OpenAI 发布的视频生成模型 Sora，到底有什么魔法？

大家好，我是木川

继 OpenAI 推出文生文的模型 GPT、文生图的模型 DALL-E 之后，OpenAI 发布了文生视频模型 Sora ，可以生成长达分钟级别的高质量视频。

从官方示例上看，生成的视频效果确实惊艳。Sora 可以生成宽屏 1920x1080 视频、垂直 1080x1920 视频以及介于两者之间的所有视频。

Sora 技术报告：https://OpenAI.com/research/video-generation-models-as-world-simulators

Sora 的主要特点如下：

在一众 AI 视频，还挣扎在4s连贯性的边缘，OpenAI 直接说：劳资支持 60s，都 TM 跪下。

Runway 是 18s，Pika 最开始是 3 秒，Sora 抬手就是 60s，见面就贴脸放大招

图片

想象一下，以前的电影或视频制作就像是用一个相机拍摄一整个故事，你只能看到一个角度。

木川AI编程

但是现在，就像是有一堆不同的相机，可以从不同的角度来拍摄同一个场景。

而且厉害的地方在于，主角或物体在不同的角度切换时，看起来还是一样的，不会感觉怪怪的。

，时长00:59

Sora 就好像是一个超级聪明的导演，只需要给他一个简短的提示，他就能在一分钟内制作出一个有很多不同角度的视频，而且每个角度看起来都很自然。

这对于以前来说简直是不可思议的，就好像魔法一样！

“先记忆，再预测” 这种理解世界的方式，是人类理解世界的方式。这种方式有个名字，叫世界模型。

最最最可怕的一点来了，Sora身上，竟已经有了世界模型的雏形？

通过观察大量数据，它竟然学会了许多关于世界的物理规律。

世界模型就像是你的大脑里有一张地图，上面标着你家、学校、公园等地方。这张地图帮助你知道周围的环境，让你知道该去哪里，怎么走。

对于电脑或机器来说，它们也可以有一种类似的东西，叫做世界模型。这就是它们对周围世界的一种想象和理解方式，让它们能够知道周围有什么东西，发生了什么事情。这有助于它们更聪明地处理任务，就像你用地图找到正确的路一样。

举个例子：当你拿起一杯咖啡时，大脑先通过以前的经验和记忆知道咖啡杯的典型重量。这个经验就是世界模型的一部分。你的大脑会根据这个模型，预测需要用多大的力去抓住杯子。这种预测是在潜意识中进行的，你不需要刻意去思考。

OpenAI 最终想做的，其实不是一个“文生视频”的工具，而是一个通用的“物理世界模拟器”。也就是世界模型，为真实世界建模。