终于有普通人可以立刻使用的类 Sora 视频生成工具了！#ai视频# #sora#

海外产品 viva 发布了首个开放给全部用户使用的 Sora 同架构视频生成模型，而且现阶段免费。

支持文本生成视频、图片生成视频以及 4K 分辨率放大功能，另外也支持提示词的自动优化。

文生视频单次可以生成一条 5 秒的视频，图生视频是 4 秒视频

我测试了一下应该是目前运动幅度最大的视频生成模型，同时图像分辨率也是现在可以用的视频生成产品中最大的。文生视频的效果比图生视频要更好，同时如果要是用的话建议把运动幅度调到 20 左右比较合适。

viva 优势领域就是可以生成比较好的竖屏视频，目前很多视频模型的演示都是横屏视频，竖屏的表现并不好，但是短视频又是视频内容的大头，所以竖屏视频的生成质量是个很重要的指标。

但是一致性有一部分测试中保持的不是很好，同时没有表现出 Sora 那样强大的物理特性模拟以及 3D 一致性。跟谷歌 刚发布的 Veo 模型对比来看在写实内容上其实以及差不多了。

下面是 viva 的视频演示，15 秒开始有相同的提示词跟谷歌刚发布的 Veo 模型的对比。

这里体验 viva：https://vivago.ai/video?type=1

最近在总结美国创作者调研分享，分享一些跟AI相关的关键用户认知：

一、效果比效率更重要——对应产品价值
1. 这也是我过去一年收获的最有价值的一句话，经历很多血泪教训才真正理解
2. 效果的关键是符合甚至超出用户预期，如果不符合预期，用户就不会完成创作，甚至没有留存。
3. 不要为了效率而牺牲效果，这是我很容易犯的错误，尤其在漏斗分析的大厂思维下。
4. AI大模型存在效果不稳定且不可控的问题，一方面通过「雕花」策略来优化给用户交付的结果，另一方面管理用户的预期，比如让用户理解这不是最终结果，而是一个可以继续编辑的草稿。雕花是应用层产品的宿命。

二、用户又懒又有惯性思维——对应推广方式
1. 最顺的是在老产品的已有主路径workflow，通过AI提效，用户甚至是无意识使用，渗透相对容易做起来
2. 但在老产品上独立的新AI workflow能力模块，单纯通过产品策略（强插、增加入口、红点）的导流有限，用户很难注意到，也不愿意为一个不确定的结果而付出额外的上手成本
3. 可能就需要运营和推广手段，做用户认知教育，甚至一个好的demo视频都比产品策略有效。好的内容有随机性，但也是最大的杠杆。
4. 在字节，最有效的是抖音锚点；在腾讯，最有效的手段是微信QQ红点；它们过于成功，也导致我们过于依赖。如果我们做的产品在这个路径增长逻辑不那么成立，那么我们的方法论，经验，甚至能力模型，都很难支撑我们去推广新产品

三、用户为刚需付费——对应付费模式
1. 工具类产品，用户的决策是理性的，所以更多为刚需付费，而较难为冲动付费
2. 服务偶发性刚需，比如母亲节这天，用户会为母亲节模板单次付费；
3. 服务持续性刚需，比如通过AI能力帮助制作创作者Tiktok/Ins账号的主营内容，例如美妆博主的美妆vlog，帮助他们持续涨粉赚钱，用户会更愿意订阅付费；
4. 目前AI创业更适合，服务少数人的持续性刚需，而不是服务大众的偶发性刚需
4. 用户已被市场教育AI需要付费，所以强化透传AI，可以提高用户付费意愿度

