专访Pika Labs创始人：探索视频生成的GPT时刻

每一代技术变迁都会带来内容生产的繁荣：胶片技术催生了好莱坞和迪士尼的黄金时代，数字化带来的家庭录像技术则铺平了 YouTube 的兴起之路，在移动和算法时代，TikTok 强势崛起，在这些代际迁移的过程中，人们的视频消费需求也在不断放大。

AI 时代是否会催生“新时代的好莱坞”？AI 对视频制作的改造可以简单分为三类：视频生成（Text-to-Generate）、AI 视频编辑（AI Editor）以及数字人（Avator），后两者从视频编辑切入，用 AI 提效，而视频生成意味着内容创作的极度民主化，有机会彻底改造传统工作流，也最让我们感到兴奋。

技术视角下，相对于文本、代码和图片生成，视频生成（Text-to-Video）也一直被认为是 AIGC 的“高地”，面临庞大的计算需求、高质量数据集短缺、可控性等挑战。

视频领域何时会迎来自己的 GPT 时刻？过去一年，Text-to-Video 领域的进展远比想象中迅速：Runway 先后发布了 Gen1、Gen2，上周推出的 Motion Brush 则在可靠性上向前了一步，Stability AI 也在上周发布了自己的首个 Text-to-Video 模型 Stable Video Diffusion。

今年 7 月，Pika Labs 在 Discord 推出服务器，并在几个月时间内收获了 50 万用户，大家开始将视线转向这家被称为视频生成领域“黑马”的公司。

Pika Labs 的团队相当精简，目前仅有 4 位全职成员，但兼具学术和创意两个领域顶尖人才：Demi Guo 和 Chenlin Meng 同为 Stanford AILab 的博士研究人员，拥有顶尖的学术和科研经历；Karlin Chen 作为团队第三位创始人及创始工程师拥有 CMU 的 ML&CV 硕士学位，Karlin 本科期间就在机器视觉公司 SenseTime 担任工程师；Matan Cohen-Grumi 则是拥有丰富经验的创意领域。

Pika Labs 最新官网

今天，Pika Labs 正式推出了最新一代视频生成模型  Pika 1.0。Pika 1.0 不仅对视频生成质量进行了提升，还支持 3D 动画、动漫或电影等多种风格视频，此外，用户还能够通过 Pika 实现画布延展、局部修改、视频时长拓展等编辑需求。在推出 Pika 1.0 的同时，团队也上线了最新官网，用户不仅能在 Discord 上使用 Pika 的服务外，还可以在官网进行视频生成和编辑（官网地址：https://pika.art）。

Pika Labs 目前已经累计完成 3 轮、共 5500 万美元融资，最新估值为 2.5 亿美元。Nat Friedman 、 Daniel Gross 和 Lightspeed 分别领投了 Pika 的 Pre-Seed、Seed 和 A 轮融资，此外，众多硅谷明星投资人、AI 领域重要公司 CEO 或核心成员也参与了 投资，例如：Elad Gil、Adam D'Angelo（Quora 创始人及 CEO）、Andrej Karpathy、Clem Delangue（Hugging Face co-founder 及 CEO）、Aravind Srinivas（Perplexity CEO）、Mateusz Staniszewski（ElevenLabs CEO）以及  Keith Peiris（Tome CEO ） 等。

海外独角兽在 Pika 1.0 发布之际也对 Pika Labs 两位创始人 Demi 和 Chenlin 进行了访谈，两位创始人分享了她们的个人经历和创业故事，对视频生成技术的理解，以及对 Pika Labs 产品及商业化的思考。

 海外独角兽：为什么选择创业做视频生成，当时看到了什么样的机会？

 Demi：我对创意行业和用 AI empower content creation 一直很感兴趣，很有热情。我从小学画画，家里人也有不少是做艺术行业的，我也一直想往这个方向创业，读博选的也是 AI 和 creation 方向。我在博士期间有两位导师，一位是做 AI 的 Christopher Manning，现在是 Stanford 人工智能实验室的主任。另一位是 Ron Fedkiw ，是做创意、电影行业的，得过两次奥斯卡奖，也参与过加勒比海盗、星球大战等电影的特效，他现在也是我们公司的 advisor，我有时候和老师开玩笑说，他在计算机图形学火起来的时候，改变了整个电影行业，而我们现在想用 AI 再次改变行业。我觉得这个方向能做十年。

