Loading video...

Video Failed to Load

Go Home

之前用 Seedance 2 做了个做酸菜鱼的视频, 生成到第10秒的时候,美女的手直接伸进滚烫的锅里搅拌。AI完全不知道那样会烫。 当时觉得好笑,后来越想越觉得,这不只是 bug这么简单,现在的 AI 根本还没到理解物理世界怎么运转这一层。 这半年做了太多AI视频了,每次满心欢喜等它生成,结果经常是人物动作接不上、物体空间瞬移、手还没碰到东西物体就动了,各种幻觉 bug,真的挺折磨。 最近看到黄碧薇教授 Biwei Huang 的 Aether AI 官宣融资,认真看了一下方向,感觉它解释了很多视觉 AI 里反复出现的问题。 Aether AI 做的是因果世界模型。这个词听起来很学术,但放到视频生成里其实很好理解。 今天的视频模型,Sora、即梦、Veo,已经能生成非常真实的画面。杯子掉落、水洒出来、机械臂抓取,看起来越来越像真的。但它们很多时候是在根据海量视频经验预测下一帧,类似画面后面通常会发生什么,就生成什么。 所以桌子高了 2cm,机械臂就可能失效。明明伸过去的角度看起来对,杯子却自己飞起来了。画质够了,数据也不少,但模型没有真正理解这个动作为什么会带来这个结果。 Aether AI想做的,就是让 AI 学到变量之间的底层规律,比如桌子高度变了会带来什么影响,物体受力之后会怎么运动,一个动作会导致什么后果。 这类东西学进去,模型才能在没见过的场景里稳定推演、举一反三。对视频生成、机器人、自动驾驶、3D 世界模拟都会很关键。 视觉 AI 下一阶段的方向,可能就是从生成看起来合理的画面,走向理解画面为什么会这样变化。 黄教授 Biwei Huang 做因果AI 超过 12 年,这次 Aether AI 融资,我觉得是一个值得关注的信号:因果世界模型正在从学术前沿走向产业。 想了解的可以戳一下官网看看:

73,143 views • 5 months ago •via X (Twitter)

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

说个暴论,你的审美和品味就是你的提示词,并决定了你使用AI的上限。 咱们看看这个案例, 零游戏开发经验,两周时间, 一个人,做出了一个完整可玩的3D外卖配送游戏🆒 主角是一只戴粉色头盔的卡皮巴拉, 骑着电动车在城市里穿梭接单, 订单会真实堆叠在后座,掉了就会失败, 还有完整的手机App导航和超市捡货系统, 很多人看完第一反应都是AI太厉害了,但其实并不是是AI的胜利, 本质是人类品味的胜利, 他没写几行代码, 所有的逻辑模型贴图音乐音效, 全都是AI生成的, 他只做了3件事, 1️⃣告诉AI我想要一个卡皮巴拉送外卖的游戏, 2️⃣然后在AI生成的一万个版本里, 3️⃣选出那个看起来最好玩的, 最后花两周时间一点点打磨细节, 调参数摆道具改手感, 其实这就是现在大家说的vibe coding, 让AI接管了所有的执行层, 人类只需要负责方向和品味, 以前你得学会编程建模配乐剪辑, 才能做出一个游戏, 现在你只需要知道, 什么东西是好的, 很多人说这是作弊, 但这才是真正的创意民主化呀, 一年前需要一个小团队干几个月的活, 现在一个普通人两周就能搞定, 我相信未来会有无数这样的作品冒出来,创意会比技术重要一百倍甚至更多。 这也回答了那个很多人都在问的问题, AI时代人类到底还有什么用❓ AI确实能生成一切, 但它不知道的是 什么东西看起来舒服, 什么东西玩起来爽, 什么东西能让人会心一笑, 比如那些纯AI生成的游戏为什么不好玩, 因为它们只有技术,没有灵魂, 那什么是灵魂呢? 我理解灵魂就是那个站在AI背后, 做每一个微小选择的人, 就是那个知道什么时候该停手, 什么时候该再改一下的人, 而且我觉得这只是一个开始, 今天是浏览器3D游戏, 那明天可能就是完整的App, 后天甚至是3A级别的游戏原型, 我们正在见证一个全新的创作时代, 任何人都能把自己的脑洞, 变成真正的产品, 游戏链接放在评论区了, 直接浏览器打开就能玩, 建议大家去试试, 你会真切地感受到, 那个属于普通人的创作黄金时代, 真的已经来了! #AI #游戏开发 #vibecoding

