被高估的Pika，被低估的多模态AI

原文来源：甲子光年

作者｜苏霍伊

编辑｜王博

图片来源：由无界 AI生成

多模态 AI 正处于爆发前夜。

从 GPT-4V 的“惊艳亮相”，到 AI 视频生成工具 Pika 1.0 的“火爆出圈”，再到谷歌 Gemini 的“全面领先”，多模态 AI 都是其中的关键词。

尽管 Pika 1.0 的宣传视频被一些用户认为是“炒作”，亦或谷歌承认 Gemini 的演示视频“经过剪辑”，但不能否认，它们丰富了人们对多模态 AI 的想象力。

“之前很多公司都在卷文本大模型，GPT-4V 的出现代表多模态大模型可落地，毫无疑问明年大家都会卷多模态 AI ，原因很简单，因为 OpenAI 说明这条路是能够走得通。”微博新技术研发负责人、AI 首席科学家张俊林说。

在行业主语为“落地”的当下，多模态 AI 正走向场景化、实用化、商业化。例如，在医疗领域可以通过结合图像、录音和病历文本，提供更准确的诊断和治疗方案；在交通领域，结合图像和传感器数据，带来更智能、更安全的自动驾驶体验；在教育领域，将文本、声音、视频相结合，呈现更具互动性的教育内容。

但是业界一直在提多模态的概念，远没有近期几个现象级产品的演示那么直观：多模态不仅可以为 AI 应用带来更多可能性，还是实现通用人工智能的重要路径。

1.Pika：实力还是炒作？

最近的 AI 圈的饭局上，大家聊到多模态 AI ，往往都会提到一家硅谷的初创公司—— Pika Labs。

公司初创团队只有 4 个人，创始人兼 CEO 郭文景有“女学霸”“斯坦福退学创业”“上市公司创始人女儿”等个人标签； Pika 三轮融资已筹款 5500 万美元，估值在 2-3 亿美元之间；投资者包括 Quora 创始人兼CEO Adam D’angelo 、 OpenAI 科学家 Andrej Karpathy、Hugging Face 联合创始人兼CEO Clem Delangue、YC 合伙人 Daniel Gross 等人。

这些都加起来，可以说 Pika 的爆火是在发展过程中，讲了一个技术、商业、资本、用户都感兴趣的故事，而且赶上了一个好的时机。

“今年 6 月份之后， AI 生成图片的投资变得比较保守，很多投资人会更关注 AI 生成视频。”从事 AI 生成视频研究的浦林（化名）告诉「甲子光年」，自有 AIGC 概念开始，无论是 AI 生成图片还是 AI 生成视频都很热，但是基于技术的发展程度，业内预计今年年底，AI 生成视频会有一个不错的 demo 出现。“这个 demo 足够吸引很多的流量，甚至出圈，有这样的信心，那投资的逻辑就能走下去了。可以说， Pika 占到一个很好的时间点。”

Pika 1.0 推出的当天，科技圈大佬们纷纷为其站台。

自然语言处理领域著名学者 Christopher Manning 称赞 Pika 的两位创始人郭文景和孟晨琳推动了高质量视频的快速发展；OpenAI 科学家 Andrej Karpathy 在社交平台上转发了 Pika 1.0 的演示内容并表示：“每个人都能成为多模态梦想的导演，就像《盗梦空间》中的建筑师一样。”

Pika 1.0 火爆出圈，离不开一段官方宣传视频。视频中，用户只要输入“马斯克穿着太空服，3D 动画”，就生成了下面这段视频。

Pika 1.0 官方宣传视频中其它演示也可以用“惊艳”来形容，视频发布后，已经有媒体迫不及待地称“AI 生成视频的 ChatGPT 时刻即将达来”。

但是，Pika 真的如宣传视频上所展现的那么“惊艳”吗？

今年 7 月，Pika Labs 就在 Discord 推出服务器，短短几个月时间内收获了 50 万用户。不过，想使用最新的 Pika 1.0 ，在官网可能还需一段时间的排队。但在 Discord 上，许多用户已经晒出了测试视频。

目前，Pika 1.0 还只能生成 3 秒展示视频。在社群中，用户 A 输入提示词： A dragon fly in sky（一条龙在天上飞）。这个表达是比较清晰明确的，但输出的视频结果却和龙毫不相关，更像一个克苏鲁生物。

而用户 B 输入了更为细致的提示词：female priest - dnd character - in battle pose - character select default animation - camera zoom in - motion 1（女性牧师 - 龙与地下城角色 - 战斗姿势 - 角色选择默认动画 - 摄像头放大 - 动作1）。

这次 Pika 1.0 输出的视频结果大体相符要求，但细节依然有明显缺陷，角色的手部构图“惨不忍睹”。不过，“AI 不会数数”是存在已久的问题，并非 Pika 独有的“瑕疵”。

但也不乏效果惊艳的案例，比如用户 C 提供了图片并输入提示词：stranded medieval ship, violent sea, rain, clifs, slow motion, -motion 2 -gs22 -camera pan right Image: 1 Attachment（搁浅的中世纪船只、汹涌的海浪、雨水、悬崖、慢动作、动作2 、gs22 -摄像机向右平移、图像：附件1），生成的视频效果较为精美。

AI 教育者 Chase Lean 在试用了 Pika 1.0 后难掩激动之情，他在社交媒体上直言这是他“使用过的最好的 AI 视频生成器”。

浦林一直在关注 Pika 及相关产品，从 demo 和实际使用感受来说，Pika 1.0 已经属于“行业领先水平”。