终局之战！OpenAI Sora大佬专访：AI视频模型仍处在GPT-1时代

---

  新智元报道  

对于视频生成领域，大家一致的看法就是：Sora一出，谁与争锋！

然而，身处于风口浪尖的Sora团队成员怎么看？

近日，Sora的三位领导者，Aditya 、Tim和Bill接受了专访。

结果就是——相当稳健！

看过整个采访视频你会发现，除了年轻有为，整个团队的思考和规划都非常稳。

稳到实际上没有什么规划。

稳到就像是知道自己稳赢，或者并不在乎能不能赢，只管踏踏实实改进模型。

也许是OpenAI的企业文化？诸位随意碰瓷，如果有人在排行榜上超过了我，我就会拉个分支出来，release一版重归王座。

ps：对这三位大佬以及团队其他成员还不太了解的观众老爷们，可以参见这一期。

对于整个采访视频，小编帮大家总结成四点：

模拟现实通往AGI

AGI是充满希望的未来，但有了Sora，这一切就不会止步于想象。

Sora通过在神经网络中模拟复杂环境，弥合了当前AI能力与高级通用智能（AGI）之间的差距。

随着Sora的发展，它将能够全面理解我们的三维世界，实现向更复杂人工智能系统的飞跃。

丰富人类体验

Sora成为了创造力的媒介，用户利用它来创作新颖的艺术和叙事。

同时，Sora的探索增强了传统形式的内容创作，为故事的讲述和经验的分享提供一个新的维度。

未来，从娱乐到教育的各个领域，提供的内容将更具沉浸感和互动性。

技术基础、质量成本和受众

三位大佬还现场讲述了Sora的技术基础，包括数字建模、物理引擎和视频生成等方面。

另外在实际部署和优化方面，需要考虑可访问性和可负担性，确保Sora的能力能够覆盖广泛的受众，同时又不影响质量和效益。

价值观

安全问题是旅途中永远不可忽视的。

特别是关于错误信息和滥用AI生成内容的问题，需要技术的努力，也需要相关的准则和法规。

三人表示：不急，我们的Sora正在接受艺术家和伦理学家的反馈，确保对齐社会价值观和安全标准。

团队相信，Sora真的处于通往AGI的关键路径上。

比如我们可以重温一下Sora曾带给我们的惊艳场景：

冬日，东京，人群。人们交谈、牵手，有人在附近的摊位卖东西。

这个场景有如此多的复杂性，很好地说明了如何在神经网络的权重范围内，模拟极其复杂的环境和世界，并预测未来的行为。

Bill

为了生成真正逼真的视频，模型必须学习人们如何工作、如何与他人互动，如何思考。

——不仅仅是人，还有动物，以及任何你想建模的物体。

而随着Sora的规模不断扩大，她将有可能变成另一个概念股——世界模型。

任何人都可以和这个「世界模拟器」互动，每个人都可以拥有自己的模拟器，在任何时候去体验模拟事件、模拟人生（或者模拟爱情？）

通过这种方式，人类将帮助模型一步步走向那个华丽的终点。

「这将会发生」。

探索创造潜力，丰富人类体验

世界模型在不远的未来，而另一些体验就在此刻，发生在我们身边。

当Sora推出时，很多人会被美丽的画面所吸引，被水中小熊猫的倒影所震惊。

但是现在，越来越多的人开始使用它，职业创作者可以尽情发挥自己的创造力，普通人也可以展示自己的想法。

Tim

Sora团队举了两个例子，首先是一个短篇故事airhead：

区别于传统形式的内容创作（特效、剪辑等），Sora帮助创作者解锁了一种很酷的方式，为故事的讲述和经验的分享提供一个新的维度。

另一个例子是Bill本人使用Sora制作的，纽约动物园的多镜头场景：

作为一个喜欢生成创意内容，但没有足够技能去实现的人，使用Sora这样的模型可以很容易做出引人注目的作品。

Bill通过提示和迭代得到了自己喜欢的东西，整个过程只花了不到一个小时。

「我玩得很开心」。

从短片到世界模型

技术积累、由短变长，是电影工业的历程，也是Sora的未来。

看看皮克斯30年来的演变，以后也会有越来越多的人，使用视频生成模型，制作越来越多的电影。

