10 video AI đáng xem nhất trong tháng này

Sự chuyển dịch từ hình ảnh tĩnh sang video sống động đánh dấu một bước ngoặt trong cách chúng ta nhìn nhận bằng chứng kỹ thuật số. Chúng ta đang vượt qua kỷ nguyên mà một câu lệnh (prompt) chỉ tạo ra một khung hình duy nhất. Giờ đây, ngành công nghiệp đang tập trung vào tính nhất quán theo thời gian và vật lý của chuyển động. Mười đoạn clip này không chỉ đại diện cho các cột mốc kỹ thuật. Chúng đóng vai trò như một ô cửa sổ nhìn vào tương lai, nơi ranh giới giữa khoảnh khắc được ghi lại và khoảnh khắc được tổng hợp hoàn toàn biến mất. Nhiều người xem vẫn coi những video này chỉ là sự mới lạ. Họ nhìn vào những chi tiết méo mó hay phông nền lung lay rồi gạt bỏ công nghệ này như một món đồ chơi. Đó là một sai lầm. Tín hiệu quan trọng trong các video này không nằm ở sự hoàn hảo của hình ảnh mà ở tốc độ cải thiện của nó. Chúng ta đang thấy kết quả thô từ các mô hình học hỏi quy tắc của thế giới chúng ta bằng cách quan sát nó. Trong tháng này, những clip quan trọng nhất không phải là những clip trông đẹp nhất. Đó là những clip chứng minh phần mềm hiểu được cách trọng lực, ánh sáng và giải phẫu người tương tác theo thời gian. Đây là nền tảng của một ngôn ngữ hình ảnh mới.

Trạng thái hiện tại của việc tạo video dựa trên các mô hình diffusion đã được mở rộng sang chiều thứ ba là thời gian. Thay vì chỉ dự đoán pixel nên đi đâu trên một mặt phẳng, các hệ thống này dự đoán cách pixel đó thay đổi qua sáu mươi khung hình. Điều này đòi hỏi lượng compute khổng lồ và sự hiểu biết sâu sắc về tính liên tục. Khi bạn xem một clip về một người đang đi bộ, mô hình phải nhớ người đó trông như thế nào ba giây trước để đảm bảo màu áo của họ không thay đổi. Đây gọi là temporal coherence. Đây là vấn đề khó nhất trong synthetic media. Hầu hết các video chúng ta thấy ngày nay đều ngắn vì việc duy trì sự mạch lạc này trong thời gian dài rất tốn kém về mặt tính toán. Các mô hình thường chọn cách làm tắt. Chúng có thể làm mờ phông nền hoặc đơn giản hóa các chuyển động phức tạp để tiết kiệm sức mạnh xử lý. Tuy nhiên, loạt bản phát hành mới nhất cho thấy một bước nhảy vọt đáng kể trong việc duy trì chi tiết trong suốt thời lượng của clip. Điều này cho thấy các kiến trúc cơ bản đang trở nên hiệu quả hơn trong việc xử lý dữ liệu đa chiều.

Sự nhầm lẫn mà hầu hết mọi người mang đến cho chủ đề này là ý tưởng rằng AI đang “chỉnh sửa” video. Không phải vậy. Nó đang mơ video đó thành hiện thực từ một khoảng không đầy nhiễu. Không có cảnh quay gốc nào bị thao túng. Chỉ có một xác suất toán học rằng một chuỗi pixel nhất định đại diện cho một con mèo đang nhảy hoặc một chiếc xe đang chạy. Sự khác biệt này rất quan trọng vì nó thay đổi cách chúng ta nghĩ về bản quyền và sự sáng tạo. Nếu không có tài liệu gốc, khái niệm “remix” trở nên lỗi thời. Chúng ta đang đối mặt với một quy trình tạo sinh tổng hợp thông tin mà nó đã thấy trong quá trình training để tạo ra thứ gì đó hoàn toàn mới. Quy trình này đang trở nên nhanh đến mức chúng ta đang tiến gần đến việc tạo thời gian thực. Chẳng bao lâu nữa, độ trễ giữa một ý nghĩ và một hình ảnh chuyển động sẽ được đo bằng mili giây. Điều này sẽ thay đổi cách các câu chuyện được kể và cách thông tin được tiêu thụ trên toàn cầu.

