OpenAI「AI 视频」工具出炉：别争了，「视频 GPT」还是我的！

2 月 16 日凌晨，OpenAI 在官网博客中介绍了最新的 AI 模型——文生视频模型 Sora，它可以根据人们的文本描述生成原始视频。

在放出的演示视频中，Sora 可以生成清晰准确的角色，远景、近景交错但主题一致的视频，并且，已经能一次性生成最长 60s 的视频。看着这些视频，AI 根据剧本自动生成好莱坞电影，似乎已经向我们走来。

一经发布，社交平台 X 上，和 AI 以及视频相关的创业者坐不住了。

YouTube 头部网红 MrBeast 回应 Sam Altman 发布 Sora 模型的推特时，打趣道：Sam，请不要让我无家可归。

Runway 联合创始人、CEO Cris Valenzuela 发推称：比赛开始了。

但 OpenAI 没有拘泥于在花哨的视频本身中，对于 Sora 文生视频，OpenAI 表示：这是通向 AGI 的里程碑事件。

01 60s、语言理解、物理世界交互

据 OpenAI 官网，Sora 模型的目标是「理解和模拟运动中的物理世界」。当前，它的最大亮点是可以生成长达 1 分钟的视频，并且，在这 1 分钟的视频中，可以保证视觉质量，遵守用户提示词。举例来说，Sora 可以生成一系列复杂场景的视频，包括多个角色、特定类型的运动、以及在特定主题和背景下的精确细节等。

输入如下提示词，Sora 生成的视频：美丽、白雪皑皑的东京城市熙熙攘攘。镜头穿过熙熙攘攘的城市街道，跟随几个人享受美丽的雪天，在附近的摊位上购物。绚丽的樱花花瓣随着雪花在风中飞舞。｜来源：OpenAI

Sora 模型根据提示词，可以生成如此程度的准确视频，意味着它对语言的理解能力出众。

它不仅理解用户在提示词中想要什么，还理解这些东西应该如何在物理世界中存在。相应地，Sora 可以基于对提示词的理解，精确阐述、演绎提示词，生成恰当的角色来表达极具张力的情绪。

如下提示词 Sora 生成的视频：一个美丽的自制视频，展示了 2056 年尼日利亚拉各斯（Lagos）的人们，用手机相机拍摄的。｜来源：OpenAI

在一众的演示视频中，你会发现，Sora 还可以在一个生成的视频中创建多个镜头。不仅如此，即便在近景、远景、不同角度的镜头下，也能保持角色和视觉风格的一致性。

当然，OpenAI 也在官网承认，Sora 还远非完美。它可能难以准确地模拟复杂场景下的物理世界，也可能无法理解一些场景下的因果关系，比如，一个人可能咬了一口饼干，但之后，饼干上可能没有咬痕。

此外，Sora 还可能混淆提示词里诸如「左、右」一样的空间细节，并且可能难以精确描述随时间发生的事件。

OpenAI 没有透露 Sora 模型何时公开，但表示将与有限数量的外部人士分享。当地时间 2 月 15 日一整天，OpenAI CEO Sam Altman 都在他的 X 社交媒体账户上发布 Sora 生成的视频。他让粉丝给出提示词，他发布该提示词下 Sora 生成的视频。

OpenAI 称，尽早分享研究进展是为了与外界展开合作、获得反馈，也让公众了解 AI 的进展。「我们也让一些视觉艺术家、设计师和电影制作人访问，以获得推进该模型以对创意专业人士最有帮助的反馈」。

除此之外，用来评估 Sora 危害或风险的「红队」（red teamers）可以提前测试该模型。这里的红队是指，错误信息、仇恨内容和偏见等领域的专家，他们将对抗性地测试该模型，从而评估如何防止 Sora 被滥用来制造错误信息或其他有害内容。

OpenAI 表示，在把 Sora 应用于 OpenAI 的产品之前，将采取一些重要的安全措施。

02「物理世界 GPT」

官方博客中，OpenAI 称 Sora 的目标是「理解和模拟现实」，这也是是英伟达 Omniverse 多年来押注的未来。看到 Sora 的能力，英伟达高级科学家，AI Agent 负责人 Jim Fan 盛赞其强大模型背后的技术突破。

Jim Fan 在 X 社交媒体发表上述观点｜来源：twitter.com

他称，「如果你认为 OpenAI Sora 是一个像 DALLE 一样的创意玩具……再想想。Sora 是一个数据驱动的物理引擎，是对现实或幻想世界的模拟。这一模拟器通过去噪和梯度数学，来学习复杂渲染、『直觉』物理（「intuitive」physics）、长视野推理（long-horizon reasoning）和语义基础。」

在其背后的技术实现上，Jim Fan 认为，Sora 一定使用了 Unreal Engine 5 生成的大量合成数据来训练。

在技术声明中，OpenAI 尚未介绍 Sora 模型的训练数据等细节，称将在 2 月 16 日晚些时候，发布技术论文。

在已公布的信息中，Sora 是一个扩散模型，从一个看起来像静态噪声的视频开始，通过许多步骤去除噪声来逐渐形成最终视频。并且，Sora 能够一次性生成整个视频，或者扩展已生成的视频使其更长。

OpenAI 称，通过赋予模型一次预测许多帧的能力，解决了一个具有挑战性的问题，即确保一个主题即使暂时消失在视野之外也保持不变。

与 GPT 模型类似，Sora 使用 Transformer 架构，具备卓越的缩放性能。

对于 Sora 模型的重要意义，OpenAI 在官方博客结尾指出，「Sora 作为能够理解和模拟现实世界的模型基础，我们相信这一能力将是实现 AGI 的重要里程碑。」

显然，OpenAI 的目标依旧是 AGI 的实现，在这个恢弘的目标下，其在集结资源和自身能力上的领先优势，又一次体现出超越一般创业公司的综合实力。

此前，Pika 联合创始人 Demi Guo 在接受极客公园的采访时表示，在文生视频赛道，相比基于现有模型能力做功能优化、打补丁，模型能力本身才是决定文生视频产品成败最关键的因素。

一经发布，OpenAI 的 Sora 模型再次刷新 AI 文生视频的超能力，显然对这个赛道那些已经发布产品的初创公司形成了巨大压力：Runway、Synthesia、Pika、Rephrase.ai……

就像 Runway 联合创始人、CEO Cristóbal Valenzuela 在几个小时前说的那样：比赛开始了。

其实，这句看起来「不服输」的话，并不准确。Sora 的出现，让「视频生成赛道」基于上一代模型技术的产品比赛，已经结束了。现在开始的，将是一场全新的技术比赛，而不只是产品的比拼。