OpenAI的文生視頻大模型Sora已經(jīng)發(fā)布兩天，其沖擊力依然不減。
2月18日，新京報貝殼財經(jīng)記者進行了Sora與其他文生視頻大模型的對比測試，發(fā)現(xiàn)Sora在時間和視頻生成質(zhì)量上均對“同行”產(chǎn)生了“降維打擊”：其他文生視頻大模型僅能生成3至4秒的視頻，而Sora生成的視頻時間最多可達1分鐘，且景物也更加清晰穩(wěn)定、符合描述。
不過，隨著越來越多使用Sora制作的視頻出現(xiàn)以及部分技術(shù)細節(jié)的公開，業(yè)界開始對其進行全方位審視，其中，贊揚和驚嘆聲不少，但Sora生成的視頻也被發(fā)現(xiàn)存在諸多不合理之處。
文生視頻對比實測：Sora從“動圖”升級到“短片”
“一個時髦的女人走在東京的街道上，街道上充滿了溫暖發(fā)光的霓虹燈和生動的城市標志。她穿著一件黑色的皮夾克，一件紅色的長裙，一雙黑色的靴子，還帶著一個黑色的錢包。她戴著太陽鏡，涂著紅色的口紅。她自信而隨意地走著。街道是潮濕和反光的，創(chuàng)造了一個五顏六色的燈的鏡面效果。許多行人走來走去�！边@是OpenAI官網(wǎng)介紹Sora時，出現(xiàn)的第一組提示詞。
在OpenAI推出Sora之前，文生視頻領域的創(chuàng)業(yè)公司主要包括Pika、Runway等，為了驗證Sora的能力，新京報貝殼財經(jīng)記者將上述同樣的提示詞輸入Pika文生視頻模型，以及Runway旗下的Gen-2video文生視頻模型進行了實測。
在相同提示詞下，新京報貝殼財經(jīng)記者使用Pika生成的視頻截圖。
在相同提示詞下，新京報貝殼財經(jīng)記者使用runway旗下Gen-2video生成的視頻截圖。
OpenAI官網(wǎng)上Sora生成的視頻。
貝殼財經(jīng)記者發(fā)現(xiàn)，在相同的提示詞下，Pika僅能生成3秒的視頻，Gen-2video則可以生成4秒的視頻。其中，Pika的視頻為“時髦女人”的背影，無法體現(xiàn)她“戴著太陽鏡，涂著紅色的口紅”的描述，不過對于提示詞中“潮濕反光的街道和五顏六色燈的鏡面效果”體現(xiàn)得較好，但整體上視頻較為模糊。
Gen-2video則跳出了“無法輸入這么多提示詞”的彈窗，并根據(jù)能夠輸入的部分生成了一個4秒的視頻，該視頻相比Pika顯然精細很多，也符合提示詞描述的人物形象，包括“街道、人群、黑錢包”等。
但可以發(fā)現(xiàn)，無論是Pika還是Gen-2video，都忽略了“一件紅色的長裙”這個細節(jié)，且貝殼財經(jīng)記者通過觀看視頻發(fā)現(xiàn)，這兩段視頻仍能看出AI生成的影子，特別是Gen-2video的人物臉部，有細微的形變，這正是AI生成視頻的特點之一：難以始終保持同一人物的連貫性。
而Sora不僅體現(xiàn)了提示詞中的全部細節(jié)，而且還很好地保持了人物的連貫性，使得該視頻幾乎可以“以假亂真”。當然，如果仔細觀察，可以發(fā)現(xiàn)該視頻中人物的腳步在某幾個幀會出現(xiàn)不自然的扭曲，以及該視頻中的背景廣告牌雖然酷似日文，但由于目前AI還無法直接在視頻中“認識”文字，其只能生成似是而非的“日文”，這都是AI生成視頻的特點之一。
但即便如此，Sora還是用事實顯現(xiàn)出了同其他文生視頻大模型的代差。
在谷歌和推特都有從業(yè)經(jīng)歷的AI創(chuàng)業(yè)者Gabor Cselle也發(fā)布了使用相同提示詞，在其他四個文生視頻模型中“復現(xiàn)”Sora“穿過下雪、櫻花飛舞的東京街道……”的場景，并表示“其他模型達不到能和Sora比較的效果”。
Gabor Cselle社交賬號截圖。
在國內(nèi)，也有不少AI從業(yè)者直觀地感受到了Sora帶來的沖擊。
