多维度分析Sora | 通往AGI之路已经找到？

Sora有啥意思没？含义？

Sora 在日语中是“天空”，引申含义还有“自由”。

自从Open AI 推出Sora世界模型，这玩意儿简直就是AI界的新宠儿。Sora的视频效果简直逼真到让人难以置信，就像是在科技界扔了一颗深水炸弹，一下子就把大家的热情点燃了。看来这么多关于Sora的文章、视频，今天，跟大家一起来多维度聊聊Sora！

你可能会想，视频生成模型这事儿听起来好像也不是什么新鲜事，但Sora可不一样。《每日经济新闻》的记者们做了个测试，他们用OpenAI给的提示词，试了试Pika、Runway和PixVerse这些其他模型，然后再看看Sora的表现。结果呢？Sora在视频的长度、流畅度和细节上都秒杀了对手，简直就是降维打击！

那么，OpenAI是怎么做到一次又一次地推出这种颠覆性的产品呢？有个叫SIY.Z的知乎作者，他是加州大学伯克利分校的计算机科学博士，他说了一个词：scaling law。意思就是，OpenAI知道怎么让模型越大、数据越多，效果就越牛。从GPT文本生成，到DALL·E图像生成，再到Sora视频生成，OpenAI似乎已经找到了一条通往通用人工智能（AGI）的路线。

所以说，OpenAI这帮人，他们不仅仅是在玩科技，他们是在重新定义科技的边界。这就像是在说，想要打败OpenAI？可能只有他们自己能做到了。

5大场景实测：Sora实现降维打击

尹烨，华大集团的CEO，他在一篇文章里说，这就像是数字孪生世界开始融入我们的现实生活，他觉得这标志着AI发展的一个新时代，就像牛顿时代一样重要。

那么，Sora到底牛在哪里呢？因为Sora还没开放给大众测试，所以《每日经济新闻》的记者们就用OpenAI公布的那几条提示词，试了试Runway、Pika和Pixverse这几个模型，然后在街头、卡通、人物特写、动物特写和电影预告片这几个场景下做了个对比测试。结果呢？Sora在视频时长、连贯性和视觉细节上都表现得特别棒，简直就是秒杀其他模型。

许彬，英国皇家工程院的国际院士，也说Sora在生成高清长视频方面是顶尖的，无论是清晰度还是时长，目前都是第一名。OpenAI这次真的是专注于照片写实主义的技术，虽然现在说它会不会引领新潮流还太早，但至少在视频生成这块，Sora目前是无敌的。

不过，得说明一下，这次测试只是基于五个场景的提示词，而且场景和提示词的数量都有限，不同模型生成的结果也可能有随机性。还有，虽然Sora的表现很惊艳，但也有可能OpenAI是从多次生成的结果中挑了最好的一条来展示，所以看起来效果特别好。

作为AI创业者，我觉得这真是个激动人心的时刻。Sora的出现，不仅仅是技术上的突破，更是对我们这个行业的一次巨大鼓舞。我们得跟上这波潮流，看看我们自己的技术能怎么利用这些新工具，创造出什么新的可能性。

视频时长、连贯性、视觉效果遥遥领先

首先，Sora能生成的视频长度是真的长，平均能达到16秒，最长的甚至能到20秒。这比其他几个模型强多了，它们生成的视频也就3到4秒。而且，Sora还能做出长达一分钟的视频，这对于做短片、广告这些内容来说，简直就是个福音。

再来说说连贯性。Sora的视频，那叫一个流畅，画面转换自然，摄像机移动得就像真的在拍摄一样。角色的动作也很自然，不会让人觉得突兀。相比之下，其他模型的视频就有点问题了，画面可能会突然跳转，或者动作不够流畅，看着就没那么舒服。

许彬院士也提到了，Sora的视频视角变换做得特别棒，能从小特写平滑过渡到大全景，而且画面中的人物或物品始终保持一致性。这在视频生成领域可是个技术难题，但Sora处理得相当不错。

最后，视觉细节方面，Sora也是做得相当出色。物体的纹理清晰，色彩逼真，整体视频质量杠杠的。比如，它生成的“女人眨眼睛”的视频，眼部的特写做得非常细致，眉毛、睫毛、眼皮的褶皱、眼袋、卧蚕和细纹，这些都做得跟真的一样，让人看了都分不清真假了。

