属于这一代年轻人的机会，才刚刚开始

观点 / 王建硕 主笔 / 景九

编辑 / 二蔓 版面 / 黄静

这是刘润公众号的第2170篇原创文章

我猜，这段时间，你的朋友圈，大概被这么一件事刷屏了。

2024年2月16日凌晨（美国时间2月15日），OpenAI发布了“文生视频”（Text-to-video）的工具，Sora。是的，Sora。这个名字可能取自于日语“天空”的AI视频生成模型，用它堪比电影大片的生成视频质量，震撼了世界。

全世界无数的人，用无数种语言，在社交媒体上惊呼：现实，不存在了。

可是，Sora到底厉害在哪？为什么能引起这么多人的讨论？和我又有什么关系？

我们之前也写了一篇文章，尝试回答这些问题。

但是，依然有人问：能不能说的再详细一点？它和别的文生视频工具有什么差别吗？背后有什么难以置信的技术吗？

所以，我专门找到了百姓AI的创始人，王建硕老师，邀请他来到了我们刘润进化者直播间，做了一场直播。

王建硕老师，是我在微软的老同事，在微软最敬佩的20人之一。同时，他也是一线的AI科技公司从业者，他的体感，他的判断，对于你理解AI目前的发展，理解这背后代表着什么样的机会，可能会有特别大的帮助。

和他聊完之后，我有一种特别强烈的感觉：Sora的发布，很可能意味着，属于这一代年轻人的机会，才刚刚开始。

为什么这么说？

我试着用一篇文章讲清楚。这篇文章，可能信息量会有点大，内容也相对要晦涩一些。

但相信你看完，一定会有所收获。

首先，我们就从“到底什么是Sora”，开始吧。

什么是Sora？

Sora，就是一个视频生成模型。

如何生成？只要你给出文本指令（prompt），它就会生成一段视频。根据官网的例子，只要你给出像这样的“咒语”：

一位时尚的女士穿着黑色皮夹克、长红裙和黑色靴子，手拿黑色手袋，在东京一条灯光温暖、霓虹灯闪烁、带有动感城市标志的街道上自信而随意地行走。她戴着太阳镜，涂着红色口红。街道潮湿而有反光效果，色彩缤纷的灯光仿佛在地面上创造了镜面效果。许多行人在街上来往。

它就能生成类似于这样的视频：

（视频 来自互联网）

请问，看完之后，你有什么感觉？

这，是AI生成的？

自然的体态，左顾右盼的神情，稳定的视频质量，连贯的动作……甚至皮肤上的毛孔和瑕疵，都一清二楚。

时长，还达到了：60秒。

Sora能干的，还不仅仅是从文字生成视频。给他一张图片，它能直接生成动态视频；给它两个视频片段，它能整合到一起。而且视频质量，无一不是：画质好，时间长，拍摄主体连贯运动。

这样的视频素质，已经算得上可用的视频素材了，直接放到视频里当空镜，也没什么违和感。

之前，市面上并不是没有AI视频生成模型出现。但它们生成的视频，要么不断抖动，分辨率很低；要么，只能生成极短的时间，很难超过20秒。

能一口气生成60秒清晰视频的模型，目前来看，只此一家。

很多业内人士看了，也纷纷表示惊讶。

Runway联合创始人兼CEO Cristóbal Valenzuela感慨：太快。一年的进展，几个月就搞定了。以后几个月的进展，估计要几天就搞定了。几天的进展，估计几小时就搞定了。