清華大學沈陽教授團隊一直聚焦AI在各個領域的應用，并也一直在使用AI模型進行文生視頻的操作。2月17日，他在朋友圈發(fā)布了一條團隊成員花兩天制作的“半失敗”AI視頻，并表示“從這里可以看出和Sora的差距，我讓她暫時放棄這個作品，等算法升級再重做一下�！�
對于Sora出現(xiàn)后，使用AI制作視頻的工作能否繼續(xù)，沈陽回復貝殼財經(jīng)記者“慢慢弄，往前挪唄”。
理解物理世界顛覆影視、游戲行業(yè) Sora是“通用世界模型”嗎？
為何Sora能夠在視頻生成的質(zhì)量上明顯領先同業(yè)產(chǎn)品？OpenAI在官方網(wǎng)站上表示，Sora是能夠理解和模擬現(xiàn)實世界的模型的基礎，相信這一能力將是實現(xiàn)通用人工智能的重要里程碑。不過，Sora還存在很多不完善之處，仍然處于世界模型研究應用的初期階段。
什么是世界模型？貝殼財經(jīng)了解到，實際上runway公司在去年12月就提出過要開發(fā)通用世界模型（General World Model），用其旗下的Gen-2模型來模擬整個世界，“我們相信，人工智能的下一個重大進步將來自理解視覺世界及其動態(tài)的系統(tǒng)，這就是為什么我們要圍繞通用世界模型開始一項新的長期研究工作。”
從效果上看，目前OpenAI已經(jīng)通過Sora部分做到了這一點，因為只有理解物理世界的運行法則，文生視頻模型才能創(chuàng)造出更加逼真的視頻。英偉達高級科學家Jim Fan就對此表示，Sora是一個數(shù)據(jù)驅(qū)動的物理引擎，“它是對許多世界的模擬，無論是真實的，還是虛構(gòu)的。該模擬器通過去噪和梯度學習方式，學習了復雜的渲染、直觀的物理、長期推理和語義理解�！�
而理解現(xiàn)實世界的物理法則，也正是通往通用人工智能這一“終極目標”的必經(jīng)之路。
對此，不少科技圈名人都發(fā)出了驚嘆，馬斯克直接在社交平臺上發(fā)布短評“GG世界”（GG是網(wǎng)絡游戲的用語之一，原指游戲結(jié)束時玩家互相致意，后引申為“游戲結(jié)束”）。
360公司董事長周鴻祎則直接在朋友圈發(fā)文稱，一旦AI能夠接上攝像頭，觀看并理解世界上所有的電影，它對世界的理解能力將遠遠超過僅僅通過文字學習所能達到的水平。在這種情況下，實現(xiàn)通用人工智能不再是遙不可及的夢想。周鴻祎甚至預測，這一天可能在一兩年內(nèi)就會到來，而不是十年或二十年。
在現(xiàn)實層面，有更多人擔心文生視頻大模型可能直接沖擊影視和游戲行業(yè)。美國舊金山早期投資人Zak Kukoff預測，在5年內(nèi)，一個不到5人的團隊將可能用文生視頻模型制作出一部票房收入超過5000萬美元的電影。
值得注意的是，日前大火的游戲《幻獸帕魯》的開發(fā)團隊就僅有4人，有許多人質(zhì)疑該團隊使用了AI生成技術(shù)制作游戲角色，以節(jié)省成本。而根據(jù)OpenAI 發(fā)布的最新Sora技術(shù)報告，Sora能夠模擬視頻游戲的數(shù)字化過程，Sora能在控制 Minecraft 游戲角色進行基本操作的同時，高質(zhì)量動態(tài)渲染游戲世界。這意味著，個人開發(fā)制作游戲的門檻可能會被進一步降低。
前阿里巴巴副總裁，Lepton AI公司創(chuàng)始人賈揚清則直接評價Sora“真的非常�！�，他表示Sora的問世可能會給對作OpenAI的公司帶來一波被大廠FOMO（害怕錯過機會而導致的收購）收購的機會。賈揚清預測，大模型市場長期仍將呈現(xiàn)閉源寡頭的格局，開源大模型仍然需要一段時間才能追趕上，而從算法小廠的角度來看，要么在算法上與OpenAI媲美，要么深耕垂直領域的應用，要么選擇開源道路；最后，基礎設施的需求將繼續(xù)猛增。