总的来说，Sora在视频生成这块，无论是时长、连贯性还是视觉细节，都表现得相当给力。这不仅仅是技术上的进步，也是对整个视频内容创作领域的一次革新。作为AI创业者，我觉得这真的挺让人兴奋的，咱们得好好想想怎么利用这些新技术，创造出更多的可能性。

从GPT、DALL·E到Sora，似乎打通了AGI的技术栈

Sora这个视频模型，它的逼真度和流畅性简直让人难以置信。这背后，Sora有两个关键的技术突破。

首先，我们得聊聊Sora的底层架构，它用的是Diffusion Transformer（DiT），也就是扩散型Transformer。你们可能知道，OpenAI的GPT-4用的是Transformer模型，而传统的文本到视频模型通常用的是扩散模型。Sora的DiT架构，就是把GPT和扩散模型的优点结合起来了。

OpenAI的官网上公布了Sora的技术报告，里面提到了一篇关键的学术论文，叫做“Scalable diffusion models with transformers”，这篇论文是去年12月由伯克利大学的William (Bill) Peebles和纽约大学的谢赛宁共同发表的。

论文地址：https://arxiv.org/abs/2212.09748

Sora发布后，谢赛宁在X平台上分享了他们的想法。他说，他们在DiT项目上并没有追求创新，而是专注于简洁性和可扩展性。他强调，可扩展性是论文的核心，优化后的DiT架构运行速度比UNet快多了。而且，Sora证明了DiT的缩放定律不仅适用于图像，现在也适用于视频。Sora复制了DiT在视觉缩放行为上的表现，这可是个大突破。

简单来说，Sora的成功不仅仅是技术上的飞跃，它还展示了OpenAI在AI领域的深厚积累和前瞻性。作为AI创业者，我觉得这给了我们很多启示，那就是在追求技术创新的同时，我们也要注重技术的简洁性和可扩展性。

再来看看Sora的另一个创新亮点——Spacetime Patch。这个概念和GPT-4的设计思路是相通的。

想象一下，Patch就像是Sora的积木块，每个Patch都是视频的一个小片段。整个视频就是由这些Patch按照特定的顺序拼接起来的。这和GPT-4的Token有点像，Token是文本的小块，GPT-4就是通过处理一连串的Token，然后预测下一个Token来生成文本。Sora也是这个逻辑，它处理一系列的Patch，然后预测出下一个应该是什么Patch。

许彬院士对记者说，通过把视频数据分割成小块，Sora就能像GPT处理文本那样理解图像。GPT对文本的语义理解是非常精细的，把这种能力用在视频上，就能让数据更灵活，同时也增强了模型的表达能力。

简单来说，Sora通过这种小块处理的方式，不仅提高了视频生成的灵活性，还让模型能够更精准地捕捉和表达视频内容。这对于我们这些AI创业者来说，是个很好的启示：在设计我们的模型时，也可以尝试这种分块处理的方法，可能会有意想不到的效果。

正如谢赛宁提到的“可扩展性”，知乎上的一位加州大学伯克利分校的计算机科学博士，同时也是知乎作者的SIY.Z，他这么说：“如果要我用一个词来形容OpenAI的核心技术，我会说是scaling law——就是说，模型越大，数据越多，效果就越棒。用一句话来总结Sora的贡献，那就是在充足的数据、高质量的标注和灵活的编码的基础上，scaling law在结合了Transformer和扩散模型的架构上依然有效。”

他认为，数据、标注、编码和底层架构都是从之前的大模型实践中积累的经验。谢赛宁在X平台上也提到，Sora有两个关键点还没被广泛讨论，一个是训练数据的来源和构建，另一个是长视频生成的技术细节。

对于全力投入AGI研究的OpenAI来说，从GPT文本生成模型，到DALL·E图像生成模型，再到Sora视频生成模型，他们可能已经摸索出了一条自己的通用技术路径。

而且，基于这些成功经验的Sora，很可能会成为未来文生视频模型的新标准。早在今年1月，一位前阿里的AI专家就在X平台上表示：“我认为，Transformer框架和大型语言模型（LLM）的路线，将会是AI视频领域的一个突破和新标准。这将使得AI视频更加流畅、一致，而且能生成更长的视频。目前的Diffusion+Unet路线（比如Runway、Pika这些），可能只是过渡的解决方案。”

