前沿趋势｜OpenAI首个文生视频模型Sora惊艳发布，听听园企技术专家怎么说······

2月16日凌晨，OpenAI又展开了一次超乎所有人想象的发布，其首款文生视频模型Sora正式对外亮相。从ChatGPT、DALL-E3，再到Sora，如果用一句话来总结OpenAI的与众不同之处，那就是：技术想象力和工程能力，要远比技术路线或者黑科技重要。

首款文生视频模型Sora火爆“出道”

2023年及以前，文生视频的模型虽然出现Runway、Pika等现象级产品，但从整个行业来看，把扩散模型和语言模型相结合的工作并没有被业内放在“最高优先级”。OpenAI指出，Sora与之前的文生视频思路并不一样，是让模型一次预测多帧画面，并且确保视频主体保持不变。

Sora在视频帧上做突破，巧妙地提升生成视频的使用上限。把Transformer引入到文生视频的扩散模型中，实现视频帧之间的语义信息预测，让语言模型在其中发挥出巨大的价值。也就是说：Transformer+Diffusion Model，在2024年初实现融合，不再是独立两条发展路径。

Sora的效果已经在科技圈内不断刷屏，以至于很多人对于OpenAI新技术的发布，如同期待苹果乔布斯时代的发布一样，总有超乎预期的技术让人眼前一亮。

Sora 1.0版本将如何升级？

Sora模型能够生成包含多个角色、特定类型运动和主体及背景精确细节的复杂场景。该模型不仅能理解用户在提示中所要求的内容，还能理解这些事物在现实世界中的存在方式。该模型对语言有深刻理解，能准确解读提示，并生成表达丰富情感的引人入胜的角色。Sora还能在单个生成的视频中创建多个镜头，使角色和视觉风格保持准确一致。

当然，对于Sora当前存在的弱点，OpenAI也不避讳，指出它可能难以准确模拟复杂场景的物理原理，并且可能无法理解因果关系。例如“五只灰狼幼崽在一条偏僻的碎石路上互相嬉戏、追逐”，狼的数量会变化，有的狼崽凭空出现或消失。

该模型还可能混淆提示词的空间细节，例如混淆左右，并且可能难以精确描述随着时间推移发生的事件，例如遵循特定的相机轨迹。如根据提示词“篮球穿过篮筐然后爆炸”生成的视频中，篮球撞到篮筐边缘竟然没有反弹而是直接穿过。

OpenAI表示，他们正在教AI理解和模拟运动中的物理世界，目标是训练模型来帮助人们解决需要现实世界交互的问题。如今，Sora正面向部分成员开放，以评估关键领域的潜在危害或风险。同时，OpenAI也邀请一批视觉艺术家、设计师和电影制作人加入，期望获得宝贵反馈，以推动模型进步，更好地助力创意工作者。

关于Sora，园企这样说

达观数据有限公司

副总裁 王文广

语言是人类智能的基础，人类之所以成为人类就是出现了语言，所以人类制造的智能体，需要以语言为基础。但要在人工智能中真正实现AGI，这中间还有一个关键环节，那就是让机器能够自主地从物理世界中学习，这就要求AGI具备连续的视觉理解能力，构建出能够模拟现实物理世界的时空模型。也就是说，连续的视觉理解能力是AGI从物理世界学习的基础。Sora的出现，正是在时空模型和视觉理解上往前推进了一大步。这有点像ChatGPT的出现，在语言智能上往前推进了一大步一样。也正是因为这个原因，Sora一出世即获得极大关注，再一次重现一年多前的ChatGPT的场景。

另外，在技术上，Sora是在视觉领域重复了GPT3的路径，是规模化的智能涌现，而不是模型或算法上的突破。通过Sora，证实了不断扩大视频模型的规模，将有可能模拟整个物理世界，并让人造智能体能够理解世界，为改造世界打下基础。

当然，上面是从通用人工智能的视角来看待Sora的。Sora的直接影响是整个影视制作和媒体行业，这是颠覆性的影响，有如火车的出现，改变了整个运输行业一样。马车不会消失，但成了小众，未来的影视制作形态也会完全变了样。

上海森亿医疗科技有限公司

联合创始人兼首席技术官 殷嘉珩

Sora模型一经推出，就在视频生成领域做到了SOTA（State of the Art），一下子就将相关领域的效果推进了很多，获得广泛关注。Sora使用基于视频时空patch的方式，将视频可以表示成类似大语言模型Token的形式，从而可以用类似LLM的方式使用Diffusion Transformer（DiT）进行训练和生成。Sora可以根据文本和图片提示，生成60秒任意分辨率和长宽比的视频，更令人兴奋的是，这个视频中会更好地模拟每个对象的物理特性，从而看起来非常真实。

不过就目前来看，Sora距离真正的强人工智能和世界模型还是有较大的差距。Meta的首席AI科学家Yann LeCun指出，Sora能生成出4条腿的蚂蚁，就说明了Sora不能真正地像人一下理解世界的常识。比如幼儿哪怕是小动物，都能从简单的观察中意识到，一切抛掷的物体终将落向地面，但Sora这样的模型，只能通过海量的训练数据，去模拟这样的行为，并不能真正地实现“世界模型”。

上海智位机器人股份有限公司

高级工程师/AIGC小组主理人 夏青

Sora是一个在工程领域成功的模型，其创新性地结合了扩展模型和Transformer模型。它的物理过程、长距离关联性、3D连续性等特性让人震惊，让我们再次看到大规模参数训练后产生的涌现。它是否代表人工智能已经理解了现实世界，甚至是通向AGI的第一步？同时，其生成60秒的视频的能力也超越了许多现有的工具。虽然目前Sora并未提供接口供公众使用，但我们预见其在短视频领域的巨大潜力。然而，其稳定性可能是一个问题，需要进一步地训练和使用以稳定输出。对于监管，利用区块链技术进行可追溯的水印可能是一个解决方案。

派欧云计算（上海）有限公司（PPIO）

Sora之所以能引起如此大的震动，是因为它在一定程度上实现了物理世界的虚拟化，是当前最接近AGI概念的产品。Sora不仅能理解用户在提示中提出的要求，还能模仿这些物体在物理世界中的存在方式。比如一大群纸飞机在树林中飞过，Sora知道碰撞后会发生什么，并表现其中的光影变化，这其中的技术突破是远超预期的。Sora的问世也正印证了硅谷的新摩尔定律：模型能力1-2年提升一代，训练成本18个月下降4倍，推理成本18个月下降10倍。

从商业上看，AI在应用层如雨后春笋般发展，各行各业都在涉及。而大模型的训练与推理、生成式AI应用的规模化落地，需要新一代的基础设施来支撑。GPU和云作为AI的军火，其市场需求将更加旺盛，未来几年甚至会供不应求。当下的AI模型训练主要依靠英伟达GPU，但主流算力芯片已经供不应求，有机构预测到2024年需求将达到150-200万。虽然现在来看ARM、英伟达、台积电构建的全球AI半导体产业链可能是短期的最大收益者，但未来或许会迎来更大的竞争。目前，对于中国企业来讲，算力基础设施的自主化建设、尤其是算力芯片，仍是在AI赛道上与全球保持同步进步的重要方向。

来源｜央视网、腾讯科技、北京新闻广播微信公众号，达观数据、森亿智能、智位机器人、PPIO

编辑｜王芳

审核｜姚远

校对｜办公室