Những tác động toàn cầu của công nghệ này vượt xa Hollywood hay các agency quảng cáo. Chúng ta đang bước vào kỷ nguyên mà chi phí tạo ra tuyên truyền hình ảnh chất lượng cao đang giảm xuống bằng không. Ở những khu vực có trình độ truyền thông thấp, một video thuyết phục có thể gây ra bất ổn dân sự hoặc làm xoay chuyển một cuộc bầu cử. Đây không phải là mối đe dọa lý thuyết. Chúng ta đã thấy các clip tổng hợp được sử dụng để giả mạo các nhà lãnh đạo chính trị và lan truyền thông tin sai lệch về các cuộc xung đột toàn cầu. Tốc độ sản xuất các video này có nghĩa là các fact-checker luôn phải chạy theo. Khi một video được làm rõ, nó đã được xem hàng triệu lần. Điều này tạo ra một trạng thái hoài nghi vĩnh viễn, nơi mọi người ngừng tin tưởng ngay cả với những cảnh quay thật. “Liar’s dividend” này cho phép những kẻ xấu gạt bỏ bằng chứng thực sự về hành vi sai trái như thể đó chỉ là một sản phẩm AI khác. Sự xói mòn của thực tế chung có lẽ là hệ quả đáng kể nhất của sự tiến bộ mà chúng ta đang thấy trong tháng này.

Về mặt kinh tế, tác động cũng sâu sắc không kém. Các quốc gia dựa vào dịch vụ sản xuất video và hoạt hình giá rẻ đang đối mặt với sự thay đổi đột ngột về nhu cầu. Nếu một công ty ở New York có thể tạo ra bản demo sản phẩm chất lượng cao trong vài phút, họ không còn cần phải thuê ngoài công việc đó cho một studio ở múi giờ khác. Điều này có thể dẫn đến sự tập trung quyền lực sáng tạo vào tay những người sở hữu các mô hình mạnh mẽ nhất. Đồng thời, nó dân chủ hóa khả năng sáng tạo. Một nhà làm phim ở một quốc gia đang phát triển giờ đây có quyền truy cập vào các công cụ hình ảnh giống như một studio lớn. Điều này có thể dẫn đến sự bùng nổ của việc kể chuyện đa dạng vốn trước đây bị chặn bởi chi phí đầu vào cao. Cân bằng quyền lực sáng tạo toàn cầu đang thay đổi. Chúng ta đang thấy sự dịch chuyển từ cơ sở hạ tầng vật lý như trường quay sang cơ sở hạ tầng kỹ thuật số như các cụm GPU. Sự chuyển đổi này sẽ định nghĩa lại thế nào là một trung tâm “sáng tạo” trong thế kỷ 21.

Vượt xa khung hình tĩnh

Để hiểu tác động thực tế, hãy xem xét một ngày làm việc của một giám đốc sáng tạo tại một agency tầm trung. Trước đây, yêu cầu của khách hàng cho một chiến dịch mới đồng nghĩa với hàng tuần làm storyboard, casting và tìm kiếm địa điểm. Ngày nay, vị giám đốc bắt đầu buổi sáng bằng cách nhập mô tả vào một công cụ tạo sinh. Đến bữa trưa, họ đã có mười phiên bản khác nhau cho một đoạn quảng cáo dài ba mươi giây. Không phiên bản nào cần đến máy quay hay ê-kíp. Họ có thể kiểm tra các clip này với các nhóm tập trung ngay lập tức. Nếu phản hồi tiêu cực, họ có thể lặp lại và có phiên bản mới vào buổi chiều. Dòng thời gian nén này là thực tế mới của ngành. Nó cho phép một mức độ thử nghiệm mà trước đây là không thể. Tuy nhiên, nó cũng gây áp lực rất lớn lên nhân viên. Kỳ vọng không còn chỉ là chất lượng, mà là khối lượng và tốc độ cực lớn. Vai trò của con người đang chuyển từ người tạo hình ảnh sang người giám tuyển các khả năng. Họ phải quyết định xem trong hàng ngàn lựa chọn được tạo ra, cái nào thực sự phù hợp với tiếng nói của thương hiệu.

Hậu quả đối với thị trường lao động rất rõ rệt. Các vị trí cấp thấp trong ngành video, như biên tập viên trẻ hoặc nghệ sĩ đồ họa chuyển động, đang bị tự động hóa trước tiên. Những vai trò này thường liên quan đến các công việc lặp đi lặp lại mà AI xử lý tốt nhất. Ví dụ, xóa phông nền hoặc khớp ánh sáng giữa hai cảnh quay giờ đây có thể được thực hiện trong vài giây. Mặc dù điều này giải phóng các nhân sự sáng tạo cấp cao để tập trung vào bức tranh lớn, nó lại loại bỏ “sân tập” cho thế hệ tài năng tiếp theo. Nếu không có các vai trò cấp thấp này, không rõ các chuyên gia trẻ sẽ phát triển các kỹ năng cần thiết để trở thành đạo diễn hoặc nhà sản xuất như thế nào. Chúng ta đang thấy sự trống rỗng của tầng lớp trung lưu trong nghệ thuật sáng tạo. Khoảng cách giữa người sáng tạo độc lập sử dụng AI và đạo diễn cao cấp sử dụng kết hợp các công cụ đang ngày càng rộng ra. Điều này tạo ra một loạt thách thức mới cho các công ty đang cố gắng xây dựng các đội ngũ sáng tạo bền vững.

