详解Sora，为什么是AGI的又一个里程碑时刻？

文｜郝    鑫

编｜王一粟、刘雨琦

2024年伊始，OpenAI再向世界扔了一枚AI炸弹——视频生成模型Sora。

一如一年前的ChatGPT，Sora被认为是AGI（通用人工智能）的又一个里程碑时刻。

“Sora意味着AGI实现将从10年缩短到1年”，360董事长周鸿祎作出预判。

但这个模型如此轰动，并不只是因为AI生成的视频时间更长、清晰度更高，而是OpenAI已经超越过去所有AIGC的能力，生成了一个与真实物理世界相关的视频内容。

无厘头的赛博朋克固然酷炫，但真实世界中的一切如何让AI重现才更具意义。

为此，OpenAI提出了一个全新的概念——世界模拟器。

在OpenAI官方出具的技术报告中，对Sora的定位为“作为世界模拟器的视频生成模型”，“我们的研究结果表明，扩展视频生成模型是构建物理世界通用模拟器的一条可行之路。”

（图源：OpenAI官网）

OpenAI认为，Sora为能够理解和模拟真实世界的模型奠定了基础，这将是实现AGI的一个重要里程碑。凭借这一点，就彻底与AI视频赛道的Runway、Pika等公司拉开了一个段位。

从文字（ChatGPT）到图片（DALL·E ）再到视频（Sora），对OpenAI来说，仿佛在搜集一张张的拼图，试图通过影像媒介形态彻底打破虚拟与现实的边界，成为电影“头号玩家”一般的存在。

如果说苹果Vision Pro是头号玩家的硬件外显，那么一个能自动构建仿真虚拟世界的AI系统，才是灵魂。

“语言模型近似人脑，视频模型近似物理世界”，爱丁堡大学的博士生Yao Fu表示。

“OpenAI的野心大得超出了所有人的想象，但好像也只有它能做到”，多位AI创业者对光锥智能感叹道。

Sora如何成为“世界模拟器”？

OpenAI新发布的Sora模型，一脚踹开了2024年AI视频赛道的大门，彻底与2023年以前的旧世界划出了分界线。

在其一口气释出的48个演示视频中，光锥智能发现过去AI视频被诟病的问题大部分得到了解决：更清晰的生成画面、更逼真的生成效果、更准确的理解能力、更顺畅的逻辑理解能力、更稳定和一致性的生成结果等等。

但这一切也不过是OpenAI显现出的冰山一角，因为OpenAI从一开始瞄准的就不是视频，而是所有存在的影像。

影像是一个更大的概念，视频是其中的一个子集，例如大街上滚动的大屏、游戏世界的虚拟场景等等。OpenAI要做的事情，是要以视频为切入口，涵盖一切影像，模拟、理解现实世界，也就是其强调的“世界模拟器”概念。

正如AI电影《山海奇境》制作人、星贤文化陈坤告诉光锥智能，“OpenAI在向我们展示它在视频方面的能力，但真正的目的在于获取人们的反馈数据，去探索、预测人们想要生成的视频是什么样的。就像大模型训练一样，一旦工具开放，就相当于全世界的人在为其打工，通过不断标记、录入，让其世界模型变得越来越聪明。”

于是我们看到，AI视频成为了理解物理世界的第一个阶段，主要突出其作为“视频生成模型”的属性；发展到第二个阶段，才能作为“世界模拟器”提供价值。

抓住Sora“视频生成”属性的核心在于——找不同，即Sora和Runway、Pika的差异性体现在哪里？这个问题至关重要，因为某种程度上解释了Sora能够碾压的原因。

首先的一点，OpenAI沿用了训练大语言模型的思路，用大规模的视觉数据来训练一个具备通用能力的生成模型。

这与文生视频领域“专人专用”的逻辑完全不同。去年，Runway也有过类似的计划，被其称之为“通用世界模型”，思路大致相似，但没有后续，这回Sora倒是先一步完成了Runway的梦想。

据纽约大学助理教授谢赛宁推算，Sora参数量约为30亿，虽然对比GPT模型显得微不足道，但是这个数量级已经远超了Runway、Pika等一些公司，可以称得上是降维打击。

