Sora：從眼見為實，到夢想成真

姜奇平

2024年2月15日，OpenAI正式發布的AI視頻生成模型Sora吸引了全球大眾與媒體的目光。屏幕上，一位時尚女士走過雨后的街頭，地面的積水倒映出街頭廣告的斑斕色彩，并隨鏡頭推近不時變幻。這不是真實的攝像，而是由Sora生成的一段以假亂真的視頻。OpenAI自己并不認為Sora只是視頻模型，而稱之為“世界模擬器”。Sora的問世，改變了世人“眼見為實”的定見，變成把人們心中所想用AI變成虛擬的現象。Sora是技術邁出的一大步和人類邁出的一小步。

Sora是一個由不同時長、分辨率和寬高比的視頻及圖像訓練而成的擴散模型，同時采用了Transformer架構，可以根據用戶的文本提示（prompt）創建一分鐘的高清視頻。該模型可以通過理解仿真物體在物理世界中的存在方式，為模型提供多幀的預測，深度模擬真實物理世界，能生成具有多個角色、包含特定運動的復雜場景。

Sora在一些專家和投資界看來，是技術發展的一大步。有專家認為這一數據驅動的物理引擎，堪比視頻生成領域的GPT-3。對于Sora即將引領的新技術潮流來說，OpenAI首席執行官山姆·奧特曼認為，人工智能有望在推理能力和可靠性、多模態、可定制化和個性化三個領域大幅提升。

但對于人類對智能的探索來說，Sora仍只是一小步。因為這更像是量變，而非質變。

首先，Sora是算力增強的結果，而非算法的飛躍。按照傳媒學原理，同面積的圖像與文字相比，信息量要大9倍，因為其中隱含了大量感性的非語言信息。這就是所謂“一幅圖勝過千言萬語”。如此看來，計算圖像要比計算語言需要成倍的算力。反過來說，算力增強，也必然會帶來圖像計算能力提高。據紐約大學助理教授謝賽寧推算，Sora可能有大約30億個參數。在現有算法下，算力突破帶來圖像處理能力提高，有其順理成章之處。事實上，天氣預報云圖預測，也需要大量算力，只是不如計算一段時尚女性的視頻更吸引眼球。

其次，算法還是已有技術的常規性、累積性的進步。Sora處理視頻數據，還是傳統物理范式下的還原法，通過分解最小粒子還原圖像。OpenAI把視頻和圖像分解為較小的數據單元Patches（補片），每個patches相當于GPT中的一個token（詞元）；Sora在讓語言“理解”圖像上，還是采取標注技術（DALL·E 3），把對圖像的理解，簡化為對語言的理解，遵循用戶的文本指令生成視頻。

至于靜態圖像轉化成視頻，擴展現有視頻或補全缺失的幀，還是在已有技術基礎上發展起來的。Sora可能難以準確模擬復雜場景的物理原理，并且可能無法理解因果關系，可能難以精確描述隨著時間推移發生的事件，這些都有待更進一步的技術突破。

當然，即使是這樣的一小步，也會對人們的生活產生巨大的影響。誠如有專家所說：“在AI視頻構建的世界中，‘眼見為實行不通了，眼睛看到的東西或許無法作為判斷依據。”將來人們在網上看到一個聲稱“真人真事”的夸張影像時，恐怕要先問一句，這不是合成的吧？好處也會有許多，例如，一個人不可能走遍天下，歷盡美景，這時只要把YouTube和TikTok上的景區視頻都當作語料訓練一遍，就可以親臨其境一樣置身其中。周鴻祎說：“Sora工作原理像人做夢。”在眼見為實失效后，說不定夢想成真倒會變為現實。