Publikováno: 30. července 2025 / Aktualizováno: 30. července 2025 – Autor: Konrad Wolfenstein
Velká čínská ofenziva v oblasti umělé inteligence: S Wan 2.2 se Alibaba snaží předběhnout Západ – a vše dělá open source – Obrázek: Xpert.Digital
Toto je nový zázrak od Alibaby, AI Wan2.2: Zdarma, výkonnější než konkurence a dostupná pro všechny
Čínská video odpověď na Soru od OpenAI: Tato nová umělá inteligence generuje videa v kině – a je zdarma
Dne 29. července 2025 čínská technologická společnost Alibaba vydala Wan2.2, vzrušující novou verzi svého open-source modelu generování videa, která zásadně mění prostředí umělé inteligence pro video produkci. Tato inovativní technologie představuje první open-source model generování videa na světě, který implementuje architekturu Mixture-of-Experts (MoE), určenou jak pro profesionální filmovou produkci, tak pro použití na běžném hardwaru.
Vhodné pro:
Technologická revoluce prostřednictvím architektury MoE
Wan2.2 poprvé zavádí do modelů difúze videa architekturu se smíšenou expertní skupinou, což představuje významný technologický průlom. Tato inovativní architektura využívá duální expertní systém, který rozděluje proces generování videa do dvou specializovaných fází. První expert se zaměřuje na rané fáze redukce šumu a určuje základní rozvržení scény, zatímco druhý expert se stará o pozdější fáze, zdokonaluje detaily a textury.
Systém má celkem 27 miliard parametrů, ale v každém inferenčním kroku aktivuje pouze 14 miliard parametrů, což snižuje výpočetní náročnost až o 50 procent bez kompromisů v kvalitě. Toto zvýšení efektivity umožňuje generovat vysoce kvalitní videa při zachování konstantních výpočetních nákladů a současně rozšiřuje celkovou kapacitu modelu.
Filmová estetika a filmová kontrola
Výraznou vlastností Wan2.2 je jeho systém filmového estetického řízení, který uživatelům umožňuje přesně ovládat různé vizuální dimenze. Model byl trénován na pečlivě vybraných estetických datech, včetně podrobných popisů osvětlení, kompozice, kontrastu, odstínu, úhlu kamery, velikosti obrazu, ohniskové vzdálenosti a dalších filmových parametrů.
Tato funkce je založena na systému nápověd inspirovaném filmovou tvorbou, který kategorizuje klíčové dimenze, jako je osvětlení, nasvícení, kompozice a barva. To umožňuje platformě Wan2.2 přesně interpretovat a implementovat estetické záměry uživatele během procesu generování, což umožňuje vytvářet videa s přizpůsobitelnými filmovými preferencemi.
Pokročilá tréninková data a generování komplexního pohybu
Ve srovnání s předchůdcem, Wan2.1, byla trénovací datová sada výrazně rozšířena: o 65,6 procenta více obrazových dat a o 83,2 procenta více video dat. Toto masivní rozšíření dat značně zlepšuje generalizační schopnosti modelu a zvyšuje kreativní rozmanitost napříč různými dimenzemi, jako je pohyb, sémantika a estetika.
Model vykazuje významná vylepšení v generování složitých pohybů, včetně realistických výrazů obličeje, dynamických gest rukou a složitých atletických pohybů. Navíc poskytuje realistické vykreslení se zlepšenou poslušností povelů a dodržováním fyzikálních zákonů, což vede k přirozenějším a přesvědčivějším videosekvencím.
Efektivní využití hardwaru a dostupnost
Wan2.2 nabízí tři různé modelové varianty, které pokrývají různé požadavky a hardwarové konfigurace:
- Wan2.2-T2V-A14B: Model pro převod textu na video s 27 miliardami parametrů (14 miliard aktivních), který generuje videa v rozlišení 720p a 16 snímcích za sekundu.
- Wan2.2-I2V-A14B: Model převodu obrazu na video se stejnou architekturou pro převod statických obrázků na videa.
- Wan2.2-TI2V-5B: Kompaktní model s 5 miliardami parametrů, který kombinuje funkce převodu textu na video a obrazu na video v jednotném rámci.
Kompaktní model TI2V-5B představuje významný průlom, protože dokáže generovat 5sekundová videa v rozlišení 720p za méně než 9 minut na jediné spotřebitelské grafické kartě, jako je RTX 4090. Tato rychlost z něj dělá jeden z nejrychlejších dostupných modelů v rozlišení 720p@24fps, což umožňuje těžit z výhod této technologie jak průmyslovým aplikacím, tak akademickému výzkumu.
