影视制作特效、会展数字人等数字内容的生产方兴未艾,伴随高质量内容增长、高效率制作工期等诉求,上云已成为未来内容生产制作领域的趋势和方向。9月24日,在华为全联接2021“数字内容云上生产,共创影视产业新高地”专题演讲上,华为云媒体服务的技术专家深入解读了全新发布的数字内容生产线解决方案,并分享优秀实践案例,推进影视产业创新发展。
数字内容生产三大挑战:强算力、提升生产效率、协同作业
数字内容,特别是3D视频内容的质量和数量都在升级,例如一个8k分辨率的3D模型,1帧的渲染就需要几百个小时,这些都对算力存储提出了非常高的要求。同时,当前中国影视制作产业没有形成完整的工业化体系,内容开发效率低,项目动辄上千人,涉及十几家公司,手工重复劳动占到特效制作成本的70%,多个公司异地协同协作以及数字内容的安全管理,都存在问题。
华为云数字内容生产线,铸造行业生态
针对数字内容生产存在的系列问题,华为云推出数字内容生产线,用云渲染解决算力的问题,用云桌面解决协同的问题,用媒体AI提升生产效率、减少重复劳动。从总体构成来看,数字内容生产线覆盖了拍摄、数字影像管理、素材上传和加速、云上全流程制作、云发行等环节,打通数字内容生产全流程,方便中小企业快速流程化进行数字内容的生产和制作。
云制片和云制作提供安全的分包和任务管理系统:数字内容制作涉及多个环节、多个供应商的协同,华为云数字内容生产线的云制片和云制作系统,实现任务统一跟踪和管理,无论是实拍中的合片和剪辑,还是虚拍中的模型、动捕驱动、渲染,以及任务分包后的主流程和分包流程,都能进行数据同步、无缝对接、并实时查看进展,同时通过数字内容资产版权保护和安全管理,保障数字内容资产安全。
云渲染解决算力问题:华为云有两项核心的技术,第一是把大容量的高需求渲染任务进行水平拆解,然后用不同的机器在云上进行无限的横向叠加,来提供海量的算力;同时还在实时渲染这个方向进行投入和探索,并在数字人制作方面进行实践,将实时渲染和AI算法的相结合,把超高清的数字人像的实时渲染,做到实时驱动。
云桌面解决协同作业问题:为了做到影视级的云桌面,华为云开发了HDP桌面传输协议,保证高质量的同时抵抗网络中传输的丢包和各种问题。华为云桌面支持云上的4K显示、60帧的视频传输,涉足视频制作企业需求,解决多供应商、多任务、多地域的协同问题。
AI提升生产力:数字内容的创作、概念、设计、动捕、制作、驱动、渲染,每一个环节都对用AI来减少重复劳动提出了诉求。华为云提供大量的媒体AI能力来加速行业的数字化和智能化。以一个数字人的综艺制作为例,华为云提供了一系列的AI能力来做高拟态的仿真,减少对动捕设备的依赖;提供高仿真的语音来做到语音对数字人的驱动;将 AI技术引入到渲染环节,把神经渲染引入到实时渲染的领域,可以让渲染的精度和实时性实现“鱼和熊掌兼得”。
华为云数字内容生产线,使能《乘风破浪的姐姐2》
芒果TV在推出《乘风破浪的姐姐2》时,要求采编完成之后,能够在24小时内快速上线,并要求将成本从千万级降低到百万级。华为云从视频素材的 DIT存储端开始,提供4K级别的素材存储,以及高性能的文件访问,并且让上百台制作终端通过云桌面进行互动和协作,在云上完成4K转码、4K合成、调色等的后期制作,基于弹性伸缩的算力,使得类似《乘风破浪的姐姐2》这样的4K版本综艺在24小时内快速上线,体现了云的优势和价值。
华为云呼唤行业伙伴,共创影视产业新高地
华为云视频云总监表示,华为云做数字内容生产线,绝不是独行,而是与合作伙伴一起共筑数字内容云上生产的行业生态,一起制定国产内容制作的标准,打造关键技术能力,助力电影和影视制作行业,提升工业化的效率,实现行业持续创新。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。