记者｜郜阳
Sora，新型视频生成模型，它可以根据简短的文字提示（prompt），将其转化为长达一分钟的高清视频，镜头感堪比电影。
未来，各种Sora视频或将现身并“占领”视频社交平台，其对现实的影响与改变，可谓巨大。
OpenAI发布首个视频生成模型Sora。 (图/Newscom)
AI视频要“变天”了
Sora“逆天”在哪儿？它不仅能够根据文字指令创造出既逼真又充满想象力的场景，而且生成长达1分钟的超长视频，还是一镜到底那种。
从发布的视频来看，60秒的视频中，视频主体与背景保持了高度流畅性与稳定性；在一个视频里实现多角度镜头，分镜切换符合逻辑且十分流畅；此外，Sora对于光影反射、运动方式、镜头移动等细节处理非常到位。
Sora的视频效果，几乎和人工拍摄不相上下，由此带来的强大冲击让无数人感叹，“现实，不存在了”。
OpenAI究竟是怎么做到的？
总体而言，Sora是一个在不同时长、分辨率和宽高比的视频及图像上训练而成的扩散模型，同时采用了Transformer架构。展开讲，在视觉数据上，OpenAI把视频和图像分解为较小的数据单元Patches（补片），每个patches相当于GPT中的一个token（词元）；在语言理解能力上，采用了DALL·E 3的重标注技术，通过为视觉训练数据生成详细描述的标题，使模型更加准确地遵循用户的文本指令生成视频。另外，Sora还能将现有的静态图像转化成视频，精准赋予图像中内容以生动的动作；模型还能扩展现有视频或补全缺失的帧。
据悉，OpenAI目前没有向公众发布Sora的计划，但将首次开始与第三方安全测试人员共享该模型。
Sora 是由OpenAI 开发的首个文生视频(Creating video from text)模型。(图 /Newscom)
对相关行业具颠覆性
英伟达人工智能研究院首席研究科学家Jim Fan认为，Sora是一个数据驱动的物理引擎，称这是视频生成领域的GPT-3时刻，“回到2020年，GPT-3不是一个很完美的模型，但是它有力证明了上下文学习的重要性，所以不要纠结于GPT-3的缺陷，多想想后面的GPT-4。”
360创始人周鸿祎也发布微博，提到自己对Sora的看法。在他看来，Sora只是小试牛刀，它展现的不仅仅是一个视频制作能力，而是大模型对真实世界有了理解和模拟之后，会带来新的成果和突破。
周鸿祎写道：“这次OpenAI利用它的大语言模型优势，让Sora实现了对现实世界的理解和对世界的模拟两层能力，这样产生的视频才是真实的，才能跳出2D的范围模拟真实的物理世界。”他认为，AI不一定那么快颠覆所有行业，但它能激发更多人的创作力，“今天Sora可能给广告业、电影预告片、短视频行业带来巨大的颠覆，但它不一定那么快击败TikTok，更可能成为TikTok的创作工具。”
周鸿祎也直言，“一旦人工智能接上摄像头，把所有的电影都看一遍，把YouTube上和 TikTok 的视频都看一遍，对世界的理解将远远超过文字学习，一幅图胜过千言万语，这就离AGI真的不远了，不是10年、20年的问题，可能一两年很快就可以实现。”
OpenAI CEO山姆·奥特曼。(图/ Newscom)
警惕“潘多拉魔盒”
在Sora横空出世前，OpenAI 首席执行官山姆·奥特曼就曾表示，人工智能有望在推理能力和可靠性、多模态、可定制化和个性化三个领域大幅提升，并认为，至少在未来5到10年内，AI大模型技术将处于一个非常陡峭的成长曲线上。
值得关注的是，就在Sora发布的同日，谷歌也发布其大模型矩阵的最新力作——Gemini 1.5，其将稳定处理上下文的上限扩大至100万Tokens（词元），这代表它能一次处理大量的信息——包括1小时的视频、11小时的音频、超过3万行代码或超过70万字的代码库。
新事物，显然无法做到“完美”。OpenAI明确指出，Sora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。这一模型还可能混淆提示的空间细节，并且可能难以精确描述随着时间推移发生的事件——而这些缺陷或将使Sora生成一些不合逻辑的东西。
据了解，OpenAI 内部仍在开展模型伦理侧的对抗性测试，比如错误信息、仇恨内容、偏见内容，至于色情暴力等，会在文本输入时就被拒绝。
近两日，也有人工智能业内人士向记者表示，从技术角度来看，Sora是非常重大的飞跃，但“硬币有两面”，它存在潜在的滥用可能，“在AI视频构建的世界中，‘眼见为实’行不通了，眼睛看到的东西或许无法作为判断依据。”
是“阿拉丁神灯”还是“潘多拉魔盒”，显然现在下结论为时过早。该业内人士同时表示，对于新技术的到来，需要社会足够的包容性；同时，在大规模推向社会前，务必做好应对风险的准备。
（本文获新民晚报授权转载，内容有删减，如需了解更多信息，请扫新民晚报官方微信二维码。）