海底撈的小哥們，爲了科目三，崴了多少腳。

但是千算萬算，沒有算到在通義千問悄悄上線的“全民舞王”的助攻下，只需要一張照片，人人都可以科目三。

以現在大模型的“姿勢水平”，文字生成文字，文字生成圖片對它而言已經變成了“小兒科”，不管大家在排行榜上競爭得如何激烈，真正的競爭，其實已經到了跨模態生成領域——“全民舞王”的圖片生成視頻是這樣，讓馬斯克和紮克伯格等知名外國人在視頻裏說中文也是這樣。

而且，“全民舞王”依托的Animate Anyone大模型，已經不止停留在“玩具”層面上。結合阿裏雲最新的Outfit Anyone“一鍵試衣”大模型，未來我們在淘寶買衣服，上傳一張照片就能看到動態的上身效果視頻，已經不再遙遠。

阿裏心心念念的“AI電商”，如今又多了一張拼圖。

科目三之所以成爲“現象級”舞蹈，並不是因爲它在國內短視頻平台有多麽“火”，因爲五六年前的社會搖已經做到了這一點——而是它能不能成爲文化輸出的一個符號，進而獲得登堂入室的門票。

單論結果，科目三現在早就走出了短視頻平台，還被做進了遊戲，走上了國際化大舞台。

譬如在去年12月9日的世界體育舞蹈大賽上，世界冠軍克裏斯蒂娜和幾位舞者一起展示了國標版“科目三”；騰訊上線剛一個月的“正版合家歡派對遊戲”《元夢之星》裏面，老壺也發現了角色專屬的“科目三”表情動作。

再到如今的“全能舞王”，只需在通義千問app裏面上傳一張全身照片，再等待10分鍾左右，就能生成一段10秒左右的跳舞短視頻。

進入“全民舞王”的模板區，有DJ慢搖、只想對你說“愛你”、鬼步舞、蒙古舞、科目三、劃槳步等12種熱門舞蹈的模塊可以選。雖然可以選的有很多，但就流量和關注度而言，科目三自然是毫無疑問的C位。

捋一捋時間線也能發現，國外短視頻達人開始“病毒式傳播”科目三的時間點，恰好是在去年10-11月份左右。差不多在同一時期，阿裏雲旗下團隊就發布了“全能舞王”相關的大模型技術文檔。

要知道，科目三這個舞種不同于一般手勢舞，是需要一定的舞蹈基礎和四肢協調性的。換句話說，在國外也並非所有人都能輕松駕馭。

但阿裏雲發布的這篇論文，則通過“Animate Anyone”的模型，將固定的角色圖像轉化爲特定姿勢序列控制的動畫視頻，換句話說，之前一點舞蹈基礎都沒有的人，現在可以通過這個模型，開局只需一張圖，就能爲所有舞蹈小白，提供了在短視頻領域“走上舞台”的可能。

也因此，這條介紹“Animate Anyone”的推文在發布不到一個月，就斬獲了超過5000萬的點擊，也就不足爲奇了。

在 “ Animate Anyone ”出現之前，從靜態圖像到動態視頻的合成，仍然有很多“坎”需要過，

首先是細節一致性。

舉個例子就是，現在市面上的AI圖片或者文字生成視頻，很多時候主體之外的圖像會出現局部變形、細節模糊和幀數不可控的問題，這些都會影響視頻生成的質量。

再比如動作控制和連貫性。因爲視頻如果要商用，視頻裏人物的動作是需要保證可控性的。如果是AI生成，則主要通過預先輸入的動作序列來控制角色動作。但在目前AI視頻的角色動作，還無法完全靠prompt精准控制。

在圖片生成文字的過程中，還需處理的是圖像到視頻的轉換過程，並且需要保證這個過程中，圖像的空間與時間一致性。

在此之前，諸如stable Diffusion、midjourney等AIGC産品雖然已經初步具備了文生圖和圖生圖、圖生視頻等跨模態生成能力，但在AI生成視頻領域，前面提到的問題仍然沒有得到解決。

“Animate Anyone”則在很大程度上，對前述相關問題作出了改進。首先團隊通過名爲“ReferenceNet”的輔助模型，用來捕捉參考圖像的空間細節，這保證了角色每一幀外觀細節的一致性；

其次，團隊使用了一種高效的Pose Guider姿態引導器，這讓角色的運動姿勢得到了有效控制，體現在視頻中，則是讓視頻角色按設定好的姿勢進行運動，並具備穩定的過渡，保證連續性和流暢性；

此前AI生成的視頻細節爲何不可控，很大程度上是因爲每一幀的時間關系不夠緊密，很多細節沒辦法保留到下一幀。在“Animate Anyone”的模型裏，則通過一個時序生成模塊來保證多個視頻幀之間的關系，很多高分辨率的細節得以全程保留。

即便是解決了這麽多技術難題，單看目前“全能舞王”的生成效果，也與真人上鏡有一定的差距。譬如生成的舞蹈節奏是平均的，但現實音樂大多數都是快慢分布。這讓“科目三”的生成效果不可避免打了折扣。

但與一衆大模型前輩相比，“Animate Anyone”已經把最重要的形象一致性和姿態穩定、多幀關系控制等關鍵問題搞定，在圖生視頻賽道上，已經完成10-60+分的突破。

圖生視頻從10分到60分，意味著什麽？

意味著它不僅可以完整保留人臉、身材比例、服裝細節和背景信息，同時還能對生成的動作做精准控制，且在技術上生成的視頻長度不受限制。與Gen2、Pika等文本生成視頻的産品比， AnimateAnyone更聚焦人本身。

也就是說，起碼在圖生視頻這一塊，“Animate Anyone”已經將AI視頻從“玩具”變成了“可初步商用”。再加上阿裏近期發布的“Outfit Anyone”，用戶可以僅僅用服飾的平鋪圖，就可以實現上下裝的試穿。

如果與二者結合。用戶不僅可以通過上傳一張照片，試穿自己心儀的大多數服裝，而且可以通過動態動畫，直接預覽它的上身效果。與其說淘寶模特因爲AI失業，不如說AI讓所有人都可以成爲自己的模特。

當然，“Animate Anyone”能夠應用的地方也不止于此，很多遊戲開發人員大可使用這種算法，將靜態的遊戲角色圖像轉換爲具有不同動作和姿勢的動畫角色，以此實現同一款素材的多次複用，並增加對應角色的沉浸感和可信度。

而大家在淘寶買東西，最怕的是什麽？就是“賣家秀”和“買家秀”的差異所帶來的低可信度。但在自己的AI化身成爲淘寶模特之後，這個顧慮很大程度上會被打消，交易中最重要的信任成本也因此消失。

還記得在拼多多市值剛剛超越阿裏巴巴的時候，馬雲老師除了表示對拼多多的祝賀，還專門提到了“AI電商”的概念：“AI電商時代剛剛開始，對誰都是機會，也是挑戰。”

在價格和交易環節，它可能是基于AI驅動的實時比價，助力消費者買到自己最心儀的産品；在服務和體驗環節，它有可能是更優質的數字人售後和更身臨其境的購物體驗。

能替用戶試穿衣服的“AI模特”不過只是服裝品類體驗的一小步，但就整個阿裏AI電商的戰略而言，它可能是無數基礎拼圖的其中一塊，但也是極爲重要的一塊。