AYi

13,195 views • 6 months ago

JEV 把 AI 决策模型带火了,但如果让 AI 在现实世界里自己判断、及时提醒,会怎么样? 查了一下发现 VLX-Flow 和 VLX-Seek 这两个面向具身场景的流式视频理解与视觉定位模型! 一个能持续理解视频里正在发生什么,一个能精准定位画面中的目标, 我就在想,既然 AI 都能持续感知环境变化了,能不能让它帮我盯着宝宝,发现异常动作就及时提醒? 我家娃最近刚学会翻身,正在兴奋期,随时他都想翻一个! 但又不可能24小时看着它,就想着买一个婴儿摄像头, 可以有那种智能监护的功能,比如遮脸提醒,呛奶预警,翻身提示等等, 在网上看了一下,但凡有这种“AI智能”的,很多都卖到小一千了 感觉没有什么太高的技术门槛啊! 真就是和母婴沾上边,价格可以翻几番? 突发奇想,看能不能自己搓一个! 我找了一段录像,准备接入视觉模型来验证一下我的思路, 尝试过两三个很火的视觉模型,感觉都不太行,我的需求不是看懂一张静态图, 而是需要“流式多模态模型”,需要AI能理解一个动态的、不断变化的场景。 最后,我接入了OmAI Lab 的VLX 系列模型,找到了解法! VLX-Flow 专门针对连续视频流,可以实时交付,不断更新对画面的上下文理解。 VLX-Seek 能够在视频画面里精准定位指定对象,可以用来找东西、计数等等。 跑了一下,还真有点那感觉!! 视频一边播,画面分析、主体检测就同步开始了! 对真实场景的感知非常迅速,并且能够很快的给出结论和决策! 它精准识别到小孩的翻身和动作轨迹,有“异常位移”时,果断给出了提醒。 这就已经是一个“婴儿监护摄像头”的雏形, 剩下的睡眠监测、呛奶提醒、遮脸提醒,就更容易实现了!! 不得不说,这种视觉模型可玩性还是非常高的。 模型链接已经放到下面了,有兴趣可以玩一下!

沐阳

65,730 views • 22 days ago

66666!!!这个是我近期看过的AI生成视频最佳实践了!!!opus5.5+Art Direction+Remotion就是AI剪辑的神,我也尝试了Codex和Claude剪辑,其实效果一直不太如意,直到我看到了下面的这个视频。。。。。。我真的还是要学啊 而且这篇文章也很适合当做一个AI Video小白零基础扫盲科普文,其实我用AI做内容的时候有同感,思维真的很重要 1、视频质量差大多是因为在一开始没有想清楚自己想要做什么。于是要想清楚八件事 目标有多少个分镜,以及分镜之间的主次是什 相机的轨迹是什么,相机和实体之间的运动以及物理关系是什么 如果说有环境的话,那材质和光是什么 如果有音频的话,那么节拍和声音是什么 那AI有可能会有很多的幻觉,那禁止项又是什么 你又如何进行验收(如果说你不知道如何验收的话,那你可以让AI一点点生成,然后你把你觉得不满意的点喂给它,然后让它统一重整成一个验收标准的subskill) 2、专有名词精准描述比较重要,比如说物理实现,那形变、弹跳、拉伸,这些都是动效名词需要在日常使用中多多积累 3、这个我还是头一次知道一个AI视频的制作顺序竟然是这样的:一个比较合适的制作顺序是:音乐 / 拍点 → 定整片核心 → 分镜 → 排主次与景深 → 确定力学 / 光 / 声效果 → 风格协调 → 导出检查 4、光感真的很重要,尤其是你如果想做一个跟人像有关的动画片,那么主光、轮廓光还有补光方式其实都是有说法的,主光方向先统一,再检查高光、阴影与环境的关系,毕竟主光是不变的 5、一段真正好看的参考会省下大量精力,说的是很真实了哈哈哈,我现在很多动画或者网页都是直接给他个参考,让他对着DNA去做 opus5.5真的很多玩法啊,兄弟们真得用起来哇!!!

