昨天白天，「现实不存在了」开始全网刷屏。

「我们这么快就步入下一个时代了？Sora 简直太炸裂了」。

「这就是电影制作的未来」！

谷歌的 Gemini Pro 1.5 还没出几个小时的风头，天一亮，全世界的聚光灯就集中在了 OpenAI 的 Sora 身上。

Sora 一出，众视频模型臣服。

就在几小时后，OpenAI Sora 的技术报告也发布了！

其中，「里程碑」也成为报告中的关键词。

报告地址：https://openai.com/research/video-generation-models-as-world-simulators

技术报告主要介绍了两个方面：

（1）如何将不同类型的视觉数据转化为统一的格式，以便于对生成模型进行大规模训练的方法；

（2）对 Sora 的能力和局限性的定性评价。

不过遗憾的是，报告不包括模型和实现细节。嗯，OpenAI 还是那个「OpenAI」。

就连马斯克都被 Sora 生成效果震撼到，并表示「gg 人类」。

打造虚拟世界模拟器

此前，OpenAI 的研究者一直在探索的一个难题就是，究竟怎样在视频数据上，应用大规模训练的生成模型？

为此，研究者同时对对持续时间、分辨率和宽高比各不相同的视频和图片进行了训练，而这一过程正是基于文本条件的扩散模型。

他们采用了 Transformer 架构，这种架构能够处理视频和图片中时空片段的潜代码。

随之诞生的最强大模型 Sora，也就具备了生成一分钟高质量视频的能力。

OpenAI 研究者发现了令人惊喜的一点：扩展视频生成模型的规模，是构建模拟物理世界通用模拟器的非常有希望的方向。

也就是说，顺着这个方向发展，或许 LLM 真的能够成为世界模型！

Sora 的独到之处在于哪里？

要知道，以前的许多研究，都是通过各种技术对视频数据进行生成模型建模，比如循环网络、生成对抗网络、自回归 Transformer 和扩散模型等方法。

它们往往只关注于特定类型的视觉数据、较短的视频或者固定尺寸的视频。

而 Sora 与它们不同，它是一种通用的视觉数据模型，能够生成各种持续时间、宽高比和分辨率的视频和图片，甚至长达一分钟的高清视频。

有网友表示，「Sora 虽然有一些不完美之处（可以检测出来），例如从物理效果可以看出它是人工合成的。但是，它将会革命性地改变许多行业。

想象一下可以生成动态的、个性化的广告视频进行精准定位，这将是一个万亿美元的产业」！

为了验证 SORA 的效果，业界大佬 Gabor Cselle 把它和 Pika、RunwayML 和 Stable Video 进行了对比。

首先，他采用了与 OpenAI 示例中相同的 Prompt。

结果显示，其他主流工具生成的视频都大约只有 5 秒钟，而 SORA 可以在一段长达 17 秒视频场景中，保持动作和画面一致性。

随后，他将 SORA 的起始画面用作参照，努力通过调整命令提示和控制相机动作，尝试使其他模型产出与 SORA 类似的效果。

相比之下，SORA 在处理较长视频场景方面的表现显著更出色。

看到如此震撼的效果，也难怪业内人士都在感叹，SORA 在 AI 视频制作领域确实具有革命性意义。

将视觉数据转化为 patch

LLM 之所以会成功，就是因为它们在互联网规模的数据上进行了训练，获得了广泛能力。

它成功的一大关键，就是使用了 token，这样，文本的多种形态——代码、数学公式以及各种自然语言，就优雅地统一了起来。

OpenAI 的研究者，正是从中找到了灵感。

该如何让视觉数据的生成模型继承 token 的这种优势？

注意，不同于 LLM 使用的文本 token，Sora 使用的是视觉 patch。

此前已有研究表明，patch 对视觉数据建模非常有效。

OpenAI 研究者惊喜地发现，patch 这种高度可扩展的有效表征形式，正适用于训练能处理多种类型视频和图片的生成模型。

从宏观角度来看，研究者首先将视频压缩到一个低维潜空间中，随后把这种表征分解为时空 patch，这样就实现了从视频到 patch 的转换。

视频压缩网络

研究者开发了一个网络，来减少视觉数据的维度。

这个网络可以接受原始视频作为输入，并输出一个在时间上和空间上都进行了压缩的潜表征。

Sora 在这个压缩后的潜空间中进行训练，之后用于生成视频。

另外，研究者还设计了一个对应的解码器模型，用于将生成的潜数据转换回像素空间。

潜空间 patch

对于一个压缩后的输入视频，研究者提取看一系列空间 patch，作为 Transformer 的 token 使用。

这个方案同样适用于图像，因为图像可以被视为只有一帧的视频。

基于 patch 的表征方法，研究者使得 Sora 能够处理不同分辨率、持续时间和纵横比的视频和图像。

在推理时，可以通过在一个合适大小的网格中适当排列随机初始化的 patch，从而控制生成视频的大小。

扩展 Transformer

因此，视频模型 Sora 是一个扩散模型；它能够接受带有噪声的 patch（和条件信息，如文本提示）作为输入，随后被训练，来预测原始的「干净」patch。

重要的是，Sora 是基于 Transformer 的扩散模型。在以往，Transformer 在语言模型、计算机视觉和图像生成等多个领域，都表现出卓越的扩展能力。