在视频生成之前，我考虑过游戏行业，因为如果用 AI 去做 content creation，游戏最容易商业化，我在斯坦福读博期间还专门去 Epic Games 实习，了解游戏行业的痛点。但后来发现视频行业比游戏更不成熟，更有机会。

今年年初，Runway 举办了第一届 AI movie Festival，我找了几个 Stanford 的 AI 博士还有其他朋友，组成了一个六、七人的团队，还请来一位得过两次艾美奖的编剧。我当时以为这个团队一起制作电影应该不难，但实际制作的过程中意识到，现在的视频工具非常复杂，想表达心中的想法门槛很高。有时候我们想做很小的事情，比如换个背景，几秒钟的内容也要消耗几小时，软件还经常 crash。我意识到电影行业和视频制作过程之间有很大的 gap，对非专业的人来说，视频工具很难学，每个细节都要用很复杂的工具完成；而对专业的人来说，即使已经熟练运用工具，还是要消耗大量时间。

海外独角兽：在这个过程中，你感受到 AI 会在视频行业里起到什么样的作用？

 Demi：我们当时已经在用 AI 赋能，那时候 Runway 还没发布 Gen-1，我们用一些 AI 算法实现了一个从 real action 到 live action 、再到 animation 的电影作品。那时制作视频的 AI 算法不少，但没有被嵌入到任何工具里。我个人认为当 AI 功能非常强大时，视频制作不可能再这么复杂，未来一定会有完全不同的体验。这件事非常确定，但当时好像没有很多人去做这件事。

我还意识到一件重要的事，就是 AI 无法替代艺术创作者。我们那个电影制作团队有这么多 AI PhD，还找了很好的编剧，但还是很难做一个很好的电影作品，做出来就是不够好看。所以我意识到，AI 能做的是高效生成内容，给创作带来无限可能，但要选择哪种可能，还是要有艺术家来导演。比如说，如果有一个 visual guidance 就能让 AI 生成任何东西，但我们不知道这个 visual guidance 应该怎么做，生成的东西可能景深有问题，可能灯光有问题，就是不好看。

很多艺术家会担心 AI 视频工具会替代他们，但我的亲身感受是 AI 无法代替，它可以帮助艺术家去更加效地去实现创意性的想法，并且让更广泛的非专业人士更容易上手使用创意工具。所以 AI 只是一个帮助人们解放创造力的工具，减少琐碎工作，让人去导演 AI，这是我们和 AI 的关系。

Pika1.0 Text-to-Video 效果‍‍

Pika Labs 团队提供

海外独角兽：Pika Labs 的创始团队成员是什么背景，你们是怎么聚在一起的？

 Demi：我的 Co-founder 是 Stanford 本科，我是 Harvard 本科，留学圈很小，所以我们之前就认识。后来我们都在 Stanford 读博，她刚好也想做这个方向，而且在图像生成方向发了 30 多篇顶会了。我们还有一个创始人，Karli Chen，他是我的高中同学，高中信息竞赛获得过国家前12、是物理竞赛国际集训队成员，他主要做 engineering 方面的工作。他之前和我们一起做了电影的项目，对我们创业项目很感兴趣，所以公司还没成立他就来了。

我们最近加入了一个专门做视频的成员，他之前在以色列自己经营一个 production studio，现在准备到美国和我们一起做这个事情。我们团队目前全职只有四个人，但我们有很多 intern 和 part-time，大多是 MIT、Stanford 的博士和本科生，大多都有竞赛经历或者发了很多 paper，所以团队技术背景很强。

