全網(wǎng)刷屏的Sora有多“可怕”

王一鵬

2月16日凌晨，在沒有任何預(yù)兆和消息透露的情況下，OpenAI 突然發(fā)布了自己的首個(gè)文生視頻模型：Sora，大幅刷新行業(yè)多個(gè)指標(biāo)，重新定義了 AI 文生視頻在現(xiàn)階段的技術(shù)極限，顛覆了生成式 AI 在視頻領(lǐng)域的全球市場(chǎng)格局。

Sora 使用 Transformer 架構(gòu)，建立在 DALL·E 3 和 GPT 模型之上，可以生成長(zhǎng)達(dá)一分鐘的有運(yùn)動(dòng)、多機(jī)位視頻。相比業(yè)界水平，Sora 將視頻生成的時(shí)長(zhǎng)一次性提升了 15 倍，直接邁過了市面上所有短視頻的時(shí)長(zhǎng)要求。

同時(shí)，Sora 也帶有世界模型的特質(zhì)。世界模型不是 AI 視頻生成的必需要素，卻是這個(gè)領(lǐng)域較為高端的一個(gè)研究方向。所謂世界模型，簡(jiǎn)單點(diǎn)說，是要對(duì)真實(shí)的物理世界進(jìn)行建模，讓機(jī)器像人類一樣，對(duì)世界有一個(gè)全面而準(zhǔn)確的認(rèn)知。視頻與文字不同，大多數(shù)是在描繪一個(gè)主體，在一個(gè)真實(shí)或虛構(gòu)的物理世界中的動(dòng)作，因此，世界模型會(huì)讓 AI 視頻生成更流暢、更符合邏輯，降低視頻模型的訓(xùn)練成本，提升訓(xùn)練效率。同時(shí)，世界模型也為生成式 AI 真正進(jìn)入自動(dòng)駕駛行業(yè)鋪好了路。

此次，Sora 的世界模型，已經(jīng)能幫助它還原一輛越野車在山區(qū)小路上的行駛情況，在視頻中添加逼近真實(shí)的傾斜和顛簸感。

但 Sora 的世界模型仍有非常多的問題，比如，一塊餅干被咬過之后，卻沒有留下咬痕。OpenAI 非常實(shí)在，把這些問題都寫在了官網(wǎng)上。

目前，Sora 僅開放給了少部分人進(jìn)行內(nèi)測(cè)，據(jù)稱是一些視覺藝術(shù)家、設(shè)計(jì)師和電影制作人。同時(shí)，OpenAI 內(nèi)部仍在進(jìn)行模型倫理側(cè)的對(duì)抗性測(cè)試，比如錯(cuò)誤信息、仇恨內(nèi)容、偏見內(nèi)容，至于色情暴力，則會(huì)在文本輸入時(shí)，就被拒絕掉。

對(duì)于 Sora，今天的我們，必須注意到幾個(gè)顯而易見的推論：

1.OpenAI 一拳打在了所有人的肝上：全球的 AI 視頻生成賽道投資邏輯，乃至相關(guān)企業(yè)的生存邏輯，在此刻都已經(jīng)改變了。未來一個(gè)季度內(nèi)，如果該企業(yè)的視頻生成能力，仍然停留在 4s，或?qū)е轮苯映鼍帧?/p>

2.AI 已經(jīng)快速邁過文生文、Chatbot時(shí)期，大步進(jìn)軍視頻生成領(lǐng)域：當(dāng)下最火的短視頻、短劇，將迎接 AI 的到來；那些卡在瓶頸上的領(lǐng)域，比如自動(dòng)駕駛、智慧城市，或?qū)⒂瓉硗黄啤?/p>

3.不要過度神話 Sora 或其他 AI 視頻生成工具，當(dāng)下仍有巨量的技術(shù)、產(chǎn)品、商業(yè)問題等待解決；但也不要低估 AI 技術(shù)的進(jìn)步速度，那個(gè)凝固在未來時(shí)光中、讓人看不清面貌的 AGI（通用人工智能），正在向我們邁步。

Sora到底牛在哪兒？

就在年前，2024年 1月27 日，虎嗅舉辦了一場(chǎng)關(guān)于 AI 視頻生成的開放沙龍，會(huì)上有一個(gè)有趣的互動(dòng)：AI 視頻生成多快迎來 Midjourney 時(shí)刻？

