Sora：从眼见为实，到梦想成真

姜奇平

2024年2月15日，OpenAI正式发布的AI视频生成模型Sora吸引了全球大众与媒体的目光。屏幕上，一位时尚女士走过雨后的街头，地面的积水倒映出街头广告的斑斓色彩，并随镜头推近不时变幻。这不是真实的摄像，而是由Sora生成的一段以假乱真的视频。OpenAI自己并不认为Sora只是视频模型，而称之为“世界模拟器”。Sora的问世，改变了世人“眼见为实”的定见，变成把人们心中所想用AI变成虚拟的现象。Sora是技术迈出的一大步和人类迈出的一小步。

Sora是一个由不同时长、分辨率和宽高比的视频及图像训练而成的扩散模型，同时采用了Transformer架构，可以根据用户的文本提示（prompt）创建一分钟的高清视频。该模型可以通过理解仿真物体在物理世界中的存在方式，为模型提供多帧的预测，深度模拟真实物理世界，能生成具有多个角色、包含特定运动的复杂场景。

Sora在一些专家和投资界看来，是技术发展的一大步。有专家认为这一数据驱动的物理引擎，堪比视频生成领域的GPT-3。对于Sora即将引领的新技术潮流来说，OpenAI首席执行官山姆·奥特曼认为，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。

但对于人类对智能的探索来说，Sora仍只是一小步。因为这更像是量变，而非质变。

首先，Sora是算力增强的结果，而非算法的飞跃。按照传媒学原理，同面积的图像与文字相比，信息量要大9倍，因为其中隐含了大量感性的非语言信息。这就是所谓“一幅图胜过千言万语”。如此看来，计算图像要比计算语言需要成倍的算力。反过来说，算力增强，也必然會带来图像计算能力提高。据纽约大学助理教授谢赛宁推算，Sora可能有大约30亿个参数。在现有算法下，算力突破带来图像处理能力提高，有其顺理成章之处。事实上，天气预报云图预测，也需要大量算力，只是不如计算一段时尚女性的视频更吸引眼球。

其次，算法还是已有技术的常规性、累积性的进步。Sora处理视频数据，还是传统物理范式下的还原法，通过分解最小粒子还原图像。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）；Sora在让语言“理解”图像上，还是采取标注技术（DALL·E 3），把对图像的理解，简化为对语言的理解，遵循用户的文本指令生成视频。

至于静态图像转化成视频，扩展现有视频或补全缺失的帧，还是在已有技术基础上发展起来的。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，可能难以精确描述随着时间推移发生的事件，这些都有待更进一步的技术突破。

当然，即使是这样的一小步，也会对人们的生活产生巨大的影响。诚如有专家所说：“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。”将来人们在网上看到一个声称“真人真事”的夸张影像时，恐怕要先问一句，这不是合成的吧？好处也会有许多，例如，一个人不可能走遍天下，历尽美景，这时只要把YouTube和TikTok上的景区视频都当作语料训练一遍，就可以亲临其境一样置身其中。周鸿祎说：“Sora工作原理像人做梦。”在眼见为实失效后，说不定梦想成真倒会变为现实。