（ 图片来自互联网）

美国投资人Zak Kukoff，给出了自己的预测：以后，不到五人的小团队，就可以在视频模型的帮助下，制作出一部票房超过5000万美元的电影。

（ 图片来自互联网）

王建硕老师说：

这也是Altman厉害的地方：Sora一推出，就可以看出来，它的完成度特别高。

无论懂不懂技术，你看了之后都会马上直观地意识到它的产品价值。

可是，即便是比目前的同类产品好，但清晰度变高，时长变长，这不是视频的正常发展逻辑吗？它有那么厉害吗？

哎，有的。让我给你说说，从效果上看，它到底厉害在什么地方。

效果厉害在什么地方？

首先，上结论。

从目前Sora的效果来看，它厉害在：靠对无数2D视频的学习，形成对3D世界的认知。

什么意思？请你再看一下上面的视频。

你能看到，视频里的东京时尚女士身后地面上的水渍，很清晰地反映出了后边行人的倒影；

在视频后半段的近景特写中，你也可以看到，她的墨镜上反射出了街景和行人的倒影。

虽然Sora对这些关系的模拟，并不是完全正确。

但它至少，说明了一件事：Sora，可能正在理解现实世界中的物理规律。

可是，这样很厉害吗？之前很多的3D动画电影，不都能呈现这种效果吗？

回忆一下，像是《海底总动员》《赛车总动员》《玩具总动员》这些电影，也能看到这种接近现实的物理规律。

是的。但是，请你注意这样一件事：

电影里的画面之所以符合物理规律，全靠制作人员花费大量的心血，建立了一系列复杂模型，才得以实现。

你能在最后成片里，看到的物理规律，都是他们一条一条提前设定好的。

比如，物体的材料，是毛发、布料、还是大理石？人的关节，是如何绑定在一起的？我拿起杯子，手腕、手肘、肩膀，应该怎样活动？一颗苹果从树上掉下来，是轻飘飘的落地，还是受到重力加速度的影响，下落得越来越快？

在传统影视工作中，要把这些物理规律表现在画面里，我们就必须把现实世界的规律，抽象出来，写到软件里去。

举例来说，“汉堡被咬一口，会留痕”，这也是规则。但如果你建模的时候，没有写进去这条规则，画面中就会出现“人咬了一口汉堡，而汉堡还是完整的”这种诡异情况。

所以，之前做动画电影，为什么那么贵？

因为要人为维护的规律，太多了。要在同时满足这些规律的基础上，运算整个模型，呈现出画面，需要的算力，太大了。

但现在，Sora给了我们一个新的答案。

它不需要建模，只是根据自己对无数高清的素材学习，就能开始理解，甚至反推出现实世界的物理规律，并在新创造出的视觉内容里，把它展示出来。

太厉害了。

可是，OpenAI是怎么做到的？Sora背后的技术原理，有哪些特别厉害的地方？

Sora的算法、算力和数据

我们常说，人工智能有三个重要元素，是：算法、算力和数据。

那么，在Sora的算法、算力和数据上，OpenAI做了哪些不一样的事情呢？

我把其中可能特别重要的因素，挑选出来一些，试着分享给你。

首先，是算法。

王建硕老师说：

Sora选择的模型思路，是扩散模型（Diffusion），也就是被大多数文生图，文生视频模型采纳的思路。

为什么是它？我们打个不算严谨，但好懂的比方。

之前的模型思路，如生成对抗网络（GAN）之中，生成器，就像是一位只想通过考试的考生，一直执着于对经典画作的模仿，只为了通过考官，也就是判别器的打分。

这样做，虽然双方都会不停的进步，但考生时不时，就会因为考官给到的压力过大而崩溃，并且考生最后输出的结果，本质上就是对先作的不断模仿。从创作的角度来说，天花板相对低一些。