高中时我在 Quora 实习，认识了 Quora 的 CEO，和他 catch up 的时候聊到了我们的 idea，他非常感兴趣，帮我们介绍了后来的领投 Nat Friedman。我们给 Nat Friedman 展示了初步探索的成果，他也很感兴趣就投了。

 Chenlin：我对创业的热情一直高于做学术。我和 Demi 在某些方面非常相似。我们都是从国内高中直接去美国读本科，认识很多年了。Demi 小时候就喜欢写作和绘画，我也有类似经历，花了多年时间学二胡和画画。小时候我就想象，如果有工具可以让我把想法直接画出来，就像哆啦 A 梦的工具箱一样该多好。这个想法一直延续到现在，成为我一直想实现的梦想。我们俩最神奇的地方就是，都有很强的技术背景，又都很喜欢艺术。在创业之前，甚至独立地参与了一些相似的项目，这种巧合让我们感觉非常契合，她给我讲对未来产品的设想和规划，我一听就觉得，我也是这样想的。

海外独角兽：你从高中一直参加计算机竞赛，是国家队里少有的女性成员，这样的经历对你创业带来了怎样的影响？

 Demi：当时打竞赛纯粹出于热爱，觉得计算机非常有意思。现在看来打竞赛的经历让我在 engineering 方面比较有优势，写代码特别快，因为有些实时比赛，从读题到写对程序必须在五分钟内。我们现在也有些搞竞赛的实习生，他们也对 scaling 中的 engineer 工作很感兴趣。

海外独角兽：半年前，只有 Runway 在做视频生成，产品效果不如 demo，大家也觉得这块技术很难。如今 Pika Labs 等创业公司涌现，都实现了不错的效果，相关论文也多了，有人评价 Runway 的技术被追平了。你们怎么看这个行业的变化？

 Demi：我觉得行业内之前的 player 没有很强的技术背景，优势在于先开始做这件事情。Pika 非常幸运的一点也是占据了先发优势，这也是我急着创业的原因——因为我看到了 AI 视频生成技术进展迅速，但其他人都没开始做。1 月份我们产生创业想法时，Runway 还没发布视频生成模型。当时所有 VC 都不看好视频行业，因为从商业化角度，他们只看到现在的视频生成模型还很不理想，但我们一直在做技术，我们知道速度的变化很快，进展非常 promising。现在随着技术的发展逐渐显露出来，越来越多的人开始做这件事。所以创业时我非常着急，觉得视频生成行业可能很快要火了，要抓紧做。

过去几个月，AI 视频生成已经取得了很大进步。如果看去年 AI 生成视频的效果，再看今年 3 月份的，再看最近一两个月的，你会发现视频生成模型的发展非常快。可能在不久的未来，也许明年，就能达到 AI 图片生成的效果。虽然现在视频模型没有那么完美，但图片模型在一年半前也不好，现在已经非常好了。

 Chenlin：现在 Runway、Genmo、Imagen Video 等，生成的视频在质量上相差不大。大家似乎都卡在一个瓶颈上，没有人真正冲破。虽然宣传视频都不错，但实际使用有很多问题，比如存在不少 “artifact”，流畅度、时长不够。虽然 Runway 现在有 extension 功能，但效果也一般，如果我想要一个复杂、有逻辑的动作，比如让一个机器人先往前走，再右转，再左转，Runway 的 extension 功能是做不到的。行业里还没有人突破。这也是让我们兴奋的原因，还有很多技术创新和突破的空间。

Pika 1.0 Expand 功能效果

Pika Labs 团队提供

海外独角兽：从创业到现在短短六个月时间，Pika 的技术、产品、融资进展都很快，在这个过程中有哪些是预料之中的，有哪些是之前没预想到的挑战和困难？

 Demi：也许六个月前不会想到现在的发展，我们的发展的确是比较顺利，四五月融了 3 轮，收获了将近 50 万用户，每周有上百万 generation。

但对于现在的发展我们并不意外，可能我们还觉得现在的发展和预期中比起来，做得还不够好。我们团队之前设立了非常 ambitious 的目标，想在暑假发布一个新产品，实现百万用户，然后再融一轮。我们的融资时间比预想的要早，还有一些细节上和设想中不一样的地方，比如早期 marketing 的时候我们试了很多方法，没有想到其中一些方法会发挥作用，帮助我们获得了很多用户。所以我们会继续做更多尝试。