令人惊喜的是，在这项工作中，研究者发现作为视频模型的扩散 Transformer，也能有效地扩展。

下图展示了训练过程中使用固定种子和输入的视频样本比较。

随着训练计算资源的增加，样本质量显著提升。

视频的多样化表现

传统上，图像和视频的生成技术往往会将视频统一调整到一个标准尺寸，比如 4 秒钟、分辨率 256x256 的视频。

然而，OpenAI 研究者发现，直接在视频的原始尺寸上进行训练，能带来诸多好处。

灵活的视频制作

Sora 能够制作各种尺寸的视频，从宽屏的 1920x1080 到竖屏的 1080x1920，应有尽有。

这也就意味着，Sora 能够为各种设备制作适配屏幕比例的内容！

它还可以先以较低分辨率快速制作出视频原型，再用相同的模型制作出全分辨率的视频。

更优的画面表现

实验发现，直接在视频原始比例上训练，能够显著提升视频的画面表现和构图效果。

因此，研究者将 Sora 与另一个版本的模型进行了比较，后者会将所有训练视频裁剪为正方形，这是生成模型训练中的常见做法。

与之相比，Sora 生成的视频（右侧）在画面构成上则有了明显的改进。

深入的语言理解

训练文本到视频的生成系统，需要大量配有文本说明的视频。

研究者采用了 DALL·E 3 中的重新标注技术，应用在了视频上。

首先，研究者训练了一个能生成详细描述的标注模型，然后用它为训练集中的所有视频，生成文本说明。

他们发现，使用详细的视频说明进行训练，不仅能提高文本的准确性，还能提升视频的整体质量。

类似于 DALL·E 3，研究者也使用了 GPT，把用户的简短提示转化为详细的说明，然后这些说明会被输入到视频模型中。

这样，Sora 就能根据用户的具体要求，生成高质量、准确无误的视频。

图像和视频的多样化提示

虽然展示的案例，都是 Sora 将文本转换为视频的 demo，但其实，Sora 的能力不止于此。

它还可以接受图像或视频等其他形式的输入。

这就让 Sora 能够完成一系列图像和视频编辑任务，比如制作无缝循环视频、给静态图片添加动态、在时间线上扩展视频的长度等等。

为 DALL·E 图像赋予生命

Sora 能够接受一张图像和文本提示，然后基于这些输入生成视频。

下面即是 Sora 基于 DALL·E 2 和 DALL·E 3 图像生成的视频。

一只戴贝雷帽和黑高领衫的柴犬

一家五口怪物的插画，采用了简洁明快的扁平设计风格。其中包括一只毛茸茸的棕色怪物，一只光滑的黑色怪物长着天线，还有一只绿色的带斑点怪物和一只小巧的带波点怪物，它们在一个欢快的场景中相互玩耍。