選項(xiàng)分別是半年內(nèi)、一年內(nèi)、一至兩年或更長(zhǎng)。

在現(xiàn)場(chǎng)，每個(gè)選項(xiàng)都各有擁躉，但 OpenAI 26日公布了準(zhǔn)確答案：20 天。

AI 視頻生成真正的難點(diǎn)是在文生視頻，而非圖生視頻、視頻生視頻。個(gè)中奧妙在于，文生視頻，需要根據(jù)指令，從文字解碼出視頻的時(shí)空邏輯，同時(shí)保證在這一邏輯下，畫面中所有物體的運(yùn)動(dòng)、變化，符合要求，符合現(xiàn)實(shí)世界規(guī)律。而圖生視頻、視頻生視頻，皆有“照貓畫虎”的意味，因此反倒要簡(jiǎn)單一些。這也是為什么，市面上的 AI 視頻生成，始終停留在 2s～4s 的時(shí)長(zhǎng)范圍內(nèi)——一旦超過了這個(gè)時(shí)長(zhǎng)，視頻的可控性和質(zhì)量都將大大下降。

很多視頻生成，更像是個(gè)固定人物配上動(dòng)態(tài)背景，畫面很單調(diào)，幾乎沒什么動(dòng)作，這也是因?yàn)閺奈淖值揭曨l，在時(shí)空邏輯推理層面的局限。同時(shí)，很多企業(yè)更關(guān)注所謂 AI 視頻生成的產(chǎn)品化、商業(yè)化，聚焦于推出一些基于模板，快速用于營(yíng)銷的視頻生成工具，在世界模型層面有所欠缺，一旦視頻時(shí)長(zhǎng)增加，模型不能理解真實(shí)的物理運(yùn)動(dòng)和相互作用邏輯，變得十分無力。

OpenAI 的 Sora ，就是在文生視頻、增加視頻時(shí)長(zhǎng)、建立世界模型這幾大最主要的難點(diǎn)上，走出了突破性的一步。但這并不代表 Sora 沒有問題，可以以假亂真，當(dāng)下最違和的問題在于憑空生成：三只小狗在嬉鬧，憑空出現(xiàn)了第四只小狗、第五只小狗；一個(gè)人撿起一大塊塑料片，憑空出現(xiàn)一把塑料椅子。

另外一類主要問題，在于 Sora 的世界模型仍然不夠完善。比如一個(gè)男人倒著跑跑步機(jī)，且跑步動(dòng)作并不連貫自然?；蛘咭粋€(gè)籃球撞在籃筐上，發(fā)出符合物理規(guī)律的彈跳，然而下一秒就撞破了籃網(wǎng)，發(fā)生爆炸。一群考古學(xué)家，在沙漠里挖出一個(gè)塑料椅子，煞有介事地清理灰塵，而椅子本身則在詭異地飄浮和變形。

AI 視頻生成真正的難點(diǎn)是在文生視頻，而非圖生視頻、視頻生視頻。個(gè)中奧妙在于，文生視頻，需要根據(jù)指令，從文字解碼出視頻的時(shí)空邏輯，同時(shí)保證在這一邏輯下，畫面中所有物體的運(yùn)動(dòng)、變化，符合要求，符合現(xiàn)實(shí)世界規(guī)律。

世界模型一直處于一個(gè)相當(dāng)狹窄的研究領(lǐng)域，這概念研究難度大，目標(biāo)太高，帶有相當(dāng)?shù)膶W(xué)術(shù)色彩，因此一度參與者寥寥。

值得一提的是，Meta 首席人工智能科學(xué)家、圖靈獎(jiǎng)得主楊立昆（Yann LeCun）本人，盡管在 Meta 的生成式AI落后問題上，正承受著巨大壓力，但其卻是世界模型構(gòu)想的主要提出者。

楊立昆一向?qū)ι墒?AI 的幻覺和一系列反智行為嗤之以鼻，并認(rèn)為AI只有真正理解物理世界，才具備真正的價(jià)值，斷言 GPT 模型活不過5年。他在 2023 年 6 月基于自己的構(gòu)想，推出了 I-JEPA 模型，用真實(shí)世界的背景知識(shí)，補(bǔ)充圖像缺失的片段，但這仍然是個(gè)技術(shù)研究層面的概念。

2023 年 12 月，AI視頻生成的領(lǐng)頭羊之一 Runway，官宣下場(chǎng)通用世界模型，高調(diào)發(fā)布系列招聘，宣稱要用生成式AI來模擬整個(gè)世界，以應(yīng)對(duì) Pika 的步步緊逼。

