佳麒 白交 发自 凹非寺
量子位 | 公众号 QbitAI

抖音集团CEO官宣卸任，真是一石激起千层浪！

一方面，虽然字节高层要调整早有传闻，但靴子落地依然让人意外：为什么会是她？

要知道张楠，可是字节从零到一打造出抖音、火山等UGC视频产品的大功臣。

另一方面，她下一步去的是一个抖音“配件”项目——剪映，并且以始终创业的状态。

虽说变动如此突然，但其实在内部早有迹可循。

消息称，过去一年张楠将大多数精力都放在剪映任务上，并且亲自带队即将推出一个AI生图和视频的产品。

抛开外界各种对大厂组织调整的讨论，咱要是从技术和趋势来看，张楠下一站，妥妥是今年的AI风口。

张楠亲自带队剪映

春节前夕，张楠朋友圈官宣即将卸任CEO的决定，之后将更多精力放在剪映上。

不过之后，她还是继续向字节跳动CEO梁汝波汇报。

在梁汝波内部信中指出，是“结合业务发展需要和个人意愿”的原因，张楠不再担任抖音集团CEO，专注负责剪映业务。

对于接任者，他表示，目前抖音集团暂时还没有新设CEO的计划。

原本直接向张楠汇报的各业务负责人，现在汇报给抖音董事长、商业化负责人张利东，包括抖音负责人韩尚佑、番茄小说及今日头条负责人张超、抖音电商负责人魏雯雯、抖音生活服务负责人浦燕子以及抖音广告业务负责人赵修影。

其中，韩尚佑作为抖音总裁，会协同所有与抖音相关的主营业务

此番字节高层变动之后，据晚点统计，目前抖音已完成高层大调整。

此前抖音的产品和商业化分别由张楠和张利东领导，如今由张利东来统筹这两大板块。

在此之前，抖音BU也完成了一系列的人员调动，比如字节商业化部门巨量引擎营销副总裁陈都烨转岗至抖音、抖音原增长负责人吴晓丹则转岗剪映，抖音开放平台原负责人常坤加入抖音生活服务部门……

抖音为什么调整？

有网友将字节前段时间的年会结合了起来……

当时，梁汝波提到，目前字节最大的危机感就是组织平庸化，“字节该有的大公司病全有了”。

但可能被忽略的是，如果从AI技术变革来看，字节正在面临挑战和机遇。这就是AI生成视频，而且剪映似乎就是字节最好的容器。

剪映有着天生的AIGC场景优势。

虽然上线时间不长，2019年才正式上线，但依托于抖音，很快就成为包括抖音在内的视频内容创作者的利器。

消息显示，截至2021年，剪映的月活用户已经突破1亿，是国内最大的移动视频编辑产品。去年11月，剪映测试了一个名为“Dreamina”AIGC工具。它能根据文字生成创意图像。

