日前，AI科学家李飞飞团队与谷歌合作，推出了视频生成模型W.A.L.T（Window Attention Latent Transformer）——一个在共享潜在空间中训练图像和视频生成的、基于Transformer架构的扩散模型。

李飞飞是华裔女科学家、世界顶尖的AI专家，现为美国斯坦福大学终身教授、斯坦福大学人工智能实验室主任，曾任谷歌副总裁和谷歌云首席科学家。前OpenAI研究员、曾担任特斯拉人工智能和自动驾驶视觉总监的Andrej Karpathy便是其得意弟子。

从展示的案例来看，W.A.L.T的效果媲美Gen-2比肩Pika，其可以根据自然语言/图片提示生成逼真的2D/3D视频或动画。

评论区有不少人惊叹，“好莱坞的末日！”“跨域式的发展！”还有人提问，“能嵌入消费电子产品上吗？代码会开源吗？”

图1：A Teddy bear skating carefully in Times Square，Slow Motion/一只泰迪熊在时代广场上优雅的滑冰，慢动作

图2：An stronaust riding a horse/一名宇航员骑着马

图3：A giant dragon sitting in a snow covered landscape, breathing fire/一条巨大的龙盘踞在冰雪覆盖的大地上，喷吐着火焰

图4：Cameraturns around a cute bunny, studio lighting, 360 rotation/相机围绕一只可爱的兔子旋转，工作室灯光，360度旋转

图5：相关论文