海外独角兽：领投了你们 Pre-Seed 轮的投资人 Nat Friedman 非常有名，你跟他接触过程中印象比较深的是什么？他给你们提过什么好的建议？

 Demi：我们的投资人非常 founder-friendly，非常 supportive。我们融资其实都是 pre-empted，所以其实没有跟很多投资人聊。非常幸运的是我们的投资人非常友好，给了我们很多 hands-on advice，他给的建议很难列举，都是针对一些特定问题给我们非常具体的建议。他回复消息很及时。

他也非常了解技术，有时还会写写代码。比如说我们有时候要改一些代码，他就给我们提供了一个专门改 code 的 plugin，还帮我们写过一个下载数据的脚本。

海外独角兽：如何更好的理解视频生成技术，它和图像生成有什么相同和不同？

 Demi：AI 生成图片和 AI 生成视频的模型有共通之处，它们相比于语言模型就是完全两类模型，有专门生成图片或者视频的模型，比如 diffusion model。

视频有很多和图片不一样的问题，比如要确保视频的流畅性、确保动作，视频比图像更大，需要更大的 GPU 内存，视频生成需要考虑逻辑问题，还要考虑如何生成，是一帧一帧生成，还是一起生成，现在很多模型是一起生成，生成的视频就很短。但如果要一帧一帧生成，又要怎么做？很多都是图片生成不会面临的新的技术问题。

 Chenlin：视频的每一帧都是一张图片，但比图片困难得多。每一帧的生成质量要高，相邻帧之间还要有关联性。当视频很长时，确保每一帧都协调一致是个相当复杂的问题。在训练时，处理视频数据时要处理多张图片，模型需要适应这种情况。比如，如何将 100 帧图片传输到 GPU 上是一个挑战。而在推理时，由于涉及到生成大量帧，推理速度相对于单张图片会更慢，计算成本也会增加。

此外，控制视频生成更难，因为模型需要生成每一帧发生的事情，而用户不会希望为每一帧都提供详细的描述。此外，视频生成涉及到更多的空间维度，让问题变得更复杂。再加上互联网上视频生成的训练数据集相对于图像更少，也给获取高质量数据增加了难度。

海外独角兽：现在视频生成有哪些关键点需要突破？

 Demi：首先是时长，跟时长很相关的是动作的意义。所有模型都很容易做一个 extension 的功能，把视频时长延长很多，但它并没有真的延长，因为它生成的动作没有意义。比如说我们可以做 20 秒的走路视频，但它可能做不了比如说走路、翻滚、奔跑之类的一个体操系列。所以我们不仅要延长视频制作的时长，还要关注动作的意义，看它到底能做多复杂的动作。

视频的清晰度也需要进一步提高。尽管清晰度方面已经有突破，但还没有提高到电影级的水平，现在生成的视频一般是 720p 分辨率，视频的流畅性也不够理想，特别是一些细节的 texture。还需要考虑 general artifact 的问题，比如说一个人有两个头，就是这种明显不符合常理的问题，也是需要避免的。

海外独角兽：现在视频生成的技术收敛了吗？是否像语言模型那样有了确定的技术路线，通过 scaling 就能获得很大的提升？

 Chenlin：现在还没有收敛，大家都在往各种方向尝试，每个人都认为自己的模型是最好的，可能有人认为 autoregressive 最好，有人认为 Masked Model 最好。Pika 也不能完全算 Diffusion Model，我们开发了很多新东西，是一种新的模型。

现在语言模型的路线很确定，有一个原因是 OpenAI 投入了很多资金去试，为什么 GPT 没有用于视频，可能因为他们的资源、人力都集中到了文本模型上。如果有一个公司投入很多资金，也许 diffusion model 也能做出不错的语言模型。但大家既然已经看到 OpenAI 的方法奏效了，就觉得没必要花费大量资金去投入别的方法。

