近日，又一逆天AI模型杀入人类江湖。 有人惊呼“炸裂”“史诗级”，有人嚷嚷“行业变天，人类下岗”，还有人期待是不是输入《三体》就能出片了……这个新文本转视频模型就叫：Sora。 
这段场景逼真、氛围浓厚的多机位短视频，由新文本转视频模型Sora生成。 这款由美国开放人工智能研究中心Open AI发布的模型，炸裂到啥程度呢？ 就你随意编辑一串文字，就能生成一个以假乱真的纯AI原创视频。在一些样片里，视频中的物体运动轨迹自然，画面清晰、顺畅，它还能够自己切换镜头，甚至给出特写…… 嗯，Sora是如何生成这样的视频的呢？它真的无所不能吗，它会抢走人类的饭碗吗？ 属于AI图、AI视频的时间线 先来理一把，把我们惊晕的AI生成图片模型、AI生成视频模型的时间线。
2022年下半年，Midjourney、Stable Diffusion之类的应用，已经可以根据文本提示词生成对应的图片。 2023年9月，GPT4.0让我们能够用聊天化的方式生成、修改图片。 至于AI生成视频模型，Sora发布之前的主流AI生成视频时长只能做到4-16秒，还“卡成PPT”，而Sora直接顺畅到了60秒。
Sora的视频创作能力有多强大？ 首先，按照官方口径，Sora能够根据提示词生成出高质量的图片和视频，并且能够对视频进行向前或者向后的拓展。
这三个视频开头最终都会走向同一个结尾 图片截取自：Open AI官网 Sora不仅可以根据文本生成视频，也可以直接输入图片或者视频，对图片和视频进行编辑调整。 除了第一眼好之外，它还有一些惊人本领。 比如，它可以跟随着对象移动镜头，并且在移动镜头转换角度的时候，依然能保持周围景象的合理、完整。 比如，多机位。比如，自然融合两种完全不相干的场景。 甚至还可以将图片转成动态视频，而且还不是目前流行的“小动物跳舞”呈现的粗糙效果：
如此逆天，Sora是如何做到的？ Open AI发布了一份Sora的技术报告，在报告中提到“Sora是一个扩散模型”。 扩散模型本身很复杂，怎么理解呢？举个例子，假如你现在有一张狗狗的照片，通过一步步给这张照片增加噪点，就能让它变得越来越模糊，最终会变成一堆噪点。 
添加噪声与去除噪声，图源科普中国 反过来，一步步去除噪点，也能把它还原成目标图片——扩散模型的关键就是学会逆向去除噪点。 此外，在以往技术范式之上，Sora还做出了新东西，比如，不仅可以理解用户在提示中提出的要求，还能理解它们在物理世界中的存在方式。 这么强！那它的视频模型的训练应该很烧算力吧？ 没错，大概一周前，Open AI宣布启动“造芯”计划，因为目前Open AI每天生成约1000亿个单词，需要大量的GPU芯片进行训练计算。 他们希望筹得7万亿美元！ 相当于全球GDP的10%，等同于2.5个微软、3.75个谷歌、4个英伟达、7个Meta，以及11.5个特斯拉的市值。
Sora安全吗?它真的没有缺陷吗？ 这样的技术会不会被用来伪造视频，甚至被用来在法庭上作伪证？ 很多人考虑到了安全问题。Open AI也考虑到了。所以，在确保它不会被用来做坏事之前，Sora不会向大众开放。
另外，虽然Sora展现出了强大的能力，但现阶段它还不够完美。除了专业人士的评价，Sora的技术报告也承认，现阶段Sora生成的视频存在一些缺陷。比如下面（图左），它让考古工作者挖出了一个现代工业文明才有的塑料椅；（图右）这个玻璃杯破碎的过程也不那么“科学”，杯子还没裂，液体就流出来了…… 再比如下面这个Sara生成的视频，不需要人类，别的人工智能就能看出它是个“假视频”，判别理由是： ① 樱花一般在春天开放，那时不下雪；
② 雪下得太均匀了；
③ 虽然是下雪天，但人穿得很单薄。 
至于，把整本《三体》输进去，能出片吗？ 嗯，目前的Sora虽然有多机位效果，但都是单一情节、单一镜头。 而《三体》有多人视角，叙事复杂，靠AI生成一条龙搞定并不现实。据影视行业从业者的观点，目前AI生成虽然高效，但可控性不够，目前它们主要用在 demo制作、概念设计、分镜编排等环节。
Sora是否会代替人类视频工作者？ 可以肯定的是，Sora的出现可能会威胁一些动画素材的制作者。
今年1月，《好莱坞报道》进行了一项针对300名娱乐行业领导者的调查，有3/4受访者表示AI会减少未来的工作岗位，未来3年内大约会有20多万个职位受到影响。而Sora可能会加重这一影响。 不少人高呼影视行业变天了，有人甚至把好莱坞改成了上面这样的SoraWood。 但是，Sora们带给我们的真的只有压力吗？ 其实，每次新兴技术的出现在带来威胁的同时，不也是带来了新机会嘛。包括Sora在内的视频生成AI毕竟只是工具，视频创意来源还是需要人类提供。
|
