行业震动！OpenAI首个视频生成模型震惊世界后还有这些问题...

文 | 阿呜

在2月16日凌晨，OpenAI再次震撼发布了首个文生成视频模型——Sora。

这一最新AI应用直接引发行业震动！

是AI在视频领域历史性的变革！

只要简单是的提示词

就能生成高精度以假乱真的视频

目前的质量已经是AI视频应用领域全球最高的级别

据介绍，Sora具备直接输出长达60秒视频的能力，其中包含高度细致的背景、复杂多角度的镜头，以及富有情感的多个角色。

OpenAI创始人Sam Altman在推特上疯狂安利，还亲自下场为网友生成视频。

目前，官网已经更新了48个视频demo，展示了Sora不仅在准确呈现细节方面的卓越表现，还在理解物体在物理世界中存在的能力上取得了显著进展。该模型还能根据提示、静止图像，甚至填补现有视频中的缺失帧，实现了对视频内容的全方位生成。

这些视频一出

网友们纷纷热议

从事影视相关的工作者状态可能是这样的...

然而，OpenAI也坦率地承认了Sora目前存在的一些弱点，特别是在准确模拟复杂场景的物理原理和理解因果关系方面的挑战。例如，在描述“五只灰狼幼崽在一条偏僻的碎石路上互相嬉戏、追逐”时，Sora可能会混淆狼的数量，导致一些凭空出现或消失。

此外，模型可能会在描述空间细节时混淆左右，难以准确描述随着时间推移发生的事件。比如这个篮球运动轨迹进入篮筐，不仅空间穿越，还会产生特效。‍‍‍‍‍

我们再来看看油管千万博主@Marques Brownlee对sara的分析：

OpenAI明确表示，他们正在努力教导AI理解和模拟物理世界中的运动，并旨在训练模型以解决需要与现实世界进行交互的问题。

Sora的工作原理得到了解释，它采用了扩散模型和Transformer架构，通过多步骤逐渐去除视频中的噪声，从而将随机像素转化为清晰的图像场景。

视频和图像被划分为称为“补丁”的较小数据单位集合，类似于GPT中的标记（Token），通过这种方式，模型可以在更广泛的视觉数据上训练和扩散变化，包括不同的时间、分辨率和纵横比。

Sora是在对DALL·E和GPT的研究基础上构建的，利用了DALL·E 3的提示词技术，为视觉模型生成高度描述性的标注，使其能够更好地遵循文本指令。

目前，Sora已向部分成员开放，以评估潜在的危害或风险。

OpenAI邀请了视觉艺术家、设计师和电影制片人加入，希望得到宝贵的反馈，推动模型不断进步，更好地服务创意工作者。据 OpenAI 博客，更多的信息将在后续的技术论文中公布。