2024年，袁粒和团队决定发起 Open-Sora Plan，把 Sora 展示的视频生成能力做成一个开放的研究项目。摆在面前的问题很现实：训练模型需要大量数据和算力，即使后来有企业参与、提供支持，他们能调动的资源，与头部公司内部做视频模型的投入仍有很大差距。
袁粒对这个项目的期待，并不以追上 Sora 的效果为前提。他希望先把架构搭起来，把代码和训练方法公开，让企业能接着开发，也让学生有机会在上面验证自己的想法。“哪怕这个模型没训出来，我们先把架构开出来。”
在他看来，把试错中的经验也写进技术报告，后来的人就能少花一些重复摸索的时间。一个高校团队的工作做到这里，已经可以为其他研究提供起点。
2017年，袁粒到新加坡国立大学读博，其间曾赴哈佛大学参与视觉神经科学研究。2021年，他与合作者提出 T2T-ViT，探索如何提高视觉 Transformer 在有限训练数据下的学习效率，随后加入北京大学。目前，袁粒是北京大学助理教授，研究涉及以视觉为中心的多模态算法与架构，以及 AI for Science。
聊起各个项目，袁粒总会回到那些还没解决的问题。视频已经能生成得很逼真，模型却未必能解释画面里的运动；科研智能体完成了一次任务，遇到参数修改、结果复用和环境变化，又可能无法继续。
这也让“大学还能做什么”有了具体的落点。资源有限，高校团队仍然可以找出现有方法的局限，尝试新的架构，再通过开源让更多人参与验证。一项工作暂时没有做完，也可以先为后来的研究提供起点。袁粒把它比作一段共同走过的路：到终点的十米，也许由某个团队或拥有资源的企业冲过去，前面九十米的探索，同样有意义。
没跑通的那个念头
袁粒把研究主线概括为：让机器形成可以检验的世界理解，再把这种理解转化成预测和生成。先理解世界，再去预测、生成世界，下一步看能不能把这些能力转化成行动。这条主线是在研究中慢慢形成的，很多宏大的规划在实际执行中都会发生偏移。
2018年，BERT 和第一代 GPT 出来时，他就在想：它们的底层都是 Transformer，既然在自然语言处理里这么有效，能不能也用来处理视觉？当时有两种尝试，一种是把视觉领域的卷积用到语言，另一种是把语言领域的 Transformer 用到视觉。他做了后一种。不过，学校实验室的算力和数据有限，前后累计探索了一年，没有跑通。
后来他去哈佛做生物视觉研究，动机很纯粹：想去看看启发人工神经网络的脑科学那边发生了什么，能不能给研究一些推动或信心。当时大家对 AI 的期望比较高，但落地范围有限、泛化能力不够好。在高校做学术研究的一个好处，是可以静下心来重新思考底层问题：为什么当时的神经网络泛化不行，问题到底在哪里。
会做出来，就算理解了吗？
2023年推出 Video-LLaVA 时，不少大模型还是分别处理图像或者视频。图像主要提供空间信息，视频还涉及时间和动作的变化，这些信息原本的表征有比较大的差异。如果直接交给语言模型，那时候的模型无法适应时空上的差异。团队的想法是，先让图像和视频的信息对齐，再映射到语言模型能够处理的空间。
实验中看到，在统一的视觉表征下，图像和视频的学习可以相互促进。当然，这不等于模型已经掌握了物理因果，它是在为进一步理解物理世界打基础。
理解与生成的关系并不简单。理解了，未必能准确生成——理解往往在抽象空间中进行，从抽象回到具体需要补充很多细节，这个升维过程经常出现信息偏差。反过来，生成得好，也未必理解得清楚：模型可以生成两个高速运动的物体，再问它这两个物体是在匀速、加速、减速还是做不规则运动，能不能把运动轨迹精准算出来，很多模型并不能很好地回答。
对于让理解模型、生成模型各司其职再通过智能体连接的做法，袁粒不否认分工协作的价值，但他强调两个层次：单个智能体能否形成比较完整的能力，以及多个智能体怎样一起完成复杂任务。桌面的摩擦系数变了，负责理解的模型知道这个条件变化，但它怎样把这个变化传给生成模型，让杯子的运动也相应改变？中间的连接可能损失信息。两个模型接在一起，不意味着它们就共享了对场景的全部认识。