与之比较，扩散模型更像一个有学习能力的画家。

它首先学习如何把一幅画拆解还原，成为一张白纸。学习足够多之后，再让它从一张白纸开始，一笔一笔把自己的认识和理解，画上去。

落到实际操作上，前者，就是它的训练过程：给图片不断添加白噪音，让其越来越模糊，最后只剩下纯噪音，就像老电视机里的雪花。请看图。

（图片来自互联网）

后者，就是它的推理过程，也就是逆向的输出过程：根据大量图片的学习成果，不断预测如何把一个纯噪音变成图片。

相比于受限于考官水平，经常崩溃的考生，画家表现出来的稳定性和创造力，更胜一筹。

这可能，就是OpenAI选择扩散模型执行“视频生成”任务的原因。

可是，用扩散模型做视频生成的友商，好像也不算少吧。为什么OpenAI做出来的，效果就这么好呢？

王建硕老师说：

这是因为Open AI，把之前扩散模型里最核心的模块，换掉了。从之前的U-net架构，换成了它最擅长的Transformer架构。

这个Transformer里的第一个字母“T”，就是ChatGPT里的“T”。

之前ChatGPT的优异表现，很大程度上，就得益于Transformer架构提供的强大生成能力。

只不过，ChatGPT的训练，是把文本切成了一个又一个的小“词元”（token）；Sora的训练，是把视频切成了一个又一个的小“图块”（Patch）。

而且，这个“图块”和咱们平常知道的图片相比，多了“时间”这个维度。训练的过程中，素材就好像被切成了一个个有体积的三维小麻将块。请看图。

（图片来自互联网）

王建硕老师说：

把时间维度放进去之后，视频就能很好地做到时间上的一致和流畅，对解决之前文生视频画面总是跳动和不连贯的问题，特别有帮助。

可是，Transformer这个架构出来这么久了，为什么别人就没想到呢？

因为想要把Transformer架构，应用到处理视频这种高复杂度信号时，会需要极其大量的算力。

这就是OpenAI一直笃定的道路：大力，出奇迹。

算法和技术路线都选定了，那就相信它一定能做出来。烧钱，训练。

只要模型的参数量足够大，那么总会涌现出一些你想象不到的能力。根据虎嗅的报道，经推算，Sora的参数量可能达到了30亿个。

厉害。换句话说：OpenAI把自己在ChatGPT上的成功，又复制了一次。

到现在，我们也不知道，要把Sora训练出来，到底需要多少算力，多少张GPU，多少电费。

但我们可以猜测，这一定是个不小的数字。

这是算法和算力。那么，数据呢？

目前，还没有确切的消息源。但我们可以猜测：OpenAI和很多高清的数据源合作，像是高清纪录片，电影，图片，因此拿到了足够的高质量素材。

它的效果那么好，一定是“喂进去”的素材效果，足够好。

算法，算力，数据。终于说完了。

通过这些底层技术的变化，Sora更好地实现了“先记忆，再预测”的输出方式。

而这种理解世界的方式，同时也是人类理解世界的方式，叫：世界模型。

什么是世界模型？

Sora的出现，是否意味着通用人工智能的加速到来？

别误会。

世界模型，并不是把整个世界都囊括进来，构建了一个大而全的封闭模型。

它指的，是一种“通过记忆和预测，认知世界的方式”。

著名人工智能科学家Yann LeCun对它的定义，是：

世界模型，是一个用于模拟和预测智能体所处环境动态的概念框架。通过这个框架，智能体就能有效地理解环境，并和环境互动。

怎么理解呢？我举个例子：下楼梯。

请问，你在下楼梯的时候，有没有突然踩空过？

我有过。但为什么这样呢？因为我的大脑，本来“预测”那里有个台阶，但它却没有，所以我踩空了。

但是，这次踩空了，我下次就会心里有数：这里有个台阶，注意别踩空了。

这，就是人和世界的交互方式。我们不断通过和世界的交互，建立自己的记忆模型，然后去预测会发生什么。如果发现不对，我们就会修改这个记忆模型。

这个在我们认知里，用来认识和记忆世界的模型，就是：世界模型。

今天的人工智能，正在用类似于人类的方式理解这个世界。

而Sora，就是验证这条道路可能真正可行的，一个里程碑。

正如OpenAI在技术文档中说的那样：

我们的结果表明，扩展视频生成模型是向着构建通用物理世界模拟器迈进的有希望的路径。

换句话说，Sora的出现，可能意味着通用人工智能（AGI）的加速到来。

听起来很厉害。但是，什么又是通用人工智能呢？

其实直到今天，通用人工智能，也没有一个大家公认的定义。

最多也只能说是：能完成在你可以想象的领域内，人类能完成所有任务的智能AI。

但具体的标准，是什么？

王建硕老师说：

通用人工智能，其实就等同于一个词，叫：聪明。是个移动的靶子，几乎永远没有让人百分之百满意的答案。

被称为“人工智能之父”的图灵老人家，如果活到今天，可能会认为ChatGPT，就已经算是通用人工智能了。但现在我们已经达到了，也不会停下脚步，而是继续寻找更高的标准。