我以前以为，实现小学生作文里写的，让机器人买菜做饭，是需要机器人有类似人的自主意识才能实现，而让机器有自主意识，可能需要用到通用量子计算机。现在再看，随着技术发展，也许机器人不需要有自主意识也能执行复杂任务。
一般来说，发指令让机器人把桌上A点的一瓶水，拿起来并放到B点，是相对容易的，只需给机器人编程，设定好坐标、姿态和抓取指令即可。
但是如果你对机器人说，帮我去超市买两斤黄瓜回来，这个难度就相当大了，尽管这个任务只需要花5块钱就会有一个人类外卖员帮你实现。
让机器人去超市买两斤黄瓜，涉及到大量感知、决策和执行过程。
打个比方，怎么让机器人开门。
机器人开门实现起来就比较复杂，研究机器人开门的文章很多。
机器人得认识门把手，得知道门把手的精确位置，得学习从哪个姿态抓成功率更高，得有合适的控制方法避免把门把手或者把自己的手指拧断了。
得用到机器视觉，得研究机器人运动学、动力学，得上深度学习，还得研究各种信号滤波和控制优化方法。
我对机器人只了解一点皮毛，这是我能想到的，实际研究的人可能会遇到更多问题。
想象一下，你所在的团队花了几年时间，成功让机器人学会了拧开各种一字形门把手，并发了很多文章。但是机器人下楼后发现，楼下有个肯德基餐厅同款的门把手。见此情景，你领导心中窃喜，又可以搞到一笔经费，并发好几篇文章。

可以持续的鼓励和积极地引导孩子学习。
希望以后辅导​学习再也不会鸡飞狗跳了。

GPT-4o 速度提升以后太爽了，配合交互草图，很快就写出了对应的 Select 组件。

用的软件是：https://makereal.tldraw.com/

吴恩达新写的提示工程技巧，主要的内容就四步：

1. 快速撰写简单的提示并测试其效果。

2.根据结果的不足，逐步丰富和细化提示，这可能导致更长、更详细的提示，甚至是“大型提示”。

3. 如果效果仍不理想，可以考虑应用少样本或多样本学习策略（如果适用），或偶尔进行微调。

4. 如果问题仍未解决，可将任务拆分为子任务，采用智能体工作流程。

来源：https://www.deeplearning.ai/the-batch/issue-249/

通义千问会发表情，也会回复大笑的“哈哈”。还是蛮有意思的。几乎感觉不到对面是个机器人。

对话宇树科技王兴兴，造出 9.9 万元人形机器人的 90 后偏才

很有特点的一位创始人。

每天 24 小时一直想就行了，你睡觉时间多想想，突然就会有灵感了。

一个产品，如果能够利用七宗罪中的一宗，就能够获得良好的效果。

对 agent 的一个暴论：现有 (multi) agent workflow 的模式没有太大价值。Agent 今年（在以吴恩达老师为首的各类大佬的吹捧下）热度很高，但现有的这些所谓的 (multi) agent workflow，本质上是把一个大任务拆分成很多个子任务，每个子任务都有明确的 input 和 output，自己定义一些变量和接口，把这些子任务串起来。这种方式很像是早期的自动驾驶，把感知和规控分开解，或者是上一代的语音助手，把语音转文字、LLM、语音合成这些工作流串起来。

终极的解决方案应该不是这个样子的。现有的 (multi) agent workflow，速度慢先不说，最大的问题还是在接口的地方把信息降维了。这些 input / output 的接口和变量，本质上都是把信息降维到人能理解的维度，这是以高维信息的损失为代价的。每多一层 workflow，损失的信息就多了一次。面对简单问题时， (multi) agent workflow 或许是可行的，但它注定无法解决复杂问题。就好比Waymo 用感知+规控的架构，搭配高精地图，能够在凤凰城和三藩市勉强把本地 L4 跑通，但很难 scale 成一个通用的解法。只有 Tesla 端到端的方案才是自动驾驶的未来。

因此，现有的 (multi) agent workflow方式注定只是一个中间状态，类似自动驾驶中感知+规控+高精地图的拼凑。而最终想要解决复杂问题，需要靠基础模型的进化。当模型能力足够强之后，应该是可以端到端的解决问题。你可以在 prompt 里提示它去使用某些工具，或者采用某些步骤，但应该不需要人为去把 workflow 拆出来。

Agent 的概念依旧重要，但应该回归它更加 native 的定义，即每一个 Agent 应该是独立的智能体，拥有自己的 memory, planning, tool use 等能力，能够端到端地解决问题，而不是需要人类按照自己的理解一口口地把饭喂到嘴里。一个 Agent 就应该是一辆独立的L5 Autopilot 的汽车，而不是一堆弱智 L2 Workflow 凑出来的所谓 multi agents 辅助驾驶杂牌军团。这听起来就很不优雅。