這是一個(gè)信號(hào)，或許在楊立昆看來，局面一度在向著好的方向發(fā)展：自己的研究方向得到認(rèn)同，拖累 Meta 的謠言不攻自破。

Sora革了誰的命？

Sora 發(fā)布前，有很多煙幕彈式的訊息更新，比如：OpenAI 組建研究?jī)和踩男聢F(tuán)隊(duì)、OpenAI 正準(zhǔn)備推出 GPT-4.5-turbo，但真正的“殺手級(jí)更新”被隱藏得很好，這也導(dǎo)致像 Pika、Runway 一樣的明星創(chuàng)業(yè)公司，措手不及。何況 OpenAI 的聯(lián)合創(chuàng)始人 Andrej Karpathy 本來就是 Pika 的資方之一。

源碼資本副總裁李露霖在虎嗅主辦的沙龍上表示，短視頻是當(dāng)前硬件基礎(chǔ)設(shè)施Mass Market滲透率最高的形態(tài)。

有數(shù)據(jù)顯示，目前國(guó)內(nèi)短視頻用戶的規(guī)模在10億以上，有數(shù)據(jù)稱抖音2022年年收入700億美金以上，快手也在900億元人民幣以上。不過面對(duì)這樣一個(gè)市場(chǎng)，在 Sora 發(fā)布前，所有的視頻生成工具，均沒有達(dá)到可付諸商業(yè)或工業(yè)化生產(chǎn)的水平。

有專家對(duì)虎嗅表示，大廠目前對(duì)于AI視頻生成的態(tài)度模棱兩可。根本問題在于，現(xiàn)在的人工視頻生成效果更好，且成本也能接受，AI 視頻生成，在此前沒有大家想象的那么顛覆，所以整體策略偏向“防御”，而非“進(jìn)攻”。

這一切，既麻痹了像 Pika、Runway 一樣的創(chuàng)業(yè)公司，讓他們以為機(jī)會(huì)已至、前景夠好；也讓這些公司及其投資人，低估了視頻生成賽道的競(jìng)爭(zhēng)烈度，以為窗口期仍然足夠長(zhǎng)。

所有的 AI 視頻生成公司，在這種麻痹里，都陷入了同質(zhì)化競(jìng)爭(zhēng)：過多關(guān)注更高畫質(zhì)、更高成功率、更低成本，而非更長(zhǎng)時(shí)長(zhǎng)以及世界模型。

Pika、Runway、Meta，大體都是如此，在時(shí)長(zhǎng)不超過 4s 的范圍內(nèi)，可以做到畫質(zhì)極度精美，但物體本身的運(yùn)動(dòng)幅度極低，且會(huì)變形。

國(guó)內(nèi)的字節(jié)跳動(dòng)，反倒是其中的另類。在視頻領(lǐng)域，字節(jié)的嗅覺更加敏銳。2023 年 11 月，字節(jié)跳動(dòng)發(fā)布 PixelDance，通過上一個(gè)視頻片段尾幀，為下一個(gè)視頻片段頭幀提供指導(dǎo)的思路，在視頻時(shí)長(zhǎng)上有所突破，但截止到發(fā)稿時(shí)間，仍然沒有開放用戶測(cè)試。

接下來在資本市場(chǎng)的影響，很可能是隱性的。Pika 創(chuàng)始團(tuán)隊(duì)曾被打上“學(xué)霸”“完美”等標(biāo)簽，并在 2023 年 11 月底完成 5500 萬美元融資，可下一輪的資本將在怎樣的時(shí)間點(diǎn)，以什么樣的數(shù)額進(jìn)入？Runway 2023 年 5 月完成 1.41 億美元融資，但主攻世界模型的團(tuán)隊(duì)還在組建中，下一步融資的節(jié)奏也存疑。

如果說 Pika、Runway 身上還有布局價(jià)值，那么對(duì)于國(guó)內(nèi) AI 出海的企業(yè)而言，形勢(shì)將變得更加艱難。換句話說，從移動(dòng)時(shí)代遷移至今的、基于場(chǎng)景和產(chǎn)品能力，快速上線一個(gè)插件的商業(yè)模式，正在海外 AI 市場(chǎng)失效——

因?yàn)橄?OpenAI 這樣的企業(yè)，正屹立在市場(chǎng)上。他們幾乎重現(xiàn)了當(dāng)年 Oracle 市場(chǎng)領(lǐng)導(dǎo)力，一步快，步步快，降維打擊所有競(jìng)爭(zhēng)者。對(duì)于所有做模式、趕風(fēng)口的機(jī)會(huì)主義創(chuàng)始人而言，巨頭若要?dú)⑺滥悖峙乱仓粫?huì)發(fā)生在一夜之間。

◎ 來源|虎嗅網(wǎng)