一开始，说人工智能不可能在围棋比赛里胜出，结果胜出了；后来，说人工智能不会出现智能，现在它出现了；可能很快，情感也会出现。再往后，如果人工智能出现了个人意识，也不是完全不可能的事情。

在未来，通用人工智能可能会随着更厉害的智能体出现，而再次提高标准。

真是让人心潮澎湃。没想到一个AI应用的背后，竟然牵扯着这么多东西。

那么，我们中国自己的AI，走到哪一步了？我们到底离ChatGPT和Sora，还有多远的距离？

超过 ChatGPT，叫争名，满足需求，才是争利

王建硕老师说：

差距，还是不小的。因为从ChatGPT 3，到3.5，OpenAI自己就走了两三年。从3.5到4，又是半年。而我们国内很多大模型，从起步到现在，也就一两年的时间。

所以，暂时追不上，不丢人。

可是，如果一直追不上，怎么办？我们自己做大模型，还有意义吗？

有的。因为大模型的能力能不能追上，这个问题其实不是最重要的。

那什么最重要？

看大模型的能力，能否开始满足国内的行业需求，能否提高某一个行业的效率。因为只有这样，才会为中国的经济带来真正的增长。

王建硕老师说：

超过 ChatGPT，叫争名，但是超过需求的红线，这才是争利。

说的真好。

其实，对任何一个新技术来说，一开始一定会有一个迅速增长的阶段，但之后几乎又一定会放缓，就是因为缺乏能实在提升行业效率的应用。

而这个放缓的阶段，就是中国追赶的重要时间窗口。需要努力，但不必绝望。

可是，这都是一些比较宏观的，行业的视角。

那么，对于每个普通人呢？关于Sora的到来，关于人工智能的加速发展，我们又该做出怎么样的准备？

保持开放，主动学习

王建硕老师说：

技术的进步，就是人越来越少做低抽象度的工作。

怎么理解这句话呢？我举个例子。

想要收获小麦，就需要农民在农田里，进行辛苦的劳作。用人力收割麦子，重复，不需要太花费脑力，就是抽象度很低的工作。

随着科技发展，收割机就会出现。而驾驶农业机械，复杂程度上升，抽象度就变得高了一点。

那么，抽象度再高一点呢？当农业机械都变成自动驾驶之后，当所有操作都集成在一个总控室的时候，复杂程度再度增加，抽象度就再度提升。

所以，抽象度的高低，并不是“高级”和“低级”的区别，而是“复杂”和“简单”的区别。

随着科技进步，抽象度低的工作，可能会逐渐消失。一开始的农民，工作也会发生变化。从农民到收割机驾驶员，从驾驶员到总控室操作员。

等等，你说的我明白。但随着效率提高，之前10个人要做的工作，可能只需要1个人，就能做完。

那么，剩下的9个人呢？他们怎么办？

这就要求我们，积极地面对可能到来的技术革命，搞清楚自己的工作价值，到底在哪。

什么意思？

比如说，有人做影视制作，就把“操作某个剪辑软件”当作自己的工作。

所以，当软件更新之后，他就会特别茫然，不知道自己该往哪去。

但仔细想想，你的工作，不是操作软件，而是生成视频。

你应该考虑的，是如何最节省体力、资源、时间，把视频生产出来，不论用什么工具。

所以，当技术革命突然蔓延到你的行业时，你应该做的，是如何利用更好的工具，完成自己之前的工作。

这，就是：保持开放，主动学习。

而学习的目的，不仅仅是防止自己被淘汰，还是为了乘着新技术的浪潮，冲到被新技术冲击的行业之中去。

什么意思？

越是受到新技术冲击的行业，越应该冲进去

有不少人这样说：

ChatGPT来了，以后编程都要被攻克了，还学什么计算机呀？到了现在，Sora又来了，还学什么视频剪辑啊？

对于这个观点，王建硕老师说：

其实，越是受到新技术冲击的行业，越应该冲进去。

为什么这么说？

因为行业一旦有了新技术，原本的生产成本会迅速的降低，相应的，需求会迅速爆发。