万兴科技AI创新中心总经理齐镗泉，评价Sora的成功再次验证了“大力出奇迹”的可能性，“Sora依然遵循OpenAI的Scaling Law，靠大力出奇迹，大量数据，大模型和大量算力。Sora底层采用了游戏、无人驾驶和机器人领域验证的世界模型，构建文生视频模型，达到模拟世界的能力。”

其次，在Sora身上第一次展现了扩散模型与大模型能力的完美融合。

AI视频就像一部电影大片，取决于剧本和特效两个重要元素。其中，剧本对应着AI视频生成过程中的“逻辑”，特效则对应着“效果”。为了实现“逻辑”和“效果”，背后分化出了两条技术路径扩散模型和大模型。

去年年底，光锥智能就曾预判到，为了同时能够满足效果和逻辑，扩散和大模型两条路线终将走向融合。没想到，OpenAI如此迅速地就解决了这个难题。

（图源：OpenAI官网）

OpenAI 在技术报告中画重点提到：“我们将各种类型的视觉数据转化为统一表示法的方法，这种表示法可用于生成模型的大规模训练。”

具体来看，OpenAI将视频画面的每一帧都编码转化为了一个个的视觉补丁（patches），每个补丁都类似于GPT中的一个token，成为了视频、图像中的最小衡量单位，并且可以随时随地被打破、被重组。找到了统一数据的方式，统一了度量衡，也就找到了打通扩散模型和大模型的桥梁。

在整个生成的过程中，扩散模型仍在负责生成效果的部分，增加大模型Transformer的注意力机制后，就多了对生成的预测、推理能力，这也就解释了Sora为什么能够从现有获取的静态图像中生成视频，还能扩展现有视频或填充缺失的画面帧。

发展至今，视频模型已经呈现出复合的趋势，模型走向融合的同时，技术也在走向复合。

把之前沉淀的技术积累运用到视觉模型上，也成为了OpenAI的优势。在Sora文生视频的训练过程中，OpenAI就引入了 DALL-E3和GPT的语言理解能力。据OpenAI表示，DALL-E3、GPT基础上进行训练，能够使Sora准确地按照用户提示生成高质量的视频。

一套组合拳下来，结果就是出现了模拟能力，也就构成了“世界模拟器”的基础。

“我们发现，视频模型在进行大规模训练时，会表现出许多有趣的新兴能力。这些能力使Sora能够模拟物理世界中的人、动物和环境的某些方面。这些特性的出现并没有对三维、物体等产生任何明确的归纳偏差——它们纯粹是规模现象”，OpenAI表示道。

“模拟”之所以能够如此炸裂，根本的原因在于，用大模型创造出不存在的事物人们已经习以为常，但是能够准确地理解物理世界运转逻辑，例如力是如何相互作用的，摩擦是如何产生的，篮球是如何打出抛物线的等等，这些都是以前任何模型都无法完成的事情，也是Sora超越视频生成层面的根本意义所在。

不过，从demo到实际成品，可能是惊喜也可能是惊吓。Meta首席科学家杨立昆就直接对Sora提出了质疑，他表示：“仅凭能够根据提示生成逼真的视频，并不能说明系统真正理解了物理世界。生成过程与基于世界模型的因果预测不同，生成式模型只需要从可能性空间中找到一个合理的样本即可，而无需理解和模拟真实世界的因果关系。”

齐镗泉也表示，虽然OpenAI验证了基于世界模型的文生视频大模型是可行的，但也存在物理交互的准确性难点，尽管Sora能够模拟一些基本的物理交互，但它在处理更复杂的物理现象时可能会遇到困难；长期依赖关系的处理存在挑战，即如何保持时间上的一致性和逻辑性；空间细节的精确性，处理空间细节方面如果不够精确，可能影响到视频内容的准确性和可信度。

颠覆视频，但远不止视频

Sora成为世界模拟器或许是很久以后的事情，但是就生成视频而言，已经对现在的世界产生了影响。

第一类就是解决之前技术上面无法突破的问题，推动一些行业迈向新的阶段。

最典型的就是影视制作行业，Sora这回最具革命性的能力就是最长生成视频长度达到了1分钟。作为参考，大热门Pika所能生成的长度在3秒、Runway的Gen-2生成长度在18秒，这意味着有了Sora以后，AI视频将能成为真正的生产力，实现降本增效。

