Үндсэн агуулга руу алгасах
OpenAI

Энэ хуудсан дээрх бүх видеог Sora ямар ч засваргүйгээр шууд үүсгэсэн.

Ачаалж байна…

Бид AI-д хөдөлгөөн дэх физик ертөнцийг ойлгож, симуляцлахыг зааж байгаа бөгөөд зорилго нь бодит ертөнцтэй харилцах шаардлагатай асуудлыг шийдэхэд хүмүүст туслах загваруудыг сургах явдал юм.

Манай текстээс видео үүсгэдэг загвар Sora-г танилцуулж байна. Sora нь дүрслэлийн чанар болон хэрэглэгчийн өгөгдөлд нийцтэй байдлыг хадгалсаар нэг минут хүртэлх урттай видео үүсгэж чадна.

Өнөөдөр Sora нь хор хөнөөл, эрсдэлийн чухал чиглэлүүдийг үнэлэхийн тулд red team-ийн шинжээчдэд ашиглах боломжтой болж байна. Мөн загварыг бүтээлч мэргэжилтнүүдэд хамгийн хэрэгтэй байдлаар хэрхэн ахиулах талаар санал авахын тулд хэд хэдэн дүрслэх уран бүтээлч, дизайнер, кино бүтээгчдэд хандалт олгож байна.

Бид судалгааны ахиц дэвшлээ эрт хуваалцаж, OpenAI-ээс гаднах хүмүүстэй хамтран ажиллаж, санал хүсэлт авахын зэрэгцээ AI-ийн ойрын ирээдүйд гарч ирэх боломжуудын талаар олон нийтэд төсөөлөл өгөхийг зорьж байна.

Sora нь олон дүртэй, тодорхой хөдөлгөөний төрлүүдтэй, сэдэв болон арын дэлгэрэнгүйг үнэн зөв агуулсан нарийн төвөгтэй үзэгдлүүдийг үүсгэж чадна. Загвар нь хэрэглэгч өгөгдөлдөө юу хүссэнийг ойлгохоос гадна тэдгээр зүйлс бодит физик ертөнцөд хэрхэн оршдгийг мөн ойлгодог.

Загвар нь хэлийг гүнзгий ойлгодог тул өгөгдлийг зөв тайлбарлаж, хүчтэй сэтгэл хөдлөл илэрхийлэх анхаарал татам дүрүүдийг бүтээж чадна. Sora мөн нэг үүсгэсэн видеон дотор олон кадр/шот үүсгэж, дүрүүд болон дүрслэлийн хэв маягийг тогтвортой хадгалж чадна.

Одоогийн загварт сайжруулах орон зай байсаар байна. Энэ нь нарийн төвөгтэй үзэгдлийн физикийг симуляцлахад хүндрэлтэй байж болох бөгөөд шалтгаан-үр дагаврын тодорхой тохиолдлуудыг ойлгохгүй байж магадгүй (жишээ нь: дүр cookie-ээс хазахад мөр гарч ирэхгүй байж болно). Мөн өгөгдөлд орсон орон зайн нарийн мэдээллийг, жишээлбэл зүүн барууныг ялгахыг андуурч болохоос гадна цаг хугацааны явцад өрнөх үйл явдлын нарийн тайлбар, тухайлбал камерын тодорхой траекторийг дүрслэхэд бэрхшээлтэй байж болно.

Аюулгүй байдал

Бид Sora-г OpenAI-ийн бүтээгдэхүүнүүдэд нэвтрүүлэхээс өмнө аюулгүй байдлын хэд хэдэн чухал алхам хийнэ. Бид ташаа мэдээлэл, үзэн ядалт агуулсан контент, гажуудал зэрэг чиглэлийн мэргэжилтэн red team-үүдтэй хамтран загварыг сөргөлдөөнт байдлаар туршиж байна.

Мөн Sora-аар видео үүсгэсэн эсэхийг ялгаж чаддаг илрүүлэх ангилагч зэрэг төөрөгдүүлэм агуулгыг илрүүлэхэд туслах хэрэгслүүдийг бид бүтээж байна. Хэрэв загварыг OpenAI-ийн бүтээгдэхүүнд нэвтрүүлбэл ирээдүйд C2PA metadata(шинэ цонхонд нээгдэнэ)-г оруулахаар төлөвлөж байна.

