全球AI 大模型持续迭代，持续看好视频等多模态发展前景今年以来，全球AI 大模型端都持续迭代升级，包括海外的Sora、Llama3等，国内的Kimi、昆仑天工AI、阶跃星辰等。4 月27 日，北京生数科技有限公司联合清华大学发布了中国首个长时长、高一致性、高动态性视频大模型Vidu。行业的发展进度有望不断催化传媒相关板块的发展，我们看好：1）AI 视频大模型依赖多样化训练数据，高质量视频素材库价值凸显；2）AI 大模型助力应用场景发展。我们推荐：昆仑万维、光线传媒、捷成股份、值得买。其他产业链标的包括华策影视、中文在线、中广天择、掌阅科技等。

Vidu：国内AI 视频生成模型新突破

Vidu 采用了团队原创的Diffusion 与Transformer 融合的架构U-ViT，能够一键生成长达16 秒、分辨率达到1080P 的高清视频内容，其拥有丰富的想象力，能够模拟真实物理世界，并具备多镜头生成、时空一致性高等特点。

核心团队来源于清华大学人工智能团队，首席科学家为清华人工智能研究院副院长朱军。公司的多模态大模型为全栈自研，能够融合文本、图像、3D、视频等多模态信息。除文生视频外，公司在文生图、3D 生成等多模态能力上均有所造诣。

Vidu 快速进化，与Sora 差距不断缩小

2024 年1 月，生数团队实现4 秒视频的生成，已可以达到Pika、Runway的效果，至3 月底实现8 秒视频生成，4 月实现16 秒视频生成，在3 个月内生成时长提升至4 倍，且据4 月27 日中关村论坛中生数领军人朱军的发言，Vidu 会以更快的速度迭代，与Sora 差距将越来越小。Vidu 生成视频的运动幅度较大。除Sora 外，目前文/图生视频较难做到让人物做出复杂动作，因此为了保证画面畸变最小，视频生成的策略为选择小幅度的运动，较难设计复杂动作，难以处理场景和人物的一致性问题。Vidu 在保证了时空一致性的前提下运动幅度较大。分辨率赶上第一梯队，但仍为固定比例尺寸。

Vidu 模型使用U-ViT 架构，多模态、效果好、成本低在U-ViT 前，Diffusion 模型中的主流主干（backbone）一直为基于CNN 的U-Net。U-ViT 是生数科技团队设计的一种简单通用的、基于ViT 的架构，使用Diffusion 生成图像，打响了扩散模型中CNN 被Transformer 取代的第一枪。模型首先对输入图像进行分割处理（分割为patch），与时间和条件一道表示为token 后通过Embedding 层，随后经过Transformer Block 后输出为token，并通过一个线性层转为图块，最后通过一个可选的3X3 卷积层输出为最终结果。此外，U-ViT 成本优势大幅领先，主要得益于ViT 架构的训练成本较低。

风险提示：竞争加剧，模型发展进度低于预期，政策监管风险等。