一张逼真的云朵照片，上面写着「SORA」。

在一个典雅古老的大厅内，一道巨浪滔天，正要破浪而下。两位冲浪者把握时机，巧妙地滑行在浪尖上。

视频时间线的灵活扩展

Sora 不仅能生成视频，还能将视频沿时间线向前或向后扩展。

可以看到，demo 中的视频都是从同一个视频片段开始，向时间线的过去延伸。尽管开头各不相同，但它们最终都汇聚于同一个结尾。

而通过这种方法，我们就能将视频向两个方向延伸，创造出一个无缝的循环视频。

图像的生成能力

同样，Sora 也拥有生成图像的能力。

为此，研究者将高斯噪声 patch 排列在空间网格中，时间范围为一帧。

该模型可生成不同大小的图像，分辨率最高可达 2048x2048 像素。

左：一位女士在秋季的特写照片，细节丰富，背景模糊。

右：一个生机勃勃的珊瑚礁，居住着五颜六色的鱼类和海洋生物。

左：一幅数字绘画，描绘了一只幼年老虎在苹果树下，采用了精美的哑光画风。

右：一个被雪覆盖的山村，温馨的小屋和壮丽的北极光相映成趣，画面细腻逼真，采用了 50mm f/1.2 镜头拍摄。

视频风格和环境的变换

利用扩散模型，就能通过文本提示来编辑图像和视频。

在这里，研究者将一种名为 SDEdit 的技术应用于 Sora，使其能够不需要任何先验样本，即可改变视频的风格和环境。

视频之间的无缝连接

另外，还可以利用 Sora 在两个不同的视频之间创建平滑的过渡效果，即使这两个视频的主题和场景完全不同。

在下面的 demo 中，中间的视频就实现了从左侧到右侧视频的平滑过渡。

一个是城堡，一个是雪中小屋，非常自然地融进一个画面中。

涌现的模拟能力

随着大规模训练的深入，可以发现视频模型展现出了许多令人兴奋的新能力。

Sora 利用这些能力，能够在不需要专门针对 3D 空间、物体等设置特定规则的情况下，就模拟出人类、动物以及自然环境的某些特征。

这些能力的出现，完全得益于模型规模的扩大。

3D 空间的真实感

Sora 能创造出带有动态视角变化的视频，让人物和场景元素在三维空间中的移动，看起来十分自然。

如下，一对情侣漫步在雪天中的东京，视频的生成和真实的运镜效果大差不差了。

再比如，Sora 拥有更加辽阔的视野，生成山水风景与人徒步爬山的视频，有种无人机拍摄出的巨制赶脚。

视频的一致性和物体的持续存在

在生成长视频时，保持场景和物体随时间的连续性一直是个挑战。

Sora 能够较好地处理这一问题，即便在物体被遮挡或离开画面时，也能保持其存在感。

下面例子中，窗台前的花斑狗，即便中途有多个路人经过，它的样子依旧保持一致。

例如，它可以在一个视频中多次展示同一个角色，而且角色的外观在整个视频中保持一致。

赛博风格的机器人，从前到后旋转一圈，都没有跳帧。

与世界的互动

甚至，Sora 能模拟出影响世界状态的简单行为。

比如，画家画的樱花树，水彩纸上留下了持久的笔触。

又或是，人吃汉堡时留下的咬痕清晰可见，Sora 的生成符合物理世界的规则。

数字世界的模拟

Sora 不仅能模拟现实世界，还能够模拟数字世界，比如视频游戏。

以「Minecraft」为例，Sora 能够在控制玩家角色的同时，以高度逼真的方式渲染游戏世界和动态变化。

而且，只需通过简单的提示，如提及「Minecraft」，Sora 就能展现这些能力。

这些新能力显示出，持续扩大视频模型规模是一个极有希望的方向，让模型向着精准模拟物理世界和数字世界、以及其中的生物和物体的高级模拟器发展。

局限性

当然，作为一个模拟器，Sora 目前还存在不少的局限。

比如，它虽然能模拟一些基础物理互动，比如玻璃的碎裂，但还不够精确。

模拟吃食物的过程，也并不总是能准确反映物体状态的改变。

在网站首页上，OpenAI 详细列出了模型的常见问题，比如在长视频中出现的逻辑不连贯，或者物体会无缘无故地出现。

最后，OpenAI 表示，Sora 目前所展现出的能力，证明了不但提升视频模式的规模是一个令人振奋的方向。

沿这个方向走下去，或许有一天，世界模型就会应运而生。

网友：未来游戏动嘴做

OpenAI 给出众多的官方演示，看得出 Sora 似乎可以为更逼真的游戏生成铺路——仅凭文字描述就能生成程序游戏。

这既令人兴奋，又令人恐惧。

FutureHouseSF 的联合创始人猜测，「或许 Sora 可以模拟我的世界。也许下一代游戏机将是「Sora box」，游戏将以 2-3 段文字的形式发布」。

OpenAI 技术人员 Evan Morikawa 称，「在 OpenAI 发布的 Sora 视频中，如下的视频让我大开眼界。通过经典渲染器渲染这个场景是非常困难的。Sora 模拟物理的方式和我们不同。它肯定仍然会出错，但是我之前没有预测到它能做得这么逼真」。

有网友称，「人们没有把『每个人都会成为电影制作人』这句话当回事」。

我在 15 分钟内制作了这部 20 年代的预告片，使用了 OpenAI Sora 的片段，David Attenborough 在 Eleven Labs 上的配音，并在 iMovie 上从 YouTube 上采样了一些自然音乐。

还有人称，「5 年后，你将能够生成完全沉浸式的世界，并实时体验它们，「全息甲板」即将变成现实」！

有人甚至表示，自己完全被 Sora 的 AI 视频生成的出色效果惊呆了。

「它让现有的视频模型看起来像是愚蠢的玩具。每个人都将成为一名电影制作人」。

「新一代电影制作人即将与 OpenAI 的 Sora 一起涌现。再过 10 年，这将是一场有趣的比赛」！

「OpenAI 的 Sora 暂不会取代好莱坞。它将为好莱坞以及个人电影制作者和内容创作者，带来巨大的推动力。

想象一下，只需 3 人团队，就能在一周内，完成一部 120 分钟的 A 级故事片的初稿创作和观众测试。这就是我们的目标」。

参考资料：

https://openai.com/research/video-generation-models-as-world-simulators?ref=upstract.com

文章来源：新智元，原文标题：《一锤降维！解密 OpenAI 超级视频模型 Sora 技术报告，虚拟世界涌现了》。

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。