而视频还没到那个阶段，所以我觉得未来往什么方向走都有可能，比如 GPT 的方式可能在某种程度上适合，因为 GPT 可以捕捉上下文，而视频中也需要一个上下文，相当于每一帧都需要考虑整个系统。我觉得最终还是希望能够利用每个模型最擅长的那一部分，因为视频可能每一帧仍然是一张图片，那是不是 diffusion model 可以生成得更好，是不是应该同时使用 GPT 和 diffusion 网络，我觉得最后会有很多方式可以构建这样的模型。

海外独角兽：在你们看来，AI 视频生成什么时候会迎来 GPT 时刻，如何去形容这样的 GPT 时刻？

 Demi：我希望明年就可以实现。给用户的感受就像  ChatGPT、Midjourney v5 那样，有一个显著提升。各方面都需要有改进，比如说视频生成模型的创新，engineering，包括数据、scaling 等等。

 Chenlin：我觉得目前视频生成处于类似 GPT-2 的时期，很可能在未来一年内有一个显著的提升。如果回顾图像生成，我记得在 2018 年时，我们实验室的博士后提了一个酷的想法，“如果以后维基百科的插图，都能根据维基百科的描述来生成该多好！”，大家听了都觉得是个很遥远的目标。然而到了2021年，已经有了 stable diffusion 和大模型。仿佛技术的发展时间被大大压缩了。所以我认为视频生成的突破也会比想象中快，到那个时候，生成视频应该是一个非常可控的过程，我们应该能够以更自由的方式生成任意长度的视频，而且生成的视频可以是任意长度的，人们可以像导演一样控制主角的行动，比如去咖啡馆喝咖啡，然后去学校上课，再运用我们的产品把所有片段拼起来成为一个完整的小短片。

Pika 1.0 AI Change 效果

Pika Labs 团队提供

海外独角兽：在实现视频 GPT 时刻这件事上，创业公司会扮演什么样的角色？在你们视角中，视频生成领域未来会呈现什么样的格局？

 Chenlin：我认为视频领域的竞争可能会类似语言模型的竞争格局——一家公司发布新模型的时候，他们内部可能已经有了更先进的模型，领先其他公司一到两年。我认为未来在视频领域也会是一家公司领先一到两年、在冲锋，其他公司在追赶。

海外独角兽：形成这种差距的原因在哪里？

 Chenlin：首先在技术方面，例如团队是不是最聪明，是否是最创新的团队，其次也和团队相关，团队需要一个清晰的目标，并一步步去执行这个目标。例如，数据是一个重要问题，处理一个数据集并不简单，比如我们要获取到 10 亿条数据，过滤和标注 10 亿条数据不是简单的事，团队要有能力处理整个流程，不会有特别多团队能够把这个流程做得特别好的。

海外独角兽：在视频生成领域什么样的数据算高质量的数据？

 Chenlin：首先是像素，就是我们说的画质好不好，然后看审美和艺术构图，第三方面是要有动作，并且这些动作是有意义的，比如电影里面其实有很多很漂亮的视频，但大部分动作都是人站在那边动嘴巴，虽然这些画面非常漂亮、也是很多著名导演专门设计出来的，但如果把它们用来训练模型不一定能完全训好。因为如果只用这些数据而不用其他内容的话，训出来的模型可能真的就学到后面所有人就只是在动嘴巴，也没有其他有意义的动作。

另外，视频的长度也很关键，如果模型都在 1 秒的视频上进行训练，那么想让模型去生成 30 秒的视频难度就很大，要么需要收集更多更长的数据让模型学习，要么就去重新训练模型的算法，让它只通过学习 1 秒的视频也能生成 30 秒的视频。所以数据创新或算法创新是必不可少的。