叫我阿杭

23,028 views • 1 month ago

生成视频已经满足不了人类的欲望了,生成世界才是未来!地球Online的虚拟世界版要来了。。。​ ​ 以前我们玩游戏都是一个固定好的世界,比如绝地求生、英雄联盟或者王者荣耀。。。但是我曾经还是畅想过在一个完全「未知」的世界升级打怪,不过从来没觉得这会变成现实,但是最近有一个词叫做「世界模型」非常火,我已经不止一次听说过它的名号。​ ​ 世界模型的定义是:一种能够学习并模拟环境状态变化的 AI 模型。 它能根据过去的观察和当前动作,预测:当前状态+动作→下一个状态。例如:汽车当前速度、道路情况、方向盘操作→汽车下一秒的位置和周围环境。​ ​ 也就是说如果置身「世界模型」之内,未来的每一刻都会根据你上一刻的行为而变化,这就很有意思了,如果大家都玩由「世界模型」支撑的游戏,那么每个人的游戏体验都会是独一无二的,这真的有可能颠覆现在的传统行业。​ ​ 之前更多停留在“听说”的阶段,但是 Alaya World 可能真的会让这个想法第一次变为现实,我在它的官网做了一个demo——选择魔法,整个世界为之变色👇。​ ​ Alaya World模型以 720p / 24 FPS 实时流式生成了可探索的世界。而且生成过程中可以自由移动来调整视角,通过提示词随时召唤魔法,并支持超过 1 分钟的稳定长时连续生成。​ ​ 但是除了“好玩”之外,「世界模型」肯定会比单纯生成视频更加烧钱,那为什么这些像Alaya Lab这种顶级实验室都在往里面疯狂砸钱。它到底能通过什么方式变现?我特意查了一下它的应用场景,不查不知道,一查吓一跳,「世界模型」真的是在下一盘大棋:​ ​ 1.帮机器人训练提效降本:在虚拟环境里模拟不同物体、房间和突发情况,让机器人反复练习抓取、行走和操作,不需要在现实中摆放物品,减少设备损坏的风险,从而降低训练成本。​ ​ 2.帮助自动驾驶测试危险场景:模拟行人突然出现、前车急刹、暴雨大雾等现实中很难主动制造的情况,让自动驾驶系统提前进行大量测试,提高安全性。​ ​ 3.帮助游戏和影视生成场景:生成可以移动和互动的虚拟空间,从而减少游戏地图、影视场景和3D内容的制作时间。​ ​ 4.帮助企业提前模拟现实决策。工厂、仓库或建筑公司可以先在虚拟环境中测试设备摆放、生产流程和人员路线,确认方案是否合理后,再在现实中实施,减少试错成本。​ ​ 所以对应的「世界模型」可以通过卖API和算力赚钱、通过软件订阅赚钱、通过企业定制赚钱,简单来说,现在AI视频模型能盈利的渠道它都有,而且甚至能够更广泛。​ ​ 我感觉我每一次赚钱都是抓住了风口,包括Youtube shorts的YPP、小红书虚拟AI产品、X AI自媒体,那下一个关于AI的机会在哪?我很看好「世界模型」,接下来我也会更加仔细研究这个赛道,希望在下一个十年不会下桌🫡​ ​ Alaya Word也已经开源: 相关技术论文感兴趣的朋友也可以去读一下(我是让AI解释的哈哈哈):