陈坤告诉光锥智能，在Sora诞生前，其利用AI视频工具制作科幻电影的成本已经下降至了一半，Sora落地后，更加值得期待。

Sora发布后，令他印象最深刻的是一个海豚骑车的demo。在那个视频中，上半身是海豚，下半身是人的两条腿，腿上还穿了鞋子，在一种极具诡异性的画风中，海豚完成了作为人骑自行车的动作。

“这对我们来说简直太神奇了！这个画面创造出了一种又有想象空间，又符合物理定律的荒诞感，既是情理之中又出乎意料，这才是观众能发出惊叹的影视作品”，陈坤道。

陈坤认为Sora会像当年的智能手机、抖音一样，把所有内容创作者门槛降低一大步，把内容创作者呈数量级放大。

“未来内容创作者可能都不需要拍摄，只需要说一段话或者一段词，就能把脑子里面独特的想法表达出来，且可以被更多人看到。届时，我觉得还有可能会出现比抖音更大的新的平台。再往前一步，或许是Sora能够了解每个人潜意识的想法，自动去生成和创作内容，根本不需要用户去主动寻求表达”，陈坤表示道。

同样的行业还有游戏，OpenAI 技术报告的结尾是一个《我的世界》的游戏视频，旁边写着这样一句话：“ Sora可以通过基本策略同时控制Minecraft中的玩家，同时高保真地呈现世界及其动态。只需在Sora的提示字幕中提及‘Minecraft’，就能零距离激发这些功能。”

AI游戏创业者陈希告诉我们，“任何游戏从业者看到这句话，都是一身冷汗！OpenAI 毫无保留地展露了它的野心”。陈希解读分析认为，短短的一句话传达了两件事情：Sora能控制游戏角色，同时能渲染游戏环境。

“就如OpenAI 所说，Sora是一个模拟器，一个游戏引擎，一个想象力和现实世界的转换接口。未来的游戏，只要言之所及，画面就能被渲染出来。Sora现在学会了构建一分钟的世界，还能生成稳定的角色，再配合自家的GPT-5，一个纯AI生成的、数千平方公里、活跃着各色生物的地图，听上去已经不是异想天开。当然，画面是否能实时生成，是否支持多人联机，这些都是很现实的问题。但无论怎么说，新的游戏模式已经呼之欲出，至少用Sora生成一个《完蛋我被美女包围了》变得毫无问题了”，陈希道。

第二类是基于模拟世界的能力，在更多领域中创造出新的事物。

爱丁堡大学的博士生Yao Fu表示：“生成式模型学习生成数据的算法，而不是记住数据本身。就像语言模型编码生成语言的算法（在你的大脑中）一样，视频模型编码生成视频流的物理引擎。语言模型可以视为近似人脑，而视频模型近似物理世界。”

学会了物理世界中的普遍规律，让具身智能也更加接近人的智能。

例如在机器人领域，以前的传导流程为，先给到机器人大脑一个握手的指令，再传递到手这个部位，但是由于机器人无法真正理解“握手”的含义，所以只能把指令转化为“手的直径缩小为多少厘米”。若世界模拟器成为现实后，机器人就可以直接跳过指令转化的过程，一步到位理解人的指令需求。

跨维智能创始人、华南理工大学教授贾奎向光锥智能表示，显式的物理模拟将来就有可能应用到机器人领域，“Sora的物理模拟是隐式的，它展示出了只有其内部对物理世界理解和模拟才能生成出来的效果，要对机器人直接有用，我觉得还是显式的才行。”

“Sora能力还是通过海量视频数据，还有recaptioning技术，实现出来的，甚至也没有 3D 显式建模，更不用说物理模拟了。虽然其生成出来的效果，已经达到/接近了通过物理模拟实现的效果。但物理引擎能做的事情不仅仅是生成视频，还有很多训练机器人必须有的其他要素”，贾奎表示道。

虽然Sora还有许多局限性，但在虚拟和现实世界之间已经建立了一个链接，这让无论是头号玩家式的虚拟世界，还是机器人更像人类，都充满了更大的可能性。