对于我们来说，版权始终也是一个重要问题，尤其在美国。我们肯定会与美国本地的律师团队合作，共同研究如何解决版权问题。

海外独角兽：你认为视频生成和 LLM 相比，哪个领域的人才和团队更稀缺？

 Demi：长期来看，视频行业的人才可能更稀缺。视频行业不能看现在，要看未来。我们发布第一个产品的时候，还没有开源模型，我们自己训练模型然后发布。最近由于开源模型的出现，导致更多 player 进入这个行业，但这个现象是短暂的。

相较于 LLM 的发展已经有了比较明确的路线，只需要不断提升 Scaling，如果想要做出很好的视频模型并且想投入商用，还需要在模型架构和算法层面做出技术突破。举例来说，视频都是 Sequence of Images, 现在的方法是所有 Images 一起生成，受到 GPU 内存的限制生成的视频都很短，所以我们需要新的方法才能生成更长的视频。再比如，视频生成模型领域可能还没有像 LLM 的 Scaling Laws 那么清晰的原则或规律出来。

视频生成模型还需要模型的创新，也需要很多的 engineering，这件事情不是所有人都能做成的。哪怕在 LLM 领域，OpenAI 也掌握了技术壁垒，所以即使现在有了 LLaMa 这样的开源模型，有很多人能做很多事情，但只有 OpenAI 能做 GPT-4。

海外独角兽：Pika 有没有信心成为视频生成行业里技术最强的团队？

 Demi：我们有这个信心，这也是我们想做的事情，我们想做技术最强的团队，之后我们可能还会招更多人。

海外独角兽：如果想要保持住先发优势行业领先地位，需要做什么？如何建立公司的护城河?

 Demi：首先要有先发优势，然后要不断积累资源，包括用户资源、数据和 GPU 资源等等。技术的发展和资源的积累其实是一个滚动的过程，比如说积累更多用户也会有助于我们训练模型。技术团队也非常重要，要招募更多技术人才。

Interface 设计方面也很重要，最后很有可能一部分是技术，另一部分是设计与技术相结合，设计会为技术发展提供灵感，技术也可以支持设计，这个壁垒可能会越来越近。

海外独角兽：当年 Stable Diffusion 发布时，由于模型较小，对算力的需求较低，社区也做得很好。视频领域对算力需求较高，是否会因此导致开源贡献有限，有意思的东西更多由像你们这样的专业公司来完成？

 Chenlin：我认为开源社区可能没有足够的算力来训练新的视频模型，因为训练一个新视频模型需要非常多的机器。对于 Stable Diffusion，有人可能用 8 张 A100 就能从头开始学习，并得到不错的结果。但对于视频模型，用 8 张 A100 可能不够了，可能无法训练出一个好的模型。而且视频模型本身的问题还没得到解决，因此大家可能会遇到一些瓶颈。首先，模型性能可能不够好，其次，一些算法方面的问题也不够好。但是修改模型、架构，修改算法都需要从头开始转换模型，我认为开源社区的人，甚至包括一些高校的人，没有这么多机器用来这些探索性工作。因此，我的理解是，开源社区会面临很大挑战，除非有一天像 POTX 或 TAI 这样的人有很多卡，愿意做慈善，开源一个模型。除了一些大公司开源模型外，普通开源社区很难进行探索性工作。

我们相信视频最终可能需要像训练 GPT 那样的大规模算力，现在大家还没使用那么多算力，一方面是因为视频模型还没达到像 GPT 那样的水平，另一方面是因为还有一些架构和技术上没解决的问题。我们相信这些问题改善后，未来会有新一代的视频模型达到类似 GPT 的规模。

海外独角兽：前阵子你们发布的花朵视频效果非常惊艳，即将发布的新产品会有什么大的变化？

 Demi：我们会发布新的模型，新产品和以前比会有很大的变化，首先肯定是生成质量的提升，能够生成的内容风格会更多，其次，编辑上也会更加灵活，我们会提供画布延展、局部重绘、视频时长拓展等功能。使用上除了 Discord 之外，我们也会上线全新官网，用户可以直接在网页端进行内容生成和编辑。我们计划明年推出能投入商用的产品，可能暂时不能制作整部电影，会先做影片中的一些素材或者 short clips。