Pokročilá architektura UAE pro optimalizovanou kompresi
Model TI2V-5B je založen na vysoce efektivní 3D VAE architektuře s kompresním poměrem 4×16×16, což zvyšuje celkový kompresní poměr informací na 64. S další vrstvou pro opravy dosahuje celkový kompresní poměr TI2V-5B dokonce 4×32×32, což zajišťuje vysoce kvalitní rekonstrukci videa s minimálními nároky na úložiště.
Tato pokročilá kompresní technologie umožňuje modelu nativně podporovat úlohy převodu textu na video i obrázků na video v jednom jednotném rámci, který zahrnuje jak akademický výzkum, tak praktické aplikace.
Benchmarková výkonnost a pozice na trhu
Wan2.2 byl testován s předními komerčními modely pro generování videa s umělou inteligencí, včetně Sora, KLING 2.0 a Hailuo 02, s využitím nové sady testů Wan-Bench 2.0. Výsledky ukazují, že Wan2.2 dosahuje špičkového výkonu ve většině kategorií a překonává své konkurenty na vysoké úrovni.
V přímém srovnání se Wan2.2-T2V-A14B umístil na prvním místě ve čtyřech ze šesti klíčových benchmarkových dimenzí, včetně kritických oblastí estetické kvality a dynamiky pohybu. Tento úspěch upevňuje pozici Wan2.2 jako nového lídra na trhu s open-source technologiemi pro generování videa ve vysokém rozlišení.
Dostupnost a integrace open-source
Wan2.2 je k dispozici jako plně open-source software pod licencí Apache 2.0 a lze jej stáhnout z Hugging Face, GitHub a ModelScope. Modely jsou již integrovány do populárních frameworků, jako jsou ComfyUI a Diffusers, což umožňuje bezproblémové použití ve stávajících pracovních postupech.
Model TI2V-5B je vybaven funkcí Hugging Face Space připravenou k okamžitému použití, která uživatelům umožňuje okamžitě vyzkoušet technologii bez složitých instalací. Tato dostupnost demokratizuje přístup k nejmodernější technologii generování videa a podporuje inovace v celé komunitě vývojářů.
Čínská strategická ofenziva umělé inteligence
Vydání Wan2.2 je součástí širší čínské strategie open-source pro umělou inteligenci, která si již získala mezinárodní pozornost díky modelům jako DeepSeek. Tato strategie je v souladu s oficiálním čínským plánem digitalizace, který od roku 2018 propaguje spolupráci v oblasti open-source jako národní zdroj a předpokládá masivní vládní investice do infrastruktury umělé inteligence.
Společnost Alibaba již zaznamenala přes 5,4 milionu stažení svých WAN modelů na platformách Hugging Face a ModelScope, což podtrhuje silnou mezinárodní poptávku po čínských open-source řešeních umělé inteligence. Společnost plánuje další investice ve výši přibližně 52 miliard dolarů do cloudových technologií a infrastruktury umělé inteligence, aby upevnila svou pozici na tomto rychle rostoucím trhu.
Vhodné pro:
Wan2.2 přináší průlom v oblasti videí s umělou inteligencí: Open source na profesionální úrovni
Wan2.2 představuje zlomový bod v generování videa s využitím umělé inteligence a nabízí první open-source alternativu k placeným, proprietárním modelům, která může konkurovat komerčním řešením. Kombinace filmové kvality, efektivního využití hardwaru a úplné dostupnosti open-source staví tento model mezi atraktivní alternativy pro tvůrce obsahu, filmaře a vývojáře po celém světě.
Toto vydání pravděpodobně zintenzivní konkurenci v oblasti generování videa s využitím umělé inteligence a mohlo by povzbudit další společnosti k podobným strategiím s otevřeným zdrojovým kódem. Díky své schopnosti běžet na spotřebitelském hardwaru a poskytovat profesionální výsledky má Wan2.2 potenciál demokratizovat produkci videa a odemknout nové kreativní možnosti.
Kombinací pokročilých technologií s filozofií otevřeného vývoje nastavuje Alibaba s Wan2.2 nové standardy v generování videa s využitím umělé inteligence a etabluje Čínu jako přední sílu v globálních inovacích v oblasti umělé inteligence. Dalekosáhlé důsledky tohoto vývoje v nadcházejících letech zásadně změní způsob, jakým se videa vytvářejí a produkují.
Vhodné pro:
Váš expert v oblasti transformace, integrace a platform umělé inteligence
☑️ Naším obchodním jazykem je angličtina nebo němčina
☑️ NOVINKA: Korespondence ve vašem národním jazyce!
Konrad Wolfenstein
Rád vám a mému týmu posloužím jako osobní poradce.
Kontaktovat mě můžete vyplněním kontaktního formuláře nebo mi jednoduše zavolejte na číslo +49 89 89 674 804 (Mnichov) . Moje e-mailová adresa je: wolfenstein ∂ xpert.digital
Těším se na náš společný projekt.