​让鲁迅说绕口令、赫本玩嘻哈，又一视频模型火了，斯坦福华人博士创立

让鲁迅说绕口令、赫本玩嘻哈，又一视频模型火了，斯坦福华人博士创立

AI 视频领域卷疯了。

Luma 引发的狂欢还没结束，AI 视频圈又来了个挑战者——

斯坦福大学团队出品的 Proteus。

据介绍，Proteus 是一款低延迟基础模型，可以生成高度真实且富有表现力的人物形象。

例如，让世界名画中的主角——蒙娜丽莎或者带珍珠耳环的女孩——肆无忌惮地大笑，面部表情自然流畅：

让奥黛丽 · 赫本一改往日淑女形象，玩起嘻哈说唱：

还让《哈利 · 波特》中的斯内普教授唱《Despacito》：

Proteus 刚发布，一众大佬发来「贺信」：

AI 科学家贾扬清称赞，实时人工智能头像质量出奇得好。

英伟达科学家 Jim Fan 则表示，这一项目令人印象深刻。

早期投资人 Brian Zhan 发文称，现有 AI 视频工具，比如 Runway 和 Pika，最大的问题就是会产生幻觉，尤其是在生成含有人类的视频时。而 Apparate Labs 通过解决时间连贯性和对象恒定性等问题，使 AI 视频生成步入下一个阶段。

离谱！鲁迅说起了绕口令

Proteus 是新一代的基础模型，用于人类的实时表情生成。

要知道，目前即便是最先进和最强大的生成模型，也无法完全实现人类表情的实时生成。

现有的模型运行速度缓慢，无法提供对生成人物的复杂面部表情和身体动作的直观控制，而且它们在逼真度和表现力方面仍有所欠缺。

而 Proteus 采用了最先进的 transformer 架构的潜在扩散模型，其创新性的潜在空间设计确保了实时的高效率，并且随着架构和算法的持续优化，Proteus 能够实现每秒 100 帧以上（100+ FPS）的视频流。

换句话说，只需一张简单的照片，Proteus 不仅能够模仿人类的笑声、说唱、歌唱、眨眼、微笑和对话，还能执行更多生动的表情和动作。

比如说，一向严肃的鲁迅说起了绕口令：

或者让居里夫人清唱《Le Festin》：

抑或是给科学家们开个圆桌会议：

据 Proteus 研发团队介绍，他们期望 Proteus 可以成为一个声音可控的视觉化身，为人工智能对话实体提供一个直观的交互界面，同时能够与众多多模态大语言模型无缝兼容，为各种不同的应用场景提供定制化服务。

对此，不少网友脑洞大开——

「只需要用爱因斯坦的数据对大语言模型进行微调，再配上他生动的面部表情，就能让伟大的爱因斯坦化身教学助手，来亲自教授物理课，青少年再也不用愁学不好科学了。」

还有网友表示，我爱死它了，今年绝对是 AI 视频之年。

起底背后团队

这款被大佬力捧、小而美的模型， 背后是个怎样的团队？

据官网介绍，这是由斯坦福大学的 Apparate Labs 研发出来的。

目前该团队仅 6 人，从名字和照片来看，有 3 人为华人。

首席执行官兼联合创始人沈博魁（William Shen）博士就读于斯坦福大学计算机科学系，由知名教授 Silvio Savarese 和 Leonidas J. Guibas 共同指导。

他的研究涵盖人工智能多个领域，包括计算机视觉、机器人学、图形学、生成模型和具身智能。其论文多次获奖，例如在 IEEE-CVPR 获得了最佳论文奖，还在 RSS 上入围了最佳学生论文奖的决赛。

此前，他还以 GPA4.0 的优异成绩获得斯坦福大学计算机科学学士学位。

首席技术官兼联合创始人 Connor Lin 也是个学霸。

他本硕就读于卡内基 · 梅隆大学，师从 Keenan Crane 教授。2020 年前往斯坦福大学攻读计算机博士。目前他是一名四年级在读博士生，由 Leonidas Guibas 和 Gordon Wetzstein 两位教授共同指导。

Connor Lin 的研究聚焦于 3D 先验知识和神经表示，用于 3D 重建、生成和编辑，曾获得 David Cheriton 斯坦福研究生奖学金的支持。

在攻读博士期间，他在谷歌研究、英伟达研究和 Adobe 研究实习。此前，还在谷歌担任软件工程师，负责 Pixel 手机的人像模式开发。

此外，这小哥兴趣广泛，喜欢旅行和体育，喜欢烹饪、羽毛球、游泳、桌游和音乐，还是泰勒 · 斯威夫特的铁杆粉丝

和 Connor Lin 一样，首席科学家 Linqi  ( Alex )  Zhou 也是斯坦福大学的一名博士生，由 Stefano Ermon 教授指导。

此前，Linqi Zhou 在加州大学洛杉矶分校获得了计算机科学和应用数学的学士学位，由 Song-Chun Zhu 教授和 Ying-Nian Wu 教授指导。

他主要在计算机视觉和机器学习领域进行研究，并致力于构建能够以结构化和概率性方式理解世界的模型。