海外独角兽：你们的模型现在是第一个，还是已经是第二个或者第三个版本了？

 Demi：我们其实训练了很多模型，未来即将发布的是最新的版本。

海外独角兽：为什么 Pika 的艺术家生成的视频效果很惊艳，普通用户在 Discord 里生成的视频效果还没那么好，产品的使用门槛是否比较高？

 Demi：一方面因为我们的艺术家用的已经是新模型了，模型本身就提高了很多。在生成花朵视频时，我们非常注重视频的连贯性，有很多方法可以控制视频的连贯性，比如说 prompt 一致，或者用 seed，用图片去控制。

另一方面，我们也计划提高产品的易用性，有时用户可能上传低分辨率的图片，或者复制了其他 prompt，在我们这里可能不适用，导致效果不佳。这些问题在我们的下一代版本中都将得到改善。

海外独角兽：Pika 团队现在是三个技术背景很强，还有一个视频行业的，那现在是谁主要负责产品设计，包括模型设计、整体的产品交互，以及怎么定位，最大的产品经理是谁？

 Demi：因为我们团队人特别少，所以工作职责的划分比较模糊。最早的时候我们三个一起写代码，当时没有分谁做谁的。每个人都会有一个重心，比如说我和我高中同学主要做 engineering，我的co-founder 主要做 model。我也会做任何其他项目的事情，哪怕 operation、product、design 都会去做，这也是创业公司的常态。不过这不是长期的事情，在有些事上我不一定是最合适的人选，我们今年年底会开始多招人。

海外独角兽：是否可以谈谈你们对产品设想、产品设计和迭代的方式是什么样的？你们和用户之间的沟通是什么样的？

 Demi：关于产品的想法可以分为长期和短期。长期我们想做的不仅是一家公司，而是希望用 AI 改变视频行业，重新设计视频制作的 interface，给视频创作者带来完全不一样的体验。如果做成这件事，我觉得它的影响力会超越一家公司的影响力。另一方面我觉得，现在正处于 AI 发展过程中一个非常特殊的历史时刻，我们有机会用 AI 实现任何事情，所以我们希望给视频行业，乃至更广泛的内容创作行业的 interface 带来颠覆性的改变。

我们对公司 high level 的想象是，未来我们不仅想做最好的技术，也想做非常好的 interface，用技术去实现更好的interface，用 interface 来指导技术发展。

长远来看，我们未来的关注会更偏向用户端。现阶段我们和用户的交流在很多方面帮助产品发展，比如我们会记录用户的 interaction，比如用户上传或下载视频的行为、然后基于 RLHF 来改进模型。用户提供的数据也有助于我们进行产品的设计和迭代。

海外独角兽：你们理想中新的 Interface会是什么样的？

 Demi：现在很难描述这个新的 Interface 会是什么样的，我现在能想象出来的 Interface 可能也不会是最好的，我们刚刚进入这个行业，这会是一个探索的过程。

海外独角兽：Pika 目前用户以个人用户为主，未来会更针对电影行业、广告行业还是短视频行业？对于目标受众有没有规划和讨论？

 Demi：未来还不确定，但短期内会有比较具体的目标，比如明年上半年我们的目标主要是现在的 AI 用户。比如 Midjourney 已经有几亿美元的收入，有上千万用户，这是一个非常确定已知的市场，我们刚开始可能会偏向这一类对 AI 有热情、愿意尝试 AI 技术的用户群体，可能是同一批用户或者比他们更多，这是我们短期未来几个月内的目标。

现在的用户里，有出于兴趣的个人用户，也有处于工作目的的专业用户。AI 发展得非常快，等未来技术更加成熟了、我们有了更加先进的模型，可能会重新规划一下目标受众。

海外独角兽：现在 Pika 生成视频默认是 3 秒，这个时长可能很难商用，如果技术成熟到能给用户初步创造商业价值，还需要多久？产品要做到什么样才能达到这个第一阶段目标？