逸尘

20,391 views • 4 months ago

两个最厉害的模型联手 会有什么神奇效果呢? ChatGPT-image-2 + Seedance 2.0 帮我司拍宣传视频这件事,突然变简单了。 以后大家还想看 Misa 的真人视频么?😭😭 我今天看到特别感兴趣,试了一把 先用 ChatGPT-image-2 生成广告分镜图, 再丢给 Seedance 2.0 去生成视频。 结果是 一个人,已经越来越像一个小型广告团队。 最近小作文大赛不是也有视频赛道吗 大家可以试试用AI辅助! 下面给大家分享流程~ 1 先别急着做视频,先把广告结构搭出来 很多人一上来就直接文生视频, 但最后出来的东西往往更像炫技,不像广告 因为广告最重要的不是画面会不会动, 而是: 开头怎么抓人 中间怎么展示产品 卖点怎么推进 最后怎么收口 所以我第一步不是生成视频, 而是先把它拆成一个标准 15 秒广告结构: 钩子 产品 功能 信任 CTA 你先把导演思路想清楚, 后面的模型才有东西可执行。 2 用 ChatGPT-image-2 生成一张可拍的分镜图 这一步是关键中的关键。 我不是让它随便生成一张好看的图, 而是让它生成一张 广告 storyboard。 也就是一张图里,直接包含: 5 个镜头 时间轴 人物动作 字幕/台词 转场逻辑 品牌信息 这一步的本质,其实不是“画图”, 而是把你的广告脚本可视化。 以前这事要策划、导演、美术一起干。 现在你一个人就能先把骨架搭出来。 3 固定人物参考,让整条片子更像真人拍摄 如果每个镜头都让 AI 随机生成人物, 出来的视频会非常散。 所以我这次直接用固定参考人物,统一整套画面。 这样做的好处非常明显: 人设不会漂 镜头连续性更强 代入感更强 商业感更完整 说白了,AI 视频最怕的不是“不够真实”, 而是“看起来不属于同一个世界”。 人物一统一,质感马上就不一样了。 4 把分镜图交给 Seedance 2.0,让它把静态脚本变成动态广告 当分镜图已经把逻辑搭好以后, Seedance 2.0 的工作就不是“自由发挥”, 而是把这套脚本执行出来。 它负责补足的是: 动作 微表情 运镜感 镜头衔接 视频节奏 这也是为什么我越来越觉得: 比起直接文生视频,先做分镜图再做视频,会稳得多。 因为前者是在赌博, 后者是在导演。 5 最后不断改字幕、卖点和镜头,形成素材流水线 我觉得最有价值的,不是做出这一条。 而是这个流程一旦跑通, 你就不再是在“做视频”, 你是在搭一个 素材生产系统。 同一个产品,你可以快速改出: 不同开头 不同卖点顺序 不同字幕表达 不同人物风格 不同口号收尾 这意味着广告素材终于可以像产品一样被快速迭代了。 以前做一条片子像开项目。 以后做一条片子,可能更像改 prompt。 AI 并不是在替代视频团队的一两个岗位。 它是在把“整条广告生产链路”压缩到一个人手里。 所以问题可能真的来了: 以后大家还要看 Misa 的真人视频么?😭 #AI #Ai视频 #教程

Misa_OKX💚

66,832 views • 6 months ago

被 Astra 震撼后的一个顿悟 —— 要给自己配置无限额度的最强算力 下午 Tibo 重置之后,我又满血复活了,然后重新跑了一个工作任务,做培训资料。 在这之前,因为额度不够,我先用 DeepSeek 4.1 做了一些信息抓取,也跑了一版培训资料。结果怎么说呢,生成出来的东西基本就是一坨,完全不具备可用性,还花了很多时间,烧了大几百万、甚至上千万 token。 这过程中我还顺手研究了一下 CC Switch 和 Open Code X,真挺有意思的。 CC Switch 我感觉做得非常棒,比较轻量,Open Code X 也有一些可取之处。这两个东西如果以后有人能融合一下,我觉得会很有意思。 话说回来。 Tibo 重置之后,我把同一个任务重新交给 Astra 跑了一遍。 结果出来的时候,我直接傻了。 它把我原来文件夹里的资料重新抓了一遍,又结合自己检索到的一些信息,最后整合成了一份可以直接拿来做培训的资料。 最让我惊讶的是,它还帮我配了对应的图片和演示视频。 而我的资料文件夹里,其实相关视频并不少。但它最后挑出来两个,刚刚好就是在我看来最有代表性、也最能说明这个功能的两个。 这个感觉就很夸张。如果只是抓资料、做总结,那还是效率工具。 但它能从一堆素材里面,挑出最适合放在这里的内容,那一瞬间我真的感觉: 它理解了这个东西。 不是简单的检索,也不是信息拼接。 它知道这个培训资料想讲什么,也知道什么东西最适合拿来说明。 有那么一瞬间,让我感觉 AGI 了。 然后我脑子里面冒出来一个非常现实的想法: 我还招什么人? 至少资料检索、竞品研究、培训资料整理、信息汇总这一类工作,我招一个实习生,真没有一个 200 刀的 Pro 账户有用。 而且还便宜高效得多。 我现在只恨一件事: 当初为什么没有多囤几个 200 刀的 Pro… 下一个目标,就是等重新开放之后,给自己配置无限额度的 Pro 账户。 另外下午还跑了一个鹈鹕测试。我不懂背后的运动学细节,但成片的协调、平衡和 taste 已经很惊艳。 9分钟就跑出了这样的效果,很高级 视频放在下面,大家可以自己感受。 “今天,骑得开心”

Robinson · 鲁棒逊

40,281 views • 2 months ago