Các rủi ro thực tế có thể thấy rõ trong cách các công ty đang tái cơ cấu ngân sách của họ. Số tiền từng dành cho du lịch và thiết bị giờ đây đang được chuyển hướng sang các khoản tín dụng cloud compute và đào tạo prompt engineering. Một nhóm nhỏ giờ đây có thể tạo ra tác phẩm trông như thể có ngân sách triệu đô. Đây là một lợi thế to lớn cho các startup và người sáng tạo độc lập. Họ có thể cạnh tranh với các thương hiệu đã có tên tuổi ở cấp độ hình ảnh lần đầu tiên. Tuy nhiên, điều này cũng dẫn đến một thị trường đông đúc. Khi ai cũng có thể sản xuất video chất lượng cao, giá trị của chính video đó sẽ giảm xuống. Sự cao cấp chuyển từ hình ảnh sang ý tưởng. Khả năng kể một câu chuyện hấp dẫn trở thành cách duy nhất để nổi bật giữa biển nội dung hoàn hảo do AI tạo ra.

• Chi phí sản xuất cho nội dung tiếp thị dạng ngắn dự kiến sẽ giảm hơn 70 phần trăm.
• Thời gian cần thiết cho hậu kỳ hiệu ứng hình ảnh đang giảm từ hàng tháng xuống còn vài ngày.

Chúng ta phải áp dụng sự hoài nghi kiểu Socrates đối với sự tiến bộ nhanh chóng này. Những chi phí ẩn của sự sáng tạo “miễn phí” này là gì? Chi phí đầu tiên là môi trường. Việc training và vận hành các mô hình này đòi hỏi một lượng điện và nước khổng lồ để làm mát các trung tâm dữ liệu. Khi chúng ta tạo ra nhiều video hơn, dấu chân carbon của chúng ta tăng lên. Liệu khả năng tạo ra một clip về con mèo trong bộ đồ phi hành gia có đáng với cái giá phải trả về môi trường? Chi phí thứ hai là sự mất mát của “chạm tay con người”. Có một chất lượng vô hình trong một video được quay trên phim bởi một con người đã đưa ra những lựa chọn cụ thể, đầy khiếm khuyết. Video AI thường quá hoàn hảo, dẫn đến hiệu ứng “thung lũng kỳ lạ” (uncanny valley) có thể cảm thấy vô hồn. Nếu chúng ta chuyển hoàn toàn sang synthetic media, liệu chúng ta có mất khả năng kết nối với nhau ở mức độ bản năng không? Chúng ta cũng phải hỏi ai sở hữu “phong cách” của những video này. Nếu một mô hình được đào tạo trên tác phẩm của hàng ngàn nghệ sĩ không được trả công, liệu kết quả đầu ra có thực sự mới, hay đó là một hình thức đạo văn công nghệ cao?

Quyền riêng tư là một mối quan tâm lớn khác. Nếu các mô hình này có thể tạo ra một video thực tế về bất kỳ ai đang làm bất cứ điều gì, khái niệm “sự đồng ý” sẽ biến mất. Chúng ta đã thấy sự gia tăng của deepfake khiêu dâm và hình ảnh không có sự đồng ý. Đây là một thất bại mang tính hệ thống của các nền tảng lưu trữ nội dung này. Họ không thể hoặc không muốn kiểm soát làn sóng synthetic media. Chúng ta phải tự hỏi liệu lợi ích của video tạo sinh có vượt xa khả năng gây hại làm thay đổi cuộc sống của các cá nhân hay không. Hơn nữa, điều gì sẽ xảy ra với hệ thống pháp luật của chúng ta? Nếu bằng chứng video không còn đáng tin cậy, làm thế nào chúng ta chứng minh một tội ác đã xảy ra? Nền tảng của hệ thống tư pháp và thông tin của chúng ta được xây dựng trên ý tưởng rằng nhìn thấy là tin tưởng. Nếu chúng ta phá vỡ liên kết đó, chúng ta có thể thấy mình đang ở trong một thế giới nơi sự thật là bất cứ điều gì mà thuật toán mạnh mẽ nhất nói. Đây là những câu hỏi khó mà chúng ta phải đối mặt khi công nghệ tiếp tục hoàn thiện.