Нэвтрүүлэлтэд бэлдэх шинэ арга техник боловсруулахын зэрэгцээ DALL·E 3 ашигладаг бүтээгдэхүүнүүддээ зориулан бидний бүтээсэн, Sora-д ч мөн хэрэглэж болох одоо байгаа аюулгүй байдлын аргууд(шинэ цонхонд нээгдэнэ)-ыг ашиглаж байна.

Жишээлбэл, OpenAI-ийн бүтээгдэхүүнд орсны дараа манай текст ангилагч нь хэт хүчирхийлэл, бэлгийн агуулга, үзэн ядалттай дүрслэл, алдартны төрх, эсвэл бусдын оюуны өмч хүссэн зэрэг хэрэглээний бодлогыг зөрчсөн текстэн өгөгдлүүдийг шалгаж, татгалзана. Мөн хэрэглэгчид харуулахаас өмнө хэрэглээний бодлогод нийцэж буй эсэхийг баталгаажуулахад туслахын тулд үүсгэсэн видео бүрийн кадруудыг хянах бат бөх зураг ангилагчдыг бид хөгжүүлсэн.

Бид энэ шинэ технологийн талаархи санаа зовнилыг нь ойлгож, эерэг хэрэглээний тохиолдлуудыг тодорхойлохын тулд дэлхий даяарх бодлого боловсруулагчид, багш сурган хүмүүжүүлэгчид, уран бүтээлчидтэй хамтран ажиллана. Өргөн хүрээтэй судалгаа, туршилт хийсэн ч хүмүүс манай технологийг бүх сайн талуудад нь хэрхэн ашиглах, мөн хэрхэн буруугаар ашиглахыг бид бүгдийг нь урьдчилан таамаглаж чадахгүй. Тиймээс бодит хэрэглээнээс суралцах нь цаг хугацааны явцад улам аюулгүй AI систем бүтээж, гаргахад шийдвэрлэх ач холбогдолтой гэж бид үздэг.

Research techniques

Sora бол диффузийн загвар бөгөөд эхлээд шуугиантай мэт харагдах видеоноос эхэлж, олон алхмаар шуугианыг арилган аажмаар хувиргаж видео үүсгэдэг.

Sora нь бүхэл бүтэн видеог нэг дор үүсгэх, эсвэл үүсгэсэн видеог уртасгах чадвартай. Загварт нэгэн зэрэг олон кадрыг урьдчилан харах боломж олгосноор харагдахаа түр больсон ч объект ижил хэвээр байх хэцүү асуудлыг бид шийдсэн.

GPT загваруудын адил Sora нь трансформер архитектур ашигладаг бөгөөд энэ нь илүү өндөр масштаблалтын гүйцэтгэлийг нээж өгдөг.

Бид видео, зургийг patch гэж нэрлэгдэх жижиг өгөгдлийн нэгжүүдийн цуглуулга хэлбэрээр төлөөлүүлдэг бөгөөд эдгээр нь GPT дахь токентэй төстэй. Өгөгдлийг дүрслэх аргаа нэгтгэснээр урьд өмнөхөөс илүү өргөн хүрээний, өөр өөр үргэлжлэх хугацаа, нягтаршил, харьцаатай дүрслэлийн өгөгдөл дээр диффузийн трансформер сургах боломжтой болсон.

Sora нь DALL·E болон GPT загваруудын өмнөх судалгаанд тулгуурладаг. Энэ нь DALL·E 3-ын recaptioning аргыг ашигладаг бөгөөд үүнд сургалтын дүрслэлийн өгөгдөлд маш дэлгэрэнгүй тайлбар үүсгэдэг. Үүний үр дүнд загвар нь хэрэглэгчийн текстэн зааврыг үүсгэсэн видеонд илүү үнэнч дагаж чадна.

Текстэн заавраас дангаар нь видео үүсгэхээс гадна загвар нь байгаа хөдөлгөөнгүй зургийг авч, түүний агуулгыг нарийвчлалтай, жижиг детальд анхааран хөдөлгөөнжүүлж, видео болгож чадна. Мөн байгаа видеог авч уртасгах эсвэл дутуу кадруудыг нөхөж чадна. Манай техникийн тайлангаас дэлгэрэнгүй үзнэ үү.

Sora нь бодит ертөнцийг ойлгож, симуляцлах чадвартай загваруудын суурь болж өгдөг бөгөөд энэ чадвар нь AGI-д хүрэх чухал үе шат болно гэж бид үздэг.

Ачаалж байна...