿音樂”進行體驗，用戶只需通過簡單的描述或上傳一張圖片，就能輕松生成一首包含旋律、歌詞和演唱的1分鐘高品質(zhì)音樂作品，并支持民謠、流行、搖滾等10余種不同的風(fēng)格和情緒的隨心選，極大地簡化了音樂的創(chuàng)作過程，可應(yīng)用于音樂創(chuàng)作、音樂教育、娛樂產(chǎn)業(yè)、廣告營銷等應(yīng)用場景。目前，豆包·音樂模型已經(jīng)上線“海綿音樂”App和網(wǎng)頁平臺，而且也可以在“豆包”產(chǎn)品內(nèi)進行體驗。

下圖是我們利用一段情感類文字，幾秒鐘就生成了1分鐘左右的高品質(zhì)音樂，你可以聽一下效果。

再次是全新的豆包·同聲傳譯模型。

該模型基于端到端同聲傳譯智能體CLASI，效果已接近專業(yè)人工水平的同聲傳譯。依托于豆包基座大模型和豆包大模型語音組的語音理解能力，具備實時翻譯、超低延時、自然高質(zhì)量、音色克隆等特點。同時，在辦公、法律、教育等場景中，豆包·同聲傳譯模型顯著超過了其他所有競品，并且在兩個語向上均達到78%以上的準(zhǔn)確性，接近甚至超越人類同傳水平，并具備了從外部獲取知識的能力，形成媲美人類水平的同聲傳譯系統(tǒng)。

最后是豆包通用模型pro、豆包·語音合成模型、豆包·文生圖模型實現(xiàn)能力升級。

其中，作為豆包主力模型，此次豆包通用模型Pro的最新模型在數(shù)學(xué)能力、專業(yè)知識方面有超過35%的提升，綜合能力超過25%的提升，其他包括指令遵循、代碼等能力也在持續(xù)提升，能夠面對復(fù)雜的企業(yè)生產(chǎn)場景。同時，Pro具有長文本能力，上下文窗口長度翻至兩倍，達到256K，約40萬漢字。

同時，豆包·文生圖模型全面升級到2.0，采用更高效的DiT架構(gòu)，能顯著提升模型的推理效率和整體性能，在復(fù)雜圖文匹配、極速模型出圖、中國文化理解都有提升�；诟咝iT構(gòu)架，同等參數(shù)下推理消耗是flux的67%，模型最快做到3秒出圖同時，在內(nèi)部Elo數(shù)十萬輪評測第一名。據(jù)披露，自豆包文生圖模型在豆包App上線以來，人均下載圖片數(shù)量提升1倍，下載用戶人數(shù)提升45%。

比如，這張戴著棒球帽、墨鏡并喝著咖啡的卡通風(fēng)格插圖。

基于全新豆包·文生圖模型，可以實現(xiàn)復(fù)雜圖文匹配，精確呈現(xiàn)真實世界與想象世界的復(fù)雜場景，包括更符合物理世界規(guī)律現(xiàn)實場景，升級多數(shù)量、多屬性、大小、高矮、胖瘦和運動6類圖文生成難點的精準(zhǔn)匹配，并更好實現(xiàn)對中國古代繪畫藝術(shù)的理解和呈現(xiàn)。

此外，豆包·語音合成模型能力也全面升級，一句話聲音復(fù)刻后就能混音創(chuàng)作，支持超強混音功能，打破語音合成的音色數(shù)量限制，并能夠精準(zhǔn)捕捉不同聲音的韻律、音色、表達方式、語氣語調(diào)等特色，而且可以將數(shù)百種精品音色自由組合，無限D(zhuǎn)IY不同音色、情感、性別、年齡和風(fēng)格的聲音，創(chuàng)造出極具戲劇張力的語音效果，在連貫性、音質(zhì)、韻律、氣口等各方面表現(xiàn)堪比真人。

總結(jié)來看，截至目前，從文字到語音合成，從文生圖到視頻生成，豆包大模型都已全部覆蓋，不僅擁有更強模型能力，而且有更低價格、更易落地等特點，利用AI和云幫助企業(yè)和客戶能夠解決一系列實際問題。

譚待表示，任何數(shù)字化底座一定是云，包括現(xiàn)在AI也是數(shù)字化的一部分，基于AI的云設(shè)施可以給客戶傳遞更大價值。企業(yè)要做好大模型落地，面臨模型效果不好、成本太貴、落地太難三大關(guān)鍵挑戰(zhàn)，因此，火山引擎既要有好的基礎(chǔ)大模型做支撐，解決復(fù)雜難題，也要有低成本的推理服務(wù)讓大模型被廣泛應(yīng)用，還要更多工具、平臺和應(yīng)用幫助企業(yè)做好場景落地。

