炸场的Sora和冷静的同行

Sora面世半个多月，这个深水炸弹的后续效应依然强烈。

Open AI 发布的这个文生视频模型，紧跟着 Google 发布 Gemini 1.5 的消息，让支持百万级 token 的 Gemini 黯然失色，帮助OpenAI在科技圈成功「抢 C」，一跃成为视频模型届的 GPT 3.5 时刻。

毕竟，当Runway、Pika 等同类视频模型的创作上限还在 10 秒左右时，Sora 已经能够生成 60 秒的精致视频，可以一镜到底、切换视角，无论是背景还是主人公的表情，都拥有丰富的细节。关于Sora是否会杀死剪映的舆论甚嚣尘上。

目前 Sora 还没有对公众开放，但昨天，已经有创作者拿到了测试资格，并发布了自己尝试的三个视频。

在「测评电子产品的年轻人」这个视频中，光影细腻，人物和置景真实，美中不足的是他的右手有六根手指。

此外，Sora 在理解物理时会遇到困难，特别是在腿部/行走方面。在 Sora 生成的小狗行走视频中，腿部经常交叉并合并在一起。

虽然 OpenAI 发布了 Sora 的技术报告，但其中并未涉及技术细节。

我们能知道的是，Sora 又是一次 OpenAI 式的典型胜利，是技术选型、训练数据、资源优化等各个环节的细节优化，组合成了一次效果超出预期的质变。就像 Sam Altman 之前解释为什么 GPT 会比其他的大模型更好，是因为 OpenAI 堆了「一百万个小技巧」。

去年年初，ChatGPT 发布后，海内外大厂争先恐后地发布文本大模型，热闹非凡，生怕落队；这次 Sora 发布后，只有海外版剪映、Stability AI 跟进发布了文生视频产品的测试版。

其他公司也许是暗中跟进，或是谨慎观望，除了网红李一舟蹭蹭热点，还没有谁站出来敢说，要做中国版Sora。

追，还是不追？

ChatGPT 发布后，大公司和初创企业纷纷加入百模大战；现在 Sora 已经发布半个多月了，此前的盛况没有再次出现。

一周之后，Stability AI 开放了Stable Video的公测，但或许是服务器爆满的缘故，功能不够稳定。生成的视频最值得称道的是清晰度，但仍然没有大幅度的视角切换，画面主体也没有太多动作，只有背景动了起来，给人的感觉仍然是「会动的图片」。

字节剪映海外版也上线了文生视频的功能，同样反响不佳，主要是因为等待的时间过长。网友测试发现，一个视频的生成要等待 1800 分钟。

有人工智能算法工程师分析，同等参数的视频模型，比大语言模型所需要的算力要多几十倍。业界流传，Sora 的参数规模在 10B 到 30B 之间，其所需的算力或许与千亿级的大语言模型差不多。

有趣的是，腾讯和阿里巴巴虽然没有跟进视频模型的发布，却纷纷第一时间在自己的技术账号上发布了对 Sora 的技术拆解；其中，阿里巴巴达摩院所发布的文章题目叫做《复刻 Sora 有多难？》，并在文末表示，「我们期待视频生成领域的 LLaMa ，以及更加普惠的开源视频生成技术。」

AI 初创企业 Hugging Face 认为，视频模型的三大挑战是算力、数据、指令模糊性。要想做到物体和空间的一致性，往往伴随着高昂的计算成本；高质量的视觉数据集也比文本的更为稀缺。此外，生产让模型更容易理解视频的 Prompt，会比语言模型、文生图模型难度更大。

此外，Sora 是一个凭借直觉和概率驱动的模型，而不是靠精确计算的公式驱动的模型。有人总结道，「Sora 可以像一个普通人一样，通过直觉去理解物理世界，也能解决很多问题，但它没有办法像物理学家一样造出火箭这种东西。」

无论如何，Sora 跟 GPT 3.5 一样，验证了技术方向的可行性，视频模型的性能未来会随着参数量、数据大小和计算量的增加而提高。

又一次降维打击？

硅谷投资机构 a16z 统计，截止去年年底，市面上共有 21 个公开的视频模型，其中包括 Runway、Pika、Stable Video Diffusion 等等。

然而，第一个出圈的还是 Sora，核心依然是它远超预期的效果。以往几秒钟的 AI 视频，给人的感觉还是「会动的图片」，而 Sora 则展现了对真实世界的理解力和还原力，还有对虚拟场景的充沛想象力。

Sora 官网发布的几十个视频 Demo 中，有在东京街头散步的女人、在咖啡杯里航行的海盗船、在雪原上走过的猛犸、无人机视角拍摄的海浪拍打峭壁、华丽的纸艺海底世界、维多利亚冠鸽的微距特写，其视频主体和环境的一致性令人震撼。咖啡杯里航行的海盗船这个 Demo 里，水面的波纹、船的运动轨迹，很好地遵循了现实世界的物理规律。