UGC视频的一姐，现在去带队字节AIGC视频的最前沿战队，或许也值得关注。

视频生成，AIGC的新战场

相信使用过的朋友都能感受到，剪映其实就是个“大AI”。

语音识别/生成、文本生成、虚拟人生成、AI配音等等这些基本实用的AI功能暂且不说，并且还会时常更新。

比如就有贴心的小伙伴整理了最新版本的新功能，像时空穿越特效、古风穿越特效、文字转视频、主题（标题）变视频、智能抠图、视频转手绘等等。

除此之外，剪映还同ChatGPT合作，选择他们的插件，一句话就可以做一条视频，并且支持各种细节修改。

处在AIGC视频生成风口的关键时刻，作为国内乃至全球短视频应用的顶流，无论是剪映、抖音还是背后的字节，这样的机遇当然不容错过。

而AI视频领域争斗变得愈加白热化，是从“老大哥”Runway发布Gen-2以后开始的。

无论是初创团队还是大厂，琳琅满目的视频生产工具如雨后春笋般竞相发布。

在竞赛的过程中，AI视频的画质、细节、时长等指标，快速地进行着一次又一次地飞跃。

像Stability、Runway这样的明星独角兽，估值都已达到了10亿美元量级，受到了谷歌等大厂的投资。

创立时间短一些的Pika，估值也有2亿美元，投资者中可以见到许多大佬的身影。

而在这些爆火的AIGC视频应用背后，主要有三条技术路线。

按照出现的时间顺序，首先是生成对抗网络（GAN）和变分自编码器（VAE）。

它们往往是通过非直接方式来生成视频内容，比如将运动和内容分解、把前景（移动物体）和背景分离。

这类早期方案虽然在清晰度、连贯性和时长上都不尽如人意，但也起到了抛砖引玉的作用，AI视频生成也是被GAN带火的。

△微软视频生成工具NüWA，早期版本基于GAN实现

进入新的阶段，自回归模型和扩散模型两条路成为了新的主流。

自回归模型根据先前的帧来预测下一帧，不断递归拼接，视频较为连贯自然，最典型的架构就是Transformer。

2021年，罗格斯大学的学者发表了首篇Transformer架构视频生成工具的论文，并被ICML所收录。

后来，新版本的NüWA模型也从GAN切换到了Transformer架构。

扩散模型的概念则最早在2015年的ICML上被提出，但直到2021年下半年，“Stable Diffusion”的前身“Latent Diffusion”才真正让扩散模型火了起来。

它的基本原理是通过逐步添加噪声和去除噪声来生成图像，生成图像的真实性高、细节更为清晰。

到2022年4月，扩散模型正式被谷歌应用到了视频生成领域，推出了Video Diffusion模型成为新的文生视频SOTA。

直到现在，AIGC视频领域的头部选手，大多都已采用Transformer或扩散模型作为底座。

而放眼AI视频生成的战场，不得不提的就是老牌厂商Runway了研发的Gen-2了。

Gen-2生成视频的效果已经克服了以往“一眼AI”的缺点，分辨率也达到了4k，是众多视频生成工具中清晰度最高的。

时长上，Gen-2可以一次支持18秒的长度，这在AI视频生成工具中也是前所未有。

Runway创始人兼CEO Cristóbal Valenzuela更是在中表示，一个激动人心的新（创意）时代已经要开始了。

而在去年，Runway也迎来了一位强悍的挑战者——斯坦福华人博士郭文景（Demi Guo）休学创业做出的Pika。

它可以根据输入的图像或文本流畅地生成视频，而且可编辑性强，指定视频中的任意元素均可快速替换。

靠着Pika惊艳的效果，这家初创公司成立仅半年时，就新斩获5500万美元（约4亿人民币）融资。

其中个人投资者不乏各种大牛，如Quara创始人Adam D’Angelo、Perplexity的CEO Aravind Srinivas、GitHub前CEO Nat Friedman等等。

开源模型则有Stable Diffusion团队推出的Stable Video Diffusion，支持生成约3秒的视频，分辨率为576×1024。

除了这些专搞AI视频的初创团队，巨头大厂们也纷纷参与进了这场战争。

比如Meta于去年11月发布的Emu Video，同样支持4K画质的视频合成，在用户评估中号称打败（当时的）Gen-2、Pika等对手。

谷歌也在12月交出了自己的模型VideoPoet，它没有用常用的扩散模型，还零样本实现了SOTA。

相较于此前一些模型，画面更加稳定、动作更加逼真，清晰度也直线up。

就连主要经营硬件产品的英伟达，也推出了基于扩散模型的视频生成工具PYoCo，并被2023年的ICCV大会所接收。

不仅国际市场上的斗争火热，国内这边也同样激烈。

比如今年1月，字节就推出了AI视频生成模型MagicVideo-V2，支持4K、8K超高分辨率，测评效果超过Gen-2、Pika以及现有AI视频生成工具。

有研究者对比了MagicVideo-V2和其他大牌工具的表现，以细节写实能力为例：

小男孩在公园的小路上骑着自行车，车轮踩在碎石上发出嘎吱嘎吱的声音。

可以看出只有MagicVideo-V2和SVD生成的视频最贴合提示词，但MagicVideo又以更真实的脚步动作胜过了SVD。

（左：MagicVideo-V2，中：Stable Video Diffusion，右上：Pika，右下：Gen-2）

从2013年VAE诞生，到2020年被Transformer和扩散模型取代用了近7年，但新的模型蓬勃发展，不过才三年时间。

而像这样“长江后浪推前浪”式地竞相更新，更是最近这半年才有的事，这半年一个又一个模型相继涌现的过程中，几乎每个成果都可以说是颠覆性的。

在这样的浪潮当中，抖音当然不想成为被颠覆的一个，所以最好的方式，就是在被外部力量颠覆之前，实现自我颠覆。

字节把张楠从抖音一姐的位置换到剪映一姐，或许就是这个思路的一种反映。