加速商業(yè)落地

共創(chuàng)關(guān)鍵場景應(yīng)用

今年上半年，AI大模型“價格戰(zhàn)”又引爆了行業(yè)競爭。

截至目前，在各家大模型最強版本價格對比中豆包大模型比行業(yè)價格低98%以上。

以豆包為核心的國內(nèi)AI大模型將價格逼近“厘時代”。而這種極低的成本，使得大模型商業(yè)化應(yīng)用變得更加可行，不僅對大型企業(yè)有利，而且為中小企業(yè)提供了前所未有的機會。

從“參數(shù)戰(zhàn)”到“價格戰(zhàn)”，AI大模型領(lǐng)域正由技術(shù)之爭，轉(zhuǎn)變?yōu)樯虡I(yè)之爭。這不僅是成本與市場的博弈，也更加考驗企業(yè)的創(chuàng)新能力、應(yīng)用能力、運營和商業(yè)化能力。公開調(diào)研數(shù)據(jù)顯示，有37%的受訪企業(yè)認為，基于生成式AI技術(shù)可以給項目帶來超過10%的成本縮減。

對于中國超過5200萬中小微企業(yè)來說，盡快落地生成式AI技術(shù)至關(guān)重要。當(dāng)前AI時代，企業(yè)面臨諸多挑戰(zhàn)，降本增效是生存關(guān)鍵，且需數(shù)字化、智能化轉(zhuǎn)型升級，不斷創(chuàng)新，以免錯失機遇。在科技快速發(fā)展的今天，未及時跟進的企業(yè)可能會在未來競爭中處劣勢。

作為國內(nèi)云與智能服務(wù)商，基于豆包大模型更強模型、更易落地、更低價格特點，火山引擎已經(jīng)宣布與30+行業(yè)外部企業(yè)深度共創(chuàng)豆包大模型商業(yè)落地，全面助力零售、游戲、汽車、教育、醫(yī)療、企業(yè)服務(wù)等領(lǐng)域，助力客戶提速增效。

以企業(yè)物流領(lǐng)域龍頭G7易流為例。

當(dāng)前隨著直播電商和外賣物流需求快速增長，國內(nèi)快遞包裹數(shù)量高達1150億件以上，因此，物流領(lǐng)域面臨預(yù)訂單和訂單的管理問題。然而，不同系統(tǒng)、平臺和通信渠道（如微信群）中的訂單單據(jù)格式千差萬別，這給物流行業(yè)的錄單工作帶來了極大的挑戰(zhàn)。傳統(tǒng)的人工錄單方式需要將原始的、非結(jié)構(gòu)化的信息轉(zhuǎn)化為格式化數(shù)據(jù)，這一過程不僅工作量大、效率低下，而且容易出錯。

因此，G7易流利用豆包大模型的強大語言理解和文字抽取能力，聯(lián)合豆包大模型打造“智能接單”機器人，可迅速從微信群中提取關(guān)鍵信息如客戶名稱、貨物詳情、發(fā)車時間等，并將其轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)直接導(dǎo)入業(yè)務(wù)系統(tǒng)，進一步顯著提高接單的效率和準(zhǔn)確性，使錄單工作變得異常便利。

其中，處理能力層面，大模型簡化了G7易流平臺數(shù)據(jù)處理流程，大幅縮短接單時間，產(chǎn)品日均處理量穩(wěn)定在300-400單之間，接單時間從原2小時減至30分鐘以內(nèi)，效率提升高達75%，提升了整體業(yè)務(wù)效率。而且，通過精確的數(shù)據(jù)處理，顯著提高訂單的準(zhǔn)確性，進而提升客戶滿意度。

2024 ITValue Summit數(shù)字價值年會上，G7易流創(chuàng)始人、首席執(zhí)行官翟學(xué)魂提到，“如果我們能夠在窘迫的產(chǎn)業(yè)中，發(fā)現(xiàn)可以改變產(chǎn)業(yè)結(jié)構(gòu)的稀缺的數(shù)據(jù)，并讓這些數(shù)據(jù)形成閉環(huán)，產(chǎn)生飛輪效應(yīng)，我們就有可能獲得‘一線生機’�！�

G7易流首席科學(xué)家王守崑則認為，事實證明，結(jié)合大模型技術(shù)，確實能夠提升我們平臺的接單效率。G7易流和火山引擎是一次成功的嘗試，也是技術(shù)與物流行業(yè)的創(chuàng)新結(jié)合，我們對未來更多更深入的合作充滿期待。

除了物流行業(yè)，客服、銷售這一領(lǐng)域也是大模型能夠快速落地以及產(chǎn)生價值的重要場景。

專注智能客服10余年的曉多科技選擇與火山引擎合作，基于豆包大模型，曉多科技全面升級智能客服能力。結(jié)果顯示，在火山引擎提供的豆包大模型幫助下，曉多科技的“AI訓(xùn)練場”場景獲得了更高的并發(fā)保障，同時成本也優(yōu)化了50倍以上，實現(xiàn)了效率成本雙提升。通過使用豆包大模型能力強化的“AI訓(xùn)練場”，曉多科技不僅將客服培訓(xùn)周期縮短了50%以上，還通過更多元化的顧客模擬，訓(xùn)練出能力超越常規(guī)培訓(xùn)的客服團隊，推動銷售轉(zhuǎn)化率上升了3%-5%。

