日前，由AI圖片生成系統Midjourney製作的畫作奪得藝術大賽首獎的事件引爆熱議，人工智慧生成圖片的道德問題與藝術價值，都讓大眾相當熱烈的討論。在各界得出一個共識之前，Facebook母公司Meta的機器學習部門率先推出了新的AI生成系統Make-A-Video，可以以簡短的字句，來生成一部無聲的短影片。
雖然這些影片可以明顯是假的，有的會模糊失焦，也有的形狀扭曲，但這都無法否認這是AI內容生成領域的重大發展。
「AI生成的研究給予人們簡單快速的工具來創造新的內容，進一步推動創作的表現方式，」Meta在宣布此項工作的文章這樣說，「只需要幾句話或幾行文字，Make-A-Video就可以將想像力帶入生活，創造出生動多彩的獨特影片。」
雛形尚未成熟，過程卻不簡單
從文字生成影片的技術，這可以視為是先前從文字生成圖片AI系統（例如DALL-E和前面提到的Midjourney）的擴展版本。只是，雖然對人腦而言，把靜止圖像想像成會動的影片並非難事，但在機器學習模型中卻沒那麼簡單了。這個系統使用「擴散」技術來創建圖像，意思就是從靜態圖像，逆向朝目標字眼來生成短影片。
Meta目前只發表了一篇關於Make-A-Video模型的論文，也表示他們將會發布此系統的操作演示，但沒有說明什麼時候或將會如何開放使用。
但研究人員表示，他們還在對Make-A-Video用更多的圖像、文字說明以及影片剪輯進行訓練，包含內容數百萬支剪輯，共超過數十萬小時的影片。而這些內容也有來自Shutterstock等網站提供的片段。
研究人員在論文中也提及，除了鏡頭模糊和模型扭曲之外，這些模型還有許多技術上的問題。比如說，他們的訓練方式無法教會Make-A-Video一些人類才能判斷的問題，例如在「揮手」影片中，手要向右揮還是向左揮。其他需要克服的障礙包括，無法生成超過5秒的短片、無法切換多個場景或事件、也還無法有更高的畫質（Make-A-Video目前以64 x 64像素的畫質輸出16幀短片，然後使用另外的AI模型將其大小提升到768 x 768）。
大數據生成潛藏隱憂，帶有偏見且可能被惡意使用
雖然Meta在貼文當中指出，影片生成工具對於「創作者和藝術家」來說可能會非常重要，但與圖像生成模型一樣，也不免令人擔憂。
Meta的團隊指出，就像所有利用網路擷取數據來訓練的AI 模型一樣，Make-A-Video已經「學習並可能會放大社會偏見，包括有害的歧視」。這在許多文字生成圖像的模型已經發生，且相當容易強化社會偏見
。例如讓模型生成「恐怖分子」的圖像，就可能會生成出戴著頭巾的人，從而指涉相關衣著文化的人，目前此模型還尚未開放外界使用，所以還無從判斷Meta的模型是否也會嚴重反映偏見。
這些輸出影像的工具也可能在未來被用於假新聞或是惡意宣傳，更有可能的是，就像我們在AI圖像系統和Deep Fake中看到的情況，可能會被用於騷擾和恐嚇的非自願色情內容。
不過Meta表示，他們「正在與社群公開分享此次人工智慧生成研究和結果，以徵求大眾的回饋，並將繼續使用我們可靠的人工智慧框架，來改進和發展我們對這項新技術的研究。」
元宇宙趨勢：AI生成與驅動
Meta征服元宇宙領域的野心，雖然在日前釋出的VR遊戲《Horizon World》被全球網民酸過了一輪，但此次AI生成影視的研究，也可以被視為實現元宇宙所需大量內容的基礎。
矽谷知名創投公司Andreessen Horowitz旗下的媒體《Future from a16z》，在2020年底一篇名為《與我在元宇宙中相見》的文章提到，現在內容創造有4大階段：專業人士創造、使用者自行創造、AI輔助創造、AI獨立創造，但是要進到最後一個階段，才符合元宇宙所需的內容規模。
透過大數據與機器學習結合，元宇宙中的許多領域將會需要AI系統。首先會讓營運流程自動化，驅動所有線上的活動，也包含異常檢測和因果事件判定等等。
大規模的虛擬或模擬環境當中，由文字生成圖像的人工智慧系統也可以發揮用處，除了生成環境的樣貌，也已有系統（如NVIDIA的Omniverse）可以生成3D組件。
同時AI也可以協助元宇宙系統「更具包容性」，例如協助視覺障礙人士的圖像識別、自動翻譯等等，提供更完善的「沉浸式體驗」，或者以聊天機器人或其他形式的自然語言與使用者互動；或是藉由演算法，提供遊戲玩家更客製化的難度與體驗。
資料來源：The Verge、TechCrunch
