OpenAI a communiqué jeudi 15 février sur son nouveau projet, Sora, une IA générative capable de créer des vidéos très réalistes. La startup, qui a lancé la course à l'IA générative avec la publication de ChatGPT il y a maintenant un an et demi, se lance dans la génération de vidéo à la demande.

Introducing Sora, our text-to-video model.

Sora can create videos of up to 60 seconds featuring highly detailed scenes, complex camera motion, and multiple characters with vibrant emotions. https://t.co/7j2JN27M3W

Prompt: “Beautiful, snowy… pic.twitter.com/ruTEWn87vf

— OpenAI (@OpenAI) February 15, 2024

Comme pour ChatGPT, Sora répond à un prompt tapé par l'utilisateur. Elle n'est pas la première à le faire. La Startup Runway, financée entre autres par Google, NVIDIA et Salesforce, le propose depuis plus d'un an avec ses modèles Gen-1, puis Gen-2 et son slogan « No lights. No camera. All action. ».

Mais les exemples publiés par OpenAI dans la présentation de Sora sont assez bluffants du point de vue de leur résolution, comme, au premier abord, de leur « réalisme » (on y reviendra).

Avec Sora et un prompt comme « several giant wooly mammoths approach treading through a snowy meadow, their long wooly fur lightly blows in the wind as they walk, snow covered trees and dramatic snow capped mountains in the distance, mid afternoon light with wispy clouds and a sun high in the distance creates a warm glow, the low camera view is stunning capturing the large furry mammal with beautiful photography, depth of field », la startup (on a failli écrire « le studio ») arrive à générer une vidéo de 10 secondes en 1080p de très bonne qualité qui semble fidèle à la demande pour les non-spécialistes de mammouths laineux que nous sommes.

Les exemples proposés par OpenAI semblent encore plus aboutis que ceux que présentait Runway en novembre dernier dans sa propre vidéo de promotion :

We have released an update for both text to video and image to video generation with Gen-2, bringing major improvements to both the fidelity and consistency of video results.

Try it now at https://t.co/ekldoIshdw pic.twitter.com/RyLiar7MFj

— Runway (@runwayml) November 2, 2023

Si on en croit les vidéos partagées par OpenAI, Sora est clairement une évolution impressionnante dans le champ de la génération d'images « text-to-video ». Comme Runway, Sora a aussi un mode « video-to-video » qui permet de partir d'une vidéo existante et de la modifier :

OpenAI just dropped their Sora research paper.

As expected, the video-to-video results are flipping spectacular 🪄

A few other gems: pic.twitter.com/MiRe2IYkcI

— Bilawal Sidhu (@bilawalsidhu) February 16, 2024

Sa présentation par OpenAI contient beaucoup de passages « grandiloquents », comme le souligne TechCrunch. Par exemple, lorsque l'entreprise soutient que « le modèle a une compréhension approfondie de la langue, ce qui lui permet d'interpréter avec précision les messages et de générer des personnages convaincants qui expriment des émotions vibrantes » ou qu'il « comprend non seulement ce que l'utilisateur a demandé dans l'invite, mais aussi comment ces choses existent dans le monde physique ». Le fameux anthropomorphisme abondamment utilisé par le monde de l'IA et pointé par la linguiste Emily Bender est de sortie.

Des « hallucinations »

En regardant de plus près, on peut trouver beaucoup de choses à redire sur ces vidéos proposées par la communication d'OpenAI. Des mini-lampadaires se retrouvent sur le trottoir d'une rue de Tokyo (dont on ne sait si elle existe réellement), où les cerisiers fleuris sont sous la neige. On peut aussi voir des louveteaux apparaitre comme par magie au milieu d'un chemin :

Le prompt était pourtant : « Five gray wolf pups frolicking and chasing each other around a remote gravel road, surrounded by grass. The pups run and leap, chasing each other, and nipping at each other, playing ».

Sora se trompe aussi quand OpenAI lui demande de recréer une vidéo d'un train passant le célèbre viaduc écossais de Glenfinnan. Le prompt proposé est très détaillé :

« The Glenfinnan Viaduct is a historic railway bridge in Scotland, UK, that crosses over the west highland line between the towns of Mallaig and Fort William. It is a stunning sight as a steam train leaves the bridge, traveling over the arch-covered viaduct. The landscape is dotted with lush greenery and rocky mountains, creating a picturesque backdrop for the train journey. The sky is blue and the sun is shining, making for a beautiful day to explore this majestic spot ».