很顯然，豆包大模型以創(chuàng)新技術(shù)驅(qū)動的極致性價比，助力G7易流、曉多科技在業(yè)務(wù)當(dāng)中提質(zhì)增效，實現(xiàn)了效率成本雙升級，從而為火山引擎在物流、智能客服、零售等行業(yè)性整體落地和開拓商業(yè)模式打下了堅實的基礎(chǔ)。

譚待強調(diào)，火山引擎的定位是云和AI服務(wù)提供商，在大模型的時代，他們的主要目標(biāo)是幫助企業(yè)降低成本、提高效率，并且促進企業(yè)的創(chuàng)新。在生成式AI的時代，找到產(chǎn)品市場匹配度（PMF）是至關(guān)重要的。這需要廠商不僅要對技術(shù)有深入的了解，還要對業(yè)務(wù)有透徹的認識，這樣才能確保技術(shù)能夠真正落地并發(fā)揮作用，進而構(gòu)建起火山引擎的AI生態(tài)系統(tǒng)。

大模型落地非一蹴而就

火山引擎與產(chǎn)業(yè)共創(chuàng)新AI時代

中國以大模型為核心的生成式AI競爭已進入“下半場”，商業(yè)落地成為關(guān)鍵，尤其AI已逐步給企業(yè)帶來直接的成本節(jié)約或效率提升。可以預(yù)見，“價格戰(zhàn)”的下半場將是“商業(yè)戰(zhàn)”、“生態(tài)戰(zhàn)”。

不過，當(dāng)前OpenAI的商業(yè)化之路不如預(yù)期，導(dǎo)致市場對AI產(chǎn)生了更多的質(zhì)疑。

據(jù)報道，2023年OpenAI年收入達到34億美元左右，但包括租用微軟服務(wù)器（40億美元）、招聘大量頂尖人才（15 億美元）在內(nèi)，OpenAI運營成本卻可能高達85億美元，即OpenAI每年或虧損高達50億美元。而如其他商湯、云從在內(nèi)的AI軟件公司，也依然面臨持續(xù)虧損、盈利能力較弱等風(fēng)險。

而相對于OpenAI面臨的商業(yè)挑戰(zhàn)，火山引擎依托字節(jié)跳動強大的算法、算力、數(shù)據(jù)和商業(yè)化經(jīng)驗?zāi)芰�，在豆包大模型層面擁有更清晰的研發(fā)路徑、商業(yè)化路徑，基于豐富的端到端、垂類、場景化豆包大模型，火山方舟等一系列解決方案，火山引擎將技術(shù)能力優(yōu)勢和行業(yè)落地相結(jié)合，不僅發(fā)力B端市場，而且在C端市場上也有更多的商業(yè)想象空間，持續(xù)釋放其價值潛力，正成為各行各業(yè)落地實踐的更優(yōu)選。

未來，生成式AI將開啟一個新的黃金時代，擁有巨大的市場潛力。

據(jù)研究機構(gòu)IDC預(yù)測，到2030年，AI將為全球經(jīng)濟貢獻19.9萬億美元，推動2030年全球GDP增長3.5%。這意味著，AI是全球經(jīng)濟增長的新引擎。

當(dāng)前，圍繞AI能力的新應(yīng)用和服務(wù)將不斷涌現(xiàn)，在各個行業(yè)掀起智能化變革的浪潮。從金融、醫(yī)療、教育到制造、交通、能源等領(lǐng)域，AI技術(shù)都將找到廣闊的應(yīng)用空間，為傳統(tǒng)行業(yè)注入新的活力。

面對新一輪生成式AI革命，企業(yè)需要以開放、創(chuàng)新的心態(tài)擁抱變革。而從文生圖的DiT架構(gòu)升級，到語音模型的“All-in-One”，火山引擎將持續(xù)提供強大AI模型、云計算等技術(shù)優(yōu)勢和能力，有志于“用科技改變世界”，以更強模型、更低價格、更易落地方式助力企業(yè)成長，推動各行各業(yè)在AI變革中抓住先機，重塑現(xiàn)有的行業(yè)格局和價值鏈。

當(dāng)AI技術(shù)變得無處不在、無所不能時，它將像互聯(lián)網(wǎng)一樣，深度融入商業(yè)和社會的方方面面，就像今天的互聯(lián)網(wǎng)一樣滲透到每個角落，成為支撐一切活動的基礎(chǔ)設(shè)施，推動中國經(jīng)濟持續(xù)產(chǎn)生新動能。

本文來源：鈦媒體

網(wǎng)友評論

聚超值•精選

推薦 手機 筆記本 影像 硬件 家居 商用 企業(yè) 出行 未來
    • 二維碼 回到頂部