Đối với người dùng chuyên nghiệp, các chi tiết kỹ thuật là nơi ẩn chứa sự tiến bộ thực sự. Chúng ta đang thấy sự chuyển dịch sang lưu trữ và thực thi cục bộ các mô hình này. Mặc dù các API dựa trên cloud như của OpenAI hoặc Runway rất phổ biến, nhiều người sáng tạo đang tìm cách chạy các hệ thống này trên phần cứng của riêng họ. Điều này cung cấp nhiều quyền kiểm soát hơn đối với đầu ra và tránh các bộ lọc nghiêm ngặt do các tập đoàn lớn áp đặt. Tuy nhiên, các yêu cầu về phần cứng rất cao. Để tạo video độ nét cao ở tốc độ khung hình hợp lý, bạn cần một GPU có ít nhất 24GB VRAM. Điều này giới hạn cuộc cách mạng “cục bộ” cho những người có đủ khả năng mua các máy trạm cao cấp. Chúng ta cũng đang thấy sự xuất hiện của workflow integrations, nơi các công cụ video AI được cắm trực tiếp vào phần mềm như Adobe Premiere hoặc DaVinci Resolve. Điều này cho phép một cách tiếp cận lai, nơi AI tạo ra các yếu tố cụ thể sau đó được tinh chỉnh bởi một biên tập viên con người.

Giới hạn API vẫn là một nút thắt cổ chai đáng kể cho các nhà phát triển. Hầu hết các nhà cung cấp tính phí theo giây video được tạo, điều này có thể nhanh chóng trở nên đắt đỏ cho các dự án quy mô lớn. Ngoài ra còn có các giới hạn về số lượng yêu cầu đồng thời, gây khó khăn cho việc xây dựng các ứng dụng thời gian thực. Năm tới có khả năng sẽ chứng kiến sự thúc đẩy các mô hình hiệu quả hơn có thể chạy trên phần cứng cấp người tiêu dùng. Chúng ta đã thấy những bước đầu tiên theo hướng này với các phiên bản “distilled” của các mô hình phổ biến. Những phiên bản nhỏ hơn này hy sinh một số chi tiết để đổi lấy sự gia tăng tốc độ khổng lồ. Đối với cộng đồng geek, trọng tâm là fine-tuning. Bằng cách training một lớp nhỏ trên đỉnh của một mô hình cơ sở, người sáng tạo có thể dạy AI nhận diện một nhân vật hoặc phong cách nghệ thuật cụ thể. Mức độ tùy chỉnh này là thứ sẽ đưa video AI từ một mánh lới quảng cáo trở thành một công cụ chuyên nghiệp. Nó cho phép sự nhất quán cần thiết cho việc kể chuyện dài tập.

• Độ trễ API hiện tại cho việc tạo video chất lượng cao dao động từ 30 đến 60 giây mỗi clip.
• Lưu trữ cục bộ cho trọng số mô hình có thể vượt quá 100GB cho các phiên bản mã nguồn mở tiên tiến nhất.

Lưu ý của biên tập viên: Chúng tôi tạo trang web này như một trung tâm tin tức và hướng dẫn AI đa ngôn ngữ dành cho những người không phải là chuyên gia máy tính, nhưng vẫn muốn hiểu trí tuệ nhân tạo, sử dụng nó tự tin hơn và theo dõi tương lai đang đến gần.

Điểm mấu chốt là các video chúng ta thấy trong tháng này là bằng chứng của một sự thay đổi cơ bản trong bản chất của truyền thông. Chúng ta đang rời xa một thế giới của việc ghi lại và hướng tới một thế giới của sự tổng hợp. Đây không chỉ là sự thay đổi về công cụ, mà là sự thay đổi trong cách chúng ta liên hệ với thực tế. Tín hiệu cần theo dõi là sự tích hợp của các công cụ này vào cuộc sống hàng ngày. Khi bạn không còn phân biệt được video được quay trên iPhone hay được tạo trong cloud, công nghệ đã chiến thắng. Sự tiến bộ có ý nghĩa sẽ không phải là một clip rồng thực tế hơn. Đó sẽ là sự phát triển của các công cụ cho phép kiểm soát chính xác từng khung hình. Đó sẽ là việc tạo ra các hệ thống đóng dấu bản quyền (watermarking) mạnh mẽ có thể tồn tại sau khi nén và chỉnh sửa. Quan trọng nhất, đó sẽ là việc thiết lập các chuẩn mực xã hội và luật pháp mới bảo vệ cá nhân khỏi sự lạm dụng quyền lực này. Các video chỉ là sự khởi đầu của câu chuyện cho .

Tìm thấy lỗi hoặc điều gì đó cần được sửa chữa? Hãy cho chúng tôi biết.