阿里巴巴达摩院的分析认为，Sora 的智能涌现，体现在它的三位一致性、长距离连贯性和物体持久性、与世界互动的能力、对数字世界的模拟。

虽然 Sora 对复杂的物理预测还显得力不从心——比如，一个人咬了一口饼干，但饼干上并没有出现咬痕，但许多从业者认为，这是 AI 真正理解世界的开端，随着模型能力的持续提升，它对物理世界的理解和还原会更加准确。

此外，OpenAI 不仅公布了 Demo 视频，同时公布了每一个 Sora 生成视频的指令，方便大家尝试其他产品后，对比效果。

尽管外界担心其他文生视频初创企业的命运，但创始人们表现出的兴奋却远远大过恐惧。

Runway CEO Cristóbal 感慨技术进步的速度，过去需要以年计算的技术进步，现在压缩到了月的维度，他预测技术将会更快地进化，每天、甚至每个小时，都可以涌现出新的技术实现。Pika 创始人郭文景也在媒体采访中表示，「（Sora）是一个振奋人心的消息，我们准备直接冲，将直接对标Sora。」

去年 8月，OpenAI 对外披露了首次收购行为。

被收购公司 Global Illumination，开发了一款名为 Biomes 的开源大型多人在线沙盒游戏，类似于浏览器上运行的《我的世界》。当时就有人指出，借助开放式游戏中玩家的交互，OpenAI 通过这次收购，能为 AGI 构建真正的数据集；也有人猜测，OpenAI 将会推出游戏或视频模型产品。

从 Sora 的效果看，或许这次收购的确对 Sora 的训练数据优化有一些帮助。

世界模拟器？

「Sora 是能够理解和模拟现实世界的模型的基础，我们相信这一功能将成为实现 AGI 的重要里程碑。」OpenAI 在技术报告的最后写道。

ChatGPT 是思维世界的模拟器，Sora 是物理世界的模拟器，出门问问 CEO 李志飞评论，「OpenAI 的科学家们果然一直有着创世的冲动。」

有技术人员猜测，Sora之所以具备强大的能力，得益于模型和数据。

首先，与 Runway、Pika 的技术路线不同，Sora 使用了基于 Transformer 的扩散模型（Diffusion Model），可以通过自注意力机制（Self-attention）来学习视频数据中各个元素块之间的关系，并模拟数据的扩散过程，生成高质量的视频输出。

其次，Sora 能将不同类型的视觉数据，转化成统一的视觉补丁（Patch）。Patch 之于 Sora，就像 token 之于 ChatGPT。ChatGPT 把各种语言、编程代码都切分为 token，Sora 把图片、视频都切割为 patch。

OpenAI 认为，将视觉数据统一处理，将带来两点好处：首先是采样的灵活性，通过统一的数据表示，Sora 可以灵活处理不同宽高比的视频内容。其次是更好的构图效果。在原始宽高比的视觉数据上进行训练，Sora 可以更好地学习和理解构图，使得生成的内容更符合人类的视觉习惯和审美标准。

如同 ChatGPT 在专业领域的能力，还比不过详细定义规则的小模型一样，Sora 虽然对物理世界有一定理解，并拥有更强大的泛化能力，但它与此前的物理仿真模拟相比，预测价值仍然有限。

比如，物理仿真模型可以预测汽车在相撞时的反弹效果和形变，但 Sora 无法发挥这样的作用。OpenAI 官网发布的 Demo 也表现出，Sora 无法很好地模拟玻璃杯破碎时的动态，混淆了玻璃破碎和液体溢出的顺序，倒下的玻璃杯甚至与桌面融为一体。

英伟达的研究人员Jim Fan认为，这有两种可能的解释：一是模型之所以犯这样的错误，是因为它根本不学习物理，只是简单地缝合像素；二是模型实现了一个内部的物理引擎，但这个引擎还不够好，就像 Unreal Engine v1 在流体和可变形物体等物理模拟方面比 v5 要差得多，渲染效果也差得多，并且不符合物理规律。他本人更倾向于第二种解释。

但模型能力的提升是可预见的，因为人类生产视觉数据的速度前所未有地加速了：全世界遍布摄像头，每人每天都在用智能手机采集这个世界。这将成为模型理解世界的通路。此外，UE 5 也可以模拟多角度的高清视频，让模拟出来的视觉数据更加优质。

从 Sora 中我们不难看出，头部玩家 OpenAI 的思路是「集中力量办大事」：专注提高模型的能力，只进行轻度的产品化。毕竟，能生产 60s 视频的模型，要比添加了很多细碎功能、复杂按钮的视频产品震撼多了。此外，谁也无法预测模型智能程度的提升曲线，产品设计的节奏很可能追不上模型进步的速度。

当下对于大模型公司来说，模型能力才是最好的增长手段。不仅SLG（Sale-lead growth）显得过于原始，甚至PLG（Product-lead growth）也有些过时，我们正在迎来一个MLG（Model-lead growth）的时代。