AI 之后，大学怎么做研究？
Open-Sora Plan 虽然由高校团队发起，但有很多企业参与，提供算力、数据，一起做这个项目。这些资源和头部企业内部做视频模型的投入仍有很大差距，但发起开源项目，不一定要把最终效果做到和 Sora 一样。把模型代码、训练方法开放出来，企业就有一个能借鉴的起点，学术界也有一套能验证想法的系统。
做项目的过程中，团队自己会遇到现有架构的问题，开源社区也会反馈这些局限。比如很多模型是一段一段生成视频的，如果未来要走向世界模型、走向可交互，就需要考虑怎样持续生成，前面的内容怎样被后面继续使用。与字节跳动合作的 Helios 就是在尝试流式生成，需要处理历史信息怎样保留、计算量怎样控制，以及时间越长误差会不会不断累积等问题。
历史信息也不是越近就一定越重要。第十秒出现的主体，在第五十九秒可能还会出现。可以把更早的信息存得更紧凑，但要保留主体身份、场景布局这些后面仍然需要的信息。团队做了很多对照实验，检验不同压缩方式的影响。画质很直观，但做模型时更要关心运动和贯穿时间、空间的关系——画质可以通过后续方法改善，运动、主体身份、逻辑和交互关系才是架构里要重点保住的东西。
袁粒说，团队本来也是从开源里受益的。同学们和社区交流，能找到真实存在的问题。做开源，是希望开放地做科学、做研究，而不是关起门来解决一些假问题。流式生成就是交流中探索出来的方向。科研智能体也一样，开放给不同领域的人使用之后，才会更具体地发现，把它做成一套系统到底有多复杂。
科学家不会只做一轮实验
很多模型用于科研时，关注一次输入、一次输出。但真正的科研任务是连续的，里面有过程依赖，也有失败和反复修改。前面一步产生的对象，后面可能要多次使用；之前失败的参数、失败的结果，也可能要重新查看。换了参数，系统就要分清新结果和旧结果，知道自己执行到哪一步，这一步依赖哪些内容，后面应该怎样走。
在 OpenAI4S 中，团队把代码作为科学行动的基本单位，让生成的代码在持续运行的 Python 或 R 环境里执行。这样，计算产生的中间对象可以保留下来，后面的步骤能继续使用。系统还要记录执行过程、结果版本，反复比对中间对象，追溯某张图、某份数据到底怎样产生。
但把过程记录下来，还不意味着研究者就能放心复现结果。内存里的对象不会自动跨进程保存，程序中断了，要恢复哪些东西、依赖哪些文件、哪些代码适合重新执行，都需要处理。换一台机器，想完整重建环境再运行一遍，仍然有困难。科学实验还涉及很多设备，机器、设备变了，原来的流程不一定能直接运行。团队希望从计算机里的科学计算，也就是“干实验”的自动化执行，慢慢走到与真实实验相连接的“干湿闭环”。怎么与科研设备打通，是下一步的核心卡点之一，这些事情不是一个团队就能解决的。
流程差异这么大，通用科研智能体会不会离实际需求太远？袁粒的处理方式是：通用能力、泛化能力是希望达到的目标，但切入点需要具体。高校团队开始时先从一些领域、一些任务切进去，技能模块也会偏向某些领域。开源之后，大家可以上传自己的技能模块，帮助项目丰富；企业也能带来资源和更多使用场景。从专用慢慢走向通用，如果只靠一个团队，效率比较低。
最后十米不一定由我完成
做科研、做学术，首先要看解决的是不是真问题。如果不是真问题，就是在纸上谈兵。高校团队找到一个真问题，哪怕暂时不能完全解决，先提出一个初始方案，也可以通过开源、通过和企业合作，让它产生一些价值，把解决问题的方法往前推一点。
至于最后能推到哪一步，袁粒觉得可以抱着“功成不必在我，但功成必定有我”的态度。解决问题的过程中要有自己的贡献，最后那一步是不是由自己完成，很多时候有偶然性，甚至有运气成分。可能前面九十米都是大家一起探索的，最后五米、十米，是某一个团队或者企业冲过去的。就像今天的大模型，前面有很多学术界的算法、架构探索，也有更早的脑科学研究。最后面向大众的产品由企业完成，不意味着前面的工作没有意义。
热门跟贴