通义千问跳科目三，关AI电商啥事？

声明:本文来自于微信公众号 智商税研究中心（ID:gh_c55b3561ece1），作者:老壶，授权转载发布。

海底捞的小哥们，为了科目三，崴了多少脚。

但是千算万算，没有算到在通义千问悄悄上线的“全民舞王”的助攻下，只需要一张照片，人人都可以科目三。

以现在大模型的“姿势水平”，文字生成文字，文字生成图片对它而言已经变成了“小儿科”，不管大家在排行榜上竞争得如何激烈，真正的竞争，其实已经到了跨模态生成领域——“全民舞王”的图片生成视频是这样，让马斯克和扎克伯格等知名外国人在视频里说中文也是这样。

而且，“全民舞王”依托的Animate Anyone大模型，已经不止停留在“玩具”层面上。结合阿里云最新的Outfit Anyone“一键试衣”大模型，未来我们在淘宝买衣服，上传一张照片就能看到动态的上身效果视频，已经不再遥远。

阿里心心念念的“AI电商”，如今又多了一张拼图。

国外已经火了三个月

科目三之所以成为“现象级”舞蹈，并不是因为它在国内短视频平台有多么“火”，因为五六年前的社会摇已经做到了这一点——而是它能不能成为文化输出的一个符号，进而获得登堂入室的门票。

单论结果，科目三现在早就走出了短视频平台，还被做进了游戏，走上了国际化大舞台。

譬如在去年12月9日的世界体育舞蹈大赛上，世界冠军克里斯蒂娜和几位舞者一起展示了国标版“科目三”;腾讯上线刚一个月的“正版合家欢派对游戏”《元梦之星》里面，老壶也发现了角色专属的“科目三”表情动作。

再到如今的“全能舞王”，只需在通义千问app里面上传一张全身照片，再等待10分钟左右，就能生成一段10秒左右的跳舞短视频。

进入“全民舞王”的模板区，有DJ慢摇、只想对你说“爱你”、鬼步舞、蒙古舞、科目三、划桨步等12种热门舞蹈的模块可以选。虽然可以选的有很多，但就流量和关注度而言，科目三自然是毫无疑问的C位。

捋一捋时间线也能发现，国外短视频达人开始“病毒式传播”科目三的时间点，恰好是在去年10-11月份左右。差不多在同一时期，阿里云旗下团队就发布了“全能舞王”相关的大模型技术文档。

要知道，科目三这个舞种不同于一般手势舞，是需要一定的舞蹈基础和四肢协调性的。换句话说，在国外也并非所有人都能轻松驾驭。

但阿里云发布的这篇论文，则通过“Animate Anyone”的模型，将固定的角色图像转化为特定姿势序列控制的动画视频，换句话说，之前一点舞蹈基础都没有的人，现在可以通过这个模型，开局只需一张图，就能为所有舞蹈小白，提供了在短视频领域“走上舞台”的可能。

也因此，这条介绍“Animate Anyone”的推文在发布不到一个月，就斩获了超过5000万的点击，也就不足为奇了。

让图片跳起“科目三”

在“Animate Anyone”出现之前，从静态图像到动态视频的合成，仍然有很多“坎”需要过，

首先是细节一致性。

举个例子就是，现在市面上的AI图片或者文字生成视频，很多时候主体之外的图像会出现局部变形、细节模糊和帧数不可控的问题，这些都会影响视频生成的质量。

再比如动作控制和连贯性。因为视频如果要商用，视频里人物的动作是需要保证可控性的。如果是AI生成，则主要通过预先输入的动作序列来控制角色动作。但在目前AI视频的角色动作，还无法完全靠prompt精准控制。

在图片生成文字的过程中，还需处理的是图像到视频的转换过程，并且需要保证这个过程中，图像的空间与时间一致性。

在此之前，诸如stable Diffusion、midjourney等AIGC产品虽然已经初步具备了文生图和图生图、图生视频等跨模态生成能力，但在AI生成视频领域，前面提到的问题仍然没有得到解决。

“Animate Anyone”则在很大程度上，对前述相关问题作出了改进。首先团队通过名为“ReferenceNet”的辅助模型，用来捕捉参考图像的空间细节，这保证了角色每一帧外观细节的一致性;

其次，团队使用了一种高效的Pose Guider姿态引导器，这让角色的运动姿势得到了有效控制，体现在视频中，则是让视频角色按设定好的姿势进行运动，并具备稳定的过渡，保证连续性和流畅性;

此前AI生成的视频细节为何不可控，很大程度上是因为每一帧的时间关系不够紧密，很多细节没办法保留到下一帧。在“Animate Anyone”的模型里，则通过一个时序生成模块来保证多个视频帧之间的关系，很多高分辨率的细节得以全程保留。

即便是解决了这么多技术难题，单看目前“全能舞王”的生成效果，也与真人上镜有一定的差距。譬如生成的舞蹈节奏是平均的，但现实音乐大多数都是快慢分布。这让“科目三”的生成效果不可避免打了折扣。

但与一众大模型前辈相比，“Animate Anyone”已经把最重要的形象一致性和姿态稳定、多帧关系控制等关键问题搞定，在图生视频赛道上，已经完成10-60+分的突破。

AI电商的另一块拼图?

图生视频从10分到60分，意味着什么?

意味着它不仅可以完整保留人脸、身材比例、服装细节和背景信息，同时还能对生成的动作做精准控制，且在技术上生成的视频长度不受限制。与Gen2、Pika等文本生成视频的产品比， AnimateAnyone更聚焦人本身。

也就是说，起码在图生视频这一块，“Animate Anyone”已经将AI视频从“玩具”变成了“可初步商用”。再加上阿里近期发布的“Outfit Anyone”，用户可以仅仅用服饰的平铺图，就可以实现上下装的试穿。

如果与二者结合。用户不仅可以通过上传一张照片，试穿自己心仪的大多数服装，而且可以通过动态动画，直接预览它的上身效果。与其说淘宝模特因为AI失业，不如说AI让所有人都可以成为自己的模特。

当然，“Animate Anyone”能够应用的地方也不止于此，很多游戏开发人员大可使用这种算法，将静态的游戏角色图像转换为具有不同动作和姿势的动画角色，以此实现同一款素材的多次复用，并增加对应角色的沉浸感和可信度。

而大家在淘宝买东西，最怕的是什么?就是“卖家秀”和“买家秀”的差异所带来的低可信度。但在自己的AI化身成为淘宝模特之后，这个顾虑很大程度上会被打消，交易中最重要的信任成本也因此消失。

还记得在拼多多市值刚刚超越阿里巴巴的时候，马云老师除了表示对拼多多的祝贺，还专门提到了“AI电商”的概念:“AI电商时代刚刚开始，对谁都是机会，也是挑战。”

在价格和交易环节，它可能是基于AI驱动的实时比价，助力消费者买到自己最心仪的产品;在服务和体验环节，它有可能是更优质的数字人售后和更身临其境的购物体验。

能替用户试穿衣服的“AI模特”不过只是服装品类体验的一小步，但就整个阿里AI电商的战略而言，它可能是无数基础拼图的其中一块，但也是极为重要的一块。