举个例子，比如视频生成。

在过去，如果你想拍摄一支专业的视频，在自己的婚礼上播放，需要请专业影视制作人员制作，价格不菲，动不动就要上万。

所以，很少会有人这么做。但现在，不一样了。

如果有这么一家公司，专门按照你的需求生成视频。

哪怕是一分钟要300元、500元，但如果你要结婚，公司要开个年会，或者有什么庆祝活动，这么隆重的活动，如果能拿到的视频效果，又非常不错，相信很多人，都不会拒绝购买这样一支视频，把现场气氛再推高一点。

这就是：随着生产成本降低，需求的爆发。

而随着人工智能技术的发展，这种受到冲击的行业，很可能会越来越多。

所以：年轻人，或许正在面对属于自己这一代的巨大机会。

什么机会？

一波时代的巨大机会，正在来临

和王建硕老师讨论了这么久，我有一个很强烈的感觉：

今天的人工智能，很有可能就像二十多年前的互联网。

因为它们的背后，都蕴藏着颠覆无数行业的巨大能量，并且无论是当时，还是今天，我们对它们的认识，也特别相似：看上去很厉害，但实际感觉不大。

二十多年前的互联网行业，大概是什么情况？

人们都觉得：这玩意感觉很唬人，但没什么用。

打开一个浏览器，那就叫上网了？听别人说互联网很厉害，我就进入互联网时代了？我看，不见得吧。

互联网从业者，也很难。好不容易做了一个网站，没有人来看。而且受到带宽限制，网站上也没办法放图片。

过了几年，好不容易开始有人上网了，流量上来了，却没有商业模式。

再往后，好不容易有了商业模式，大家却没办法付费。好不容易能付费了，线下的物流系统，又没办法支撑。

就这样，一关一关的闯。关关难过关关过，直到今天。这条路，互联网走了二十年。

现在，又是一个巨大的轮回。人工智能，也要开始它的闯关之路了。

可能在这两年，你能看到一家家公司成立，但你想象不到，哪家公司，会成为未来的腾讯，未来的阿里和字节跳动。

就像你在1995年的时候看到了互联网，你可能想象到了，它是能够用来买东西的。但等到真正的电商出现，已经是10年之后了。

到了2005年的时候，你可能也想象到了，有一天，互联网可以帮助孩子学习。但等到在线教育真正开始快速发展，又是10年之后了。

因为行业的发展，也需要时间。

即便，有的人觉得，它现在还不够厉害；即便，有的人认为，它还没有开始真正提升某个行业的效率；即便，在不少人看来，它仍然还是属于少数人的机会。

而在人工智能时代的巨头公司，几乎一定会在这几年出现。

所以，一代人有一代人的机会，机会永不消失。

而这代年轻人，可能正好站在了这一次巨大波动的起点上。

王建硕老师也说：

从人工智能这个行业来看，最幸运的人，可能就是这两年毕业的人。因为他们，刚刚赶上这个浪潮的开始。人生最大的幸运，可能就是你在选择一个行业的时候，这个行业刚刚开始。

真好。回想起自己刚刚毕业的时候，我其实也没意识到，原来自己身边，有一个叫做“互联网”的机会。直到五年、八年，甚至十年之后，我才一点点有了感觉。

而现在，我们或许可以这么说。

今年，或者明年，其实可能就是一个巨大的，蕴藏着机会的时间窗口。

而这个窗口的名字，就叫做：人工智能。

祝你，抓住这个窗口。

祝你，看见下个时代。

*个人观点，仅供参考。

参考资料：

7、Yann LeCun，A Path Towards Autonomous Machine Intelligence

8、Siraj Raval：详解那篇著名的《世界模型》论文

https://zhuanlan.zhihu.com/p/44754186

9、技惊四座的Sora模型，参数只有30亿？

https://www.huxiu.com/article/2683358.html