 Demi：我们其实希望明年就能实现。现在不能确定视频时长能达到多长，可能不能制作一个完整的电影，但其实很多电影的片段就是 short clips， 所以我们希望明年至少在一定程度上能进行商用，可以帮助用户生成一些可以使用的素材或者片段，就像 Midjourney 的图像生成工具给用户提供一些商业价值。

明年视频时长可能会比现在长几倍，但还是小于 1 分钟。但其实很多电影或者商用广告的一个场景其实一般也就是几秒钟。所以说一方面我们会延长视频的时长，同时我们也会注重改善视频生成的质量，我们希望生成的视频中不要出现 artifacts、视频要好看、要高清、动作要更完美，确保即使比较短也能用，也可以把它们拼接到一起。

海外独角兽：很多人认为 Midjourney 产品取胜的关键除了技术，还有数据和审美。Pika 团队在这方面是怎么考虑的？内部会如何评估视频质量？

 Demi：我们团队非常重视审美，我们也意识到不是所有的工程师都具备审美能力。团队现在有两位艺术家，最近也在面试更多艺术家专门做审美方面的工作。我们的团队很小，大家每天都在一起工作，因此在设计和技术方面的协作非常密切。艺术方面的人可能会提出设计建议，然后我们学习并进行测试，整个团队的沟通非常紧密。

 Chenlin：视频数据处理的工程量很大，我们也雇佣了不少外包团队来标注数据。视频审美、评估的难度很大，需要艺术家来把控。我们虽然也有一些度量标准，但好看与否很难量化，最终取决于艺术家的感觉。就像 David Holz 经常说，他们公司地位最高的人是艺术家，因为艺术家可以决定哪个模型被发布，决定要用怎样的数据训练模型。模型生成的图像实际上就是训练数据集的一个缩影。如果训练数据集不够好看，模型学到的人物也不会好看，因此最终你需要一个具有艺术审美修养的人，他来选择数据集，把控标注的质量，并及时提供反馈。

海外独角兽：创意内容生成行业有不少创业公司，如何看待 Midjourney、Genmo、Typeface 等竞争对手？

 Demi：我其实不是很喜欢去想一些竞争对手。可能很多人会问我们怎么跟 Runway 去竞争，但是对我们来讲，我们想做的事情现在没有人能做成，这不是竞争的东西，现在我们是在跟这个技术、跟我们自己去竞争，我们不再想抢占市场，而是要先把事情做成。另一方面，竞争对手也是在动态变化的。我们主要还是想做成 AI 视频生成这件事情，因为我们对这件事情充满热情，而且觉得它非常有意义，也非常有挑战性，所以如果竞争对手想要和我们合作，我们也非常欢迎。

也有很多人会说，以后 Midjourney 可能会成为你的竞争对手，但其实 Midjourney 的 Vision 是想做一个 3D 实时的世界，Pika 的目标是做一个新的 Video Making Interface。

海外独角兽：怎么看视频生成和视频编辑的关系？

 Demi：视频生成本身也有编辑的成分，我们如果做好一个基础模型，然后在基础模型上去做一些应用程序是比较简单的。就像在图片生成领域，有了基础模型，比如想做一个手绘生成照片的应用很简单。到最后，视频生成和编辑的边界可能会很模糊。

短期内我们不会做特定类型的视频编辑，不会和剪映、Premiere 之类的工具走到一条赛道上，但我们可能会覆盖 Adobe After Effect 里的一些功能，比如单个视频的内容编辑、特效编辑功能。

海外独角兽：未来一年里公司在整体发展层面最关心的三个问题是什么？

 Demi：第一是想招人，现在我们忙着做产品的升级，但是因为现在人比较少，之后我们还是会招募更多成员；第二，我们想去设计一个新的 Interface；第三个就是我们还想做一些技术突破，希望明年的技术能够至少在一定程度上达到商业化标准，能在简单的 case 上得到应用。我们希望这个视频生成工具可以让每个用户，包括更广泛的大众都能使用，都能生成好看的视频。