同时Tim认为，人们会找到全新的方式来使用模型，这将与我们习惯的当前媒体完全不同。

比如上面谈到的世界模型，创作者以一个非常不同的范式，模拟想让用户看到的东西，人们能够与内容互动，带来意想不到的结果。

另外一个急需世界模型的领域，就是机器人。

Bill表示，机器人可以从模型构建的虚拟世界中学到很多东西，这是其他形式所无法比拟的。

再一次回到东京那个场景，腿是如何运动的，以及如何以物理上精确的方式与地面接触。

——模型从原始视频的训练中学到的关于物理世界的知识，将能够低成本传递给机器人，或者其他领域。

更多算力，更强性能

Sora在OpenAI的DALL·E模型（Diffusion model）和GPT模型（Transformer）的研究基础上进行构建，

扩散模型（Diffusion model）是一个创建数据的过程，从噪声文件开始，反复删除噪声，形成最终结果。

而Transformer则提供了强大的学习能力和可扩展性，在更多计算和更多训练数据的加持下，Sora的能力将会越来越强。

团队的实验结果证明了模型表现和算力的这种正相关，他们也坚信这种趋势将会持续下去。

使用Transformer的好处之一是可以继承领域中的所有伟大属性，比如语言。

类比到视频数据，也要构建相应的损失函数，还要想办法在不增加所需计算量的情况下，获得更好的损失。——这也是团队正在努力的方向。

长视频生成的秘密

大语言模型范式能够成功的关键因素之一，就是token的概念。

互联网上充斥着各种各样的文本数据，有书籍，有代码，有数学。而LLM将他们统一转化为token，于是能够在如此广泛多样的数据上进行训练。

而以前的视觉生成模型没有搞明白这件事情。

在Sora之前，大家一般使用256 × 256分辨率的图像或256 × 256的视频进行训练，这限制了视频生成的长度，更限制了模型能够获取的信息。

在Sora中，团队引入了时空块的概念，无论是图像还是视频，也无论是什么尺寸，只需要把它们看成是一个个的小块。

——这就是相对于视觉模型的token。

这样做的结果是，Sora拥有了通用的能力，不仅仅是生成固定时间的720p视频，你可以生成垂直视频，宽屏视频，还可以生成图像。

从零开始

在Sora之前，许多人一直在做的是对图像生成模型进行扩展，最终可以生成几秒钟的视频。

而我们得先定一个小目标：如果需要制作一分钟的高清视频应该怎么办？

以这个目标为导向，就需要抛弃传统的方法，从零开始，数据需要分解成非常简单的方式，模型需要可扩展，——于是Sora架构诞生了。

「这是第一个视觉内容生成模型，同时具有语言模型的广度」。

Aditya

价值观

安全绝对是一个相当复杂的话题。

比如模型处理有害内容图像的方式，比如虚假信息，是否应该允许用户生成带有攻击性词语的图像？

部署这项技术的公司应该承担多少责任？社交媒体公司应该花多大力气来向用户表明内容的可信度？用户对于自己创作的东西应该怎样负责？

我们需要认真思考这些问题，在保证对齐人类价值观的基础上，不扼杀未来的创造力。

民主化

目前，生成视频是非常消耗资源的，而且用户可能需要等待几分钟才能拿到自己的结果。

未来，这项技术应该惠及所有人，团队正在朝这个方向努力。

当然，在民主化的过程中，我们也要非常小心错误信息和任何周围风险。

从近似世界模型到高保真预测

Sora没有进行过3D信息的训练，却从海量视频中学会了空间关系。

Sora正在学习我们人类的世界，却有可能比我们更接近真实。

人类思考事物的方式是有缺陷的，实际上我们无法做出非常准确的长期预测。

而作为世界模型，Sora将提供这种能力，有朝一日会比人类更聪明。

喂给它给多的算力和数据，它就能变得更好。

而随着规模的增加，学习可扩展智能的最佳方法就是预测数据，——就像LLM所做的那样。

Sora的scaling law还远远没有走完，或者说才刚刚开始。

「这是令人兴奋的时刻，我们期待未来模型的能力」。