"Sora 是世界建模的第一步"
明敏 克雷西 发自 凹非寺量子位 | 公众号 QbitAI
"Sora 最快今年内开放公测。"
在一场访谈中，OpenAI CTO Mira Murati 亲自透露了这一消息。
短短 10 分钟里，Sora 技术细节、进展、规划等当下最热议的问题，都有了更进一步解答：
- 生成 20 秒的 720P 视频只需几分钟
- 计算资源远超 ChatGPT 和 DALL·E
- 目前正在进行正在进行红队测试
- 未来版本有望支持视频声效
而且还向外界传递了一层重要信息：
OpenAI 在考虑发布这项技术时，抱有非常谨慎的态度。
"我们希望电影界人士和世界各地的创作者都能参与进来，与我们共同探索如何进一步推动这些行业发展。"
加上前几天，Sora 的三名研发主管------Tim Brooks、William Peebles 和 Aditya Ramesh，也参与了一场 16 分钟的播客访谈。
综合两场对话，关于 Sora 背后的秘密，也有了更多蛛丝马迹可以探寻。
关于 Sora，人们最关心也最期待的，可能就是什么时候才能上手体验了。
对此，Mira 表示 Sora 正在进行红队测试，以确保工具的安全性，并且不会产生偏见或其他有害问题。
对于具体的时间，Mira 也立下了 flag------今年年内让 Sora 与广大用户正式见面。
此外，两场对话中谈到的其他话题，可以分为技术细节、项目规划和未来展望三个部分。
技术方面，三人团队表示，Sora 更像是介于 Dall·E 这类扩散模型和 GPT 之间。
训练方式类似于 Dall·E，但架构上更像 GPT 系列。
训练数据是不方便说滴（doge），大致就是公开数据和 OpenAI 已获授权的数据。
不过他们专门 cue 了一个点：通常图像、视频模型都是在一个固定尺寸上进行训练，而 Sora 使用了不同时长、比例和清晰度的视频。
具体方法之前的技术报告已经有了说明，就是用 "Patches" 来统一不同的视觉数据表现形式。
然后可以根据输入视频的大小，训练模型认识不同数量的小块。通过这种方式，模型能够更加灵活学习各种数据，同时也能生成不同分辨率和尺寸的内容。
性能方面，Mira 和三人组的说法则略有不同：
三人组透露，有一次给 Sora 布置好任务后，出去买了杯咖啡，结果回来之后视频还没做好。
而 Mira 这边的回答则是，Sora 生成 720P 分辨率、长达 20 秒的视频内容，只需要几分钟就能完成。
当然，具体消耗的时间，还要取决于任务复杂程度等多种因素，不能简单一概而论。
不过 Mira 这边表示，在正式发布之前将继续努力优化算法，以降低所需的算力。
而针对 Sora 存在的不足，他们的回答也很坦诚，表示其还存在无法完美处理手部的生成，渲染复杂的物理过程也存在一定难度等一系列问题。
除了这些 bug 型的缺陷之外，Sora 不能给视频添加声音也算一个美中不足之处，对此三人组给出了这样的回应：
很难确定什么时候能有这样的功能，但这并非一个技术问题，而是目前有优先级更高的问题需要解决。
目前，Sora 还是更关注视频本身的生成，研究重点是提高视频的画质和帧率。
所以，能够加入声音当然是更好的，但现在的当务之急，还是要把视频能力先搞上来。
而 Mira 对此的回答则更像是给人们吃了一颗定心丸------未来版本有望支持视频声效，增强用户体验。
而除了这些产品本身的问题之外，为 Sora 生成的视频加入溯源信息，以防出现造假，也是 OpenAI 当下的一项重要任务。
同时，负责人和 Mira 都表示，团队始终在收集来自各界的用户反馈，三人组还举例说有用户希望能加入提示词以外，更精细、直接的控制方式，团队将此作为了重点考虑的一个方向。
最后，针对 Sora 的未来，负责人给出了很高的预期，并表示其将不仅仅在视频创作方面发挥作用。
我们的世界充满了视觉信息，其中有很多无法仅通过文本来传达。
所以，虽然像 GPT 这样的语言模型已经对世界有了深刻的理解，但如果它们无法像人类一样 "看" 到视觉的世界，对世界的认识就会有所缺失。
因此，负责人对 Sora 及未来可能在其基础上开发的其他 AI 模型充满了期待------通过学习视觉信息的方式理解这个世界，在未来能够更好地帮助人类。
对此有网友表示，这的确是个好消息，Sora 的意义不仅在于其本身，而且还会对其他 AI 产生影响。
另一边，已经有人在期待 Runway 等前任王者对此的反应了。
不过，虽然团队自己说 Sora 在未来能够理解人类世界，但它到底能不能真的算世界模型，还存在不小的争议。
针对这个问题，正反双方各执一词，支持者的主要理由，是认为从 Sora 生成的视频中能看出其对物理世界的理解。
而反方则不认同 Sora 是世界模型，代表人物是图灵奖得主、Meta 首席 AI 科学家 LeCun。
近期，LeCun 点赞了一篇澳大利亚学者的万字长文，文章的核心观点就是认为 Sora 不是世界模型。
其中最核心的原因，是 Sora 并没有物理引擎来运行前向时间模拟，而且训练过程是端到端完成的，数据中并没有物理规律信息。
即便是抛开训练和生成过程，单从表现上看，Sora 的输出也出现了违反重力、碰撞动力学等物理规律的情况。
△Sora 生成的 "反重力玻璃杯"
所以，作者认为，将 Sora 称为世界模型是缺少充分依据的。
而人们比较关心的另一个问题，是 Sora 的训练过程，是否使用了虚幻引擎（Unreal Engine）5。
不过作者也没有给出确切结论，只表示这只是猜测，目前并没有确切的证据表明 Sora 确实使用了 UE5 进行训练。
而要想进一步揭开这些问题，或许要 OpenAI 再次自己出来公布，或者直接开源了。
虽然两场访谈的确透露出了不少干货，但针对人们同样广为关心的训练数据来源问题，无论是三人团队还是 Mira，说法都十分模糊------
Sora 的训练过程中使用的是公开可用和已获得授权的数据源。
但对于 YouTube、Instagram 和 Facebook 上的视频是否被用作训练数据，Mira 则是顾左右而言他：
我不知道，但如果这些数据是公开可用的，他们也许是（训练）数据（的一部分）...... 我不确定
不过，这个说法的可信度先放下不谈，即便真的如 Mira 所说，也有网友并不认账：
OpenAI 好像觉得，只要是公开的数据就可以随便用，呵呵
参考链接：
1\][www.youtube.com/watch?v=Srh...](https://link.juejin.cn?target=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DSrh1lut4Q2A%25EF%25BC%2588%25E7%25AC%25AC "https://www.youtube.com/watch?v=Srh1lut4Q2A%EF%BC%88%E7%AC%AC") 53 分钟开始） \[2\][www.youtube.com/watch?v=mAU...](https://link.juejin.cn?target=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DmAUpxN-EIgU "https://www.youtube.com/watch?v=mAUpxN-EIgU") \[3\][artificialcognition.net/posts/video...](https://link.juejin.cn?target=https%3A%2F%2Fartificialcognition.net%2Fposts%2Fvideo-generation-world-simulators%2F "https://artificialcognition.net/posts/video-generation-world-simulators/") *版权所有，未经授权不得以任何形式转载及使用，违者必究。*