Mais la vidéo générée par Sora représente un viaduc avec deux voies, alors que le viaduc réel n'en possède qu'une :

Sora n'est donc pas exempt des « hallucinations » qui ont rapidement été observées lors de l'utilisation d'autres IA génératives.

D'ailleurs, comme avec ChatGPT, OpenAI a l'intelligence marketing de pointer quelques « faiblesses » de son modèle : « Il peut avoir du mal à simuler avec précision la physique d'une scène complexe et ne pas comprendre les cas spécifiques de cause et d'effet. Par exemple, une personne peut mordre dans un biscuit, mais après coup, le biscuit peut ne pas avoir de trace de morsure ».

Elle ajoute qu'il peut « également confondre les détails spatiaux d'un prompt, par exemple en confondant la gauche et la droite, et peut éprouver des difficultés à décrire avec précision des événements qui se déroulent dans le temps, par exemple en suivant une trajectoire de caméra spécifique ».

Un rapport technique toujours pas au niveau d'un article scientifique

Avec GPT-4, l'entreprise a pris l'habitude de publier des « rapports techniques » sur les modèles qui n'ont qu'une vague ressemblance avec des articles scientifiques. Elle n'y déroge pas avec Sora. Le rapport publié donne des informations techniques sur sa création. Le modèle fait partie de la sous-famille des « diffusion transformers » (DIT), déjà utilisés pour générer des images fixes. Transformer est la famille dont est issu le modèle GPT (le T signifiant transformer).

Les chercheurs d'OpenAI y expliquent qu'ils ont aussi créé un réseau entrainé pour la compression vidéo : « ce réseau prend la vidéo brute en entrée et produit une représentation latente qui est compressée à la fois dans le temps et dans l'espace ». Entrainé sur cet « espace latent compressé », Sora y « génère par la suite des vidéos ». Le rapport contient divers exemples d'utilisation sur des vidéos et un paragraphe assez vague sur les limites de l'outil :

« Sora présente actuellement de nombreuses limites en tant que simulateur. Par exemple, il ne modélise pas avec précision la physique de nombreuses interactions de base, comme le bris de verre. D'autres interactions, comme la consommation de nourriture, n'entraînent pas toujours des changements corrects dans l'état des objets ».

Mais tout en allant plus loin que la présentation « tout public » de Sora, ce rapport laisse beaucoup de détails de côté pour qu'il soit lu comme un article scientifique. Dans sa communication, OpenAI évite aussi de parler des questions maintenant classiques que posent les IA génératives.

Quid des données d'entrainement et de l'énergie utilisée ?

On le sait, ces modèles utilisés par les IA génératives ont besoin d'être entrainés avec des tonnes de données pour pouvoir proposer des textes, des images et maintenant des vidéos de cette qualité.

• Dangers des grands modèles de langage : des chercheuses avaient prévenu

Pour les modèles GPT, l'entreprise communiquait un peu sur les jeux de données utilisés pour leur entrainement : si aucun détail n'était clairement donné, les chercheurs livraient les noms de regroupements de données comme « Books1 », « Books2 », « Wikipédia ». Pour Sora, OpenAI ne les évoque même plus. La question d'éventuels problèmes d'atteintes au droit d'auteur et d'infractions au copyright semble évacuée par l'entreprise.

De même, la question de l'énergie utilisée par Sora devient encore plus compliquée à poser, puisque l'entreprise ne donne aucun détail sur le matériel utilisé ou sur le nombre de données traitées.

Quid de la désinformation, des garde-fous et des biais ?

Comme pour ChatGPT, OpenAI affirme qu'elle prendra « plusieurs mesures de sécurité importantes avant de rendre Sora disponible » et qu'elle travaille avec des « experts dans des domaines tels que la désinformation, les contenus haineux et les biais – qui testeront le modèle de manière contradictoire ». Elle ajoute qu'elle est en train de créer des outils d'aide à la détection de « contenus trompeurs ». L'un d'eux, par exemple, sera capable de déterminer si une vidéo a été générée par Sora.

On n'en saura pas plus. Ces sujets de préoccupation sont pourtant pointés depuis l'avènement des grands modèles de langage.

Il y a quelque temps, des projets de développement étiquetés « privacy by design » ou « secure by design » ont émergé. N'est-il pas temps que les entreprises de l'IA générative s'en inspirent ?