图片来源：X

资本狂欢——800亿美元市值

OpenAI最近的风头正劲，他们的估值在短短9个月里翻了两倍，达到了惊人的800亿美元。这背后，是他们一连串引人注目的产品发布，从ChatGPT聊天机器人到DALL·E图像生成模型，再到最近的Sora视频生成模型，每一款都在资本市场上引起了轰动。

虽然视频生成模型这个领域已经有不少玩家，比如Stability AI的Stable Video Diffusion、Runway的Gen-2 Video、谷歌的Lumiere、Meta的Make-A-Video、Pika和PixVerse等，但OpenAI的Sora一出，似乎预示着这个领域的格局即将发生巨变。

技术上，OpenAI的Diffusion Transformer和Spacetime Patch虽然不是新鲜概念，但他们是唯一成功将这些技术转化为Sora这样的产品的公司。而且，从实际测试对比来看，Sora的表现确实领先于其他模型。

资金方面，OpenAI背靠微软，融资规模和估值都在AI初创公司中遥遥领先。他们的产品之所以能够快速迭代并震撼行业，很大程度上得益于雄厚的资金支持。

图片来源：每经制图

OpenAI的CEO Sam Altman在瞄准半导体领域，计划融资7万亿美元来打造自己的芯片帝国。

与此同时，Runway累计融资超过2.5亿美元，估值达到15亿美元，投资者包括谷歌、英伟达、Salesforce等行业巨头。Pika虽然只有四人团队，但估值也接近2亿美元，投资人名单同样星光熠熠。Stability AI的估值一度达到10亿美元，但近期面临财务压力，甚至传出寻求出售的消息。在这样的背景下，OpenAI似乎已经准备好在AI领域继续保持领先地位。

内容创作监管迫在眉睫

Sora的问世，预示着内容创作领域的一场革命。从电影、广告到游戏开发，再到社交媒体和教育科技，Sora的影响力将波及众多创意产业。

许彬指出，最直接的变革将在视频制作领域。无论是大片还是短视频，AI都能帮我们完成那些高风险或难以拍摄的场景。这不仅改变了视频创作的逻辑，还降低了创作的门槛。现在，即使没有视频拍摄技能的人，也能通过想象力成为出色的视频创作者。

Sora和其他AI视频模型在多个行业展现出巨大的商业潜力。媒体、娱乐、金融、零售、医疗等行业都将从这些技术的进步中受益，优化营销、改善服务、加强产品开发和风险管理。许彬甚至预测，这些技术可能为各行业创造高达2.6万亿至4.4万亿美元的价值。

然而，随着AI技术的飞速发展，监管问题也日益紧迫。Sora发布后，Adobe、Shutterstock和谷歌等公司的股价应声下跌，市值蒸发近480亿美元。这表明，AI技术对现有市场的冲击已经开始显现。

同时，AI技术的潜在风险也引起了广泛关注。视频生成技术可能被用于诈骗，人脸识别等技术的安全也面临挑战。为了降低这些风险，建立道德准则、严格的数据隐私措施和确保AI模型的透明度变得至关重要。

各国政府也在积极行动，加强AI监管。美国白宫发布了AI行政令，中国、美国、英国、欧盟等在首届全球人工智能安全峰会上签署了《布莱切利宣言》。

许彬认为，未来的重点将是增强AI的能力，同时确保其以道德和负责任的方式被开发和使用，以最大化其对各行业的积极影响。AI视频模型正朝着更负责任的AI实践方向发展，需要通过研发投资来增强AI应用的安全性和保障，采取积极主动的方法来解决社会和伦理问题。

从旧架构实现突破，Open AI 远不止于此

OpenAI的每一次创新都似乎在科技界掀起波澜。虽然视频生成模型并不是新鲜事物，但Sora无疑标志着一个重大的进步，它在视频时长、连贯性和视觉细节上的提升都是前所未有的。

令人印象深刻的是，尽管Sora的底层架构，如DiT和Patch，并非全新概念，但OpenAI却能在这些已有的基础上取得突破。这表明OpenAI以及AI算法的潜力远未被完全挖掘。

Sora不仅展示了AI技术的广阔前景，也可能预示着行业变革的再次来临。然而，也有技术专家指出，文生视频模型的使用门槛相对较高，需要用户具备较强的描述能力和审美眼光，才能创作出高质量的作品。

当然，随着技术的进步，我们也不能忽视AI带来的潜在风险。更高级的技术可能为诈骗等犯罪活动提供便利，因此，建立和完善监管措施，确保AI技术的正当使用，成为了一个亟待解决的问题。