1、Sora：视频生成模型作为世界模拟器
Sora探索的是在视频数据上进行大规模生成模型的训练。具体来说，联合训练了文本条件扩散模型，用于处理持续时间、分辨率和宽高比各异的视频和图像。利用了一种变压器架构，该架构在视频和图像潜在编码的时空补丁上运行。最大的模型Sora能够生成一分钟的高保真视频。结果表明，扩展视频生成模型是建立通用物理世界模拟器的一个有前景的途径。
上面的图文是Open AI 官网 Sora的技术报告的首段内容，可以看出Sora的野心远远不是简单的视频生成，而是跟标题一样的意思，通过视频数据来创造一个世界模型或者世界模拟器，这才是Sora目标。
2、技术原理分析
2-1、将视觉数据转换为补丁
受到大型语言模型的启发，这些模型通过在互联网规模数据上进行训练获得了通用能力。语言模型的成功在一定程度上得益于优雅地统一了文本、代码、数学和各种自然语言等不同形式的标记。在这项工作中，我们考虑了生成视觉数据模型如何继承这些优势。与语言模型具有文本标记不同，Sora 使用视觉补丁。先前已经证明，补丁是视觉数据模型的有效表示。我们发现，对于训练生成各种类型的视频和图像模型，补丁是一种高度可扩展和有效的表示方法。
2-2、采用patches统一训练数据格式
最早在ViT中出现将图片分patch输入给transformer。Sora的有点不太一样，首先通过一个encoder（VAE结构）将视频帧压缩到一个低维度隐式空间（包含时间和空间上的压缩），然后展开成序列的形式送入模型训练，同样的模型预测也是隐式的序列，然后用decoder解码器去解码映射回像素空间形成视频。
Sora 在这个压缩的潜在空间上进行训练，并随后生成视频。还训练了一个相应的解码器模型，将生成的潜在表示映射回像素空间
添加图片注释，不超过 140 字（可选）
将变压器用于视频生成规模化，Sora是一个扩散模型；给定输入的噪声补丁（以及文本提示等条件信息），它被训练为预测原始的"干净"补丁。重要的是，Sora是一个扩散变压器。变压器已经在各种领域展示了出色的规模化性能，包括语言建模、计算机视觉和图像生成。
2-3、Sora在视频生成方面的优势可以总结如下：
- 基于补丁的表示：Sora使用基于补丁的表示方法，使其能够处理具有不同分辨率、持续时间和宽高比的视频和图像。
- 扩散变压器：作为扩散模型的一种，Sora在处理输入噪声补丁时，通过训练预测原始"干净"补丁，这有助于提高生成质量。
- 可扩展性：Sora是基于变压器的模型，而变压器已经在多个领域展示了出色的规模化性能，包括语言建模、计算机视觉和图像生成。
- 生成控制：在推断时，可以通过合理排列随机初始化的补丁来控制生成视频的大小，这增强了对生成过程的控制能力。
- 对图像的适用性：Sora的设计也适用于处理图像数据，因为图像本质上只是单帧视频。
2-4、 使用re-captioning获得text-videos对
在训练阶段，将视频按1帧或者隔n帧用DALL·E3按照一定的规范形成对应的描述文本，然后输入模型训练。在推理阶段，首先将用户输入的prompt用GPT4按照一定的规范把它详细化，然后输入模型得到结果。
3、网络结构
3-1、DiT（Diffusion in Transformers）
添加图片注释，不超过 140 字（可选）
DiT（Diffusion in Transformers）结构是将transformer和DDPM（Diffusion Models）结合在一起的模型。简单来说，它使用transformer结构替换了稳定扩散中的U-Net结构，用于噪声去除。这种替换带来了以下优势：
- 随着数据规模或训练时间的增加，模型效果越好：这意味着随着模型的规模和训练时间的增加，模型的性能会进一步提升，这是一个非常有吸引力的特性。（也就是大力出奇迹，暴力文学）
- 模型越大、补丁越小，效果越好：这表明使用更大的模型和更小的补丁可以进一步提高模型的性能。
3-2、整体的结构 下图来自B站UP主ZOMI酱的画的一个Sora结构：
在Conditioning阶段，可能不是一帧对应一个文本，而是几帧甚至十几帧对应一段文本描述。在编码成时空潜在补丁时，可能使用了ViT的时空编码方式。输入给解码器（encoder）的内容应该是去噪之后的补丁序列，用补丁（patches）描述比使用Tokens更准确一些。
4、影响以及趋势
4-1、Sora可能带来的影响包括：
- 影视和短视频行业：Sora可能首先影响影视和短视频行业，为其提供更高效、更创新的内容生成工具。
- 生成时间的增长：未来的Sora版本可能会生成更长的序列，这类似于ChatGPT不断增大的输入标记长度，为内容创作提供更大的灵活性和多样性。
- 通向AGI的道路：Sora的发展可能是通向人工通用智能（AGI）的一部分，这是许多人所追求的目标。
- 世界模型的讨论：人们广泛讨论和关注Sora是否具备世界模型的特征，其能力包括3D一致性、长程一致性和物体永久性、与世界的互动以及模拟数字世界等。
总的来说，Sora可能对影视、视频生成和人工智能领域带来重大影响，推动这些领域的发展和创新。