SORA的震撼

朱國順

就像滾熱的油鍋中，撒進了一大把海鹽——Sora來了。

當地時間2月15日， 人工智能研究公司OpenAI，發布了首個視頻生成模型Sora ——“世界模擬器”。當Sora視頻亮相時，“世界”被“模擬”后的震撼撲面而來：僅僅依靠幾句文字提示語，Sora自動生成了雪地里撒歡的大狗、咖啡里破浪的帆船、街景里雪舞的櫻花，惟妙惟肖、纖毫畢露、幾可亂真。

Sora帶來的震撼，讓許多人驚愕不已。

人工智能（AI）發展至今，本質上是機器通過模仿、學習人類的智能，接近、達到（甚至超過）人類的智能，以幫助減輕人類的勞動、提高人的能力。它是人類主導、模擬人類智能的科學，人通過設計學習路徑——建模，讓機器反復學習以具備特定能力。

這種運行方式，近乎于手工作坊。想要生產什么樣的產品，就提供什么樣的學習圖紙，然后機器對應反復學習，由此具備設定的能力。Sora的意義在于，只需要提供一些提示性的文字語言，它會自動生成人類想要的場景。這就意味著，Sora會理解人類的思想！

Sora亮相的那天，大家最初都驚訝于文（字）生視頻的逼真性和清晰度。這當然不容易。比如那條雪地上撒歡的大狗，毛發絲絲閃亮發光，十分清晰逼真。如果跟現在的類似競品pika、 Runway、 Stable Video等對比，幾乎是信息時代與石器時代的差別。

類似效果，以前需要人工一筆筆畫出毛發，然后建模渲染，以形成活生生的形象，成品也不如Sora。科幻大片《阿凡達》中人物飄逸的長發、大海里洶涌的海浪，就是一大批人一筆筆畫了好幾個月后，在電腦幫助下制作出來的。Sora能自動即時生成如此生動的視頻圖像，當然不容易。

Sora 更震撼的，是視頻產生、生成的過程。它依據給出的文字提示，能理解其中蘊含的信息，準確地轉換（想象）成匹配的圖像場景，最終形成符合人類意圖可長達一分鐘的視頻。Sora具備的理解能力、從文字到圖像的想象力，已接近人類特有的復雜想象判斷能力，這是最關鍵、最有意義的。

比如人類對海浪的認知，并不需要通過一幀幀圖像建模來實現，只要見過大海的人，馬上就會想象生成圖景。 Sora，就具備了某些這樣的從文字想象到圖景的能力。它反映了對物理世界的理解，已經從文字進到圖像，從圖像進到對這個世界3D環境的理解。相比一年多前同樣由OpenAI發布的chatGPT，已經從文字理解、文字解讀的一維層面，躍升到文字直接生成視頻的二維和三維層面。這是質的巨大飛躍。

Sora是怎樣得到這種能力的呢？

根據技術團隊透露的信息，Sora的誕生，有著諸多與眾不同、與以往不同的方式。

第一是解構視頻。將極大數量的各類視頻（可視數據）碎片化，轉化為可統一標識的特定編碼，便于輸入信息時認知。第二，視頻與文字的巨大不同在于有復雜的格式差異，Sora著重細化了不同分辨率、持續時間和縱橫比的視頻和圖像的解析和標識，方便應用時可組合成不同需求的視頻。第三，將可視數據轉換成數據包。這是非常重要的一步，碎片化、精細化的數據，只有通過一定組合的數據包，才能被有效、可擴展的運用。第四，建立高度描述性的轉譯員模型。它具有兩方面作用，一方面大量訓練學習帶有文本解讀的視頻，理解每一幀畫面包含的文本意義；另一方面，接受文本傳遞的信息，學習訓練得到相應的畫面和圖像。

Sora還充分利用了一年多前誕生的GPT技術，將用戶提供的簡短文字提示，先由GPT轉換為更長的詳細描述，再發送給視頻模型，這大大提高了按照用戶提示生成高質量視頻的精準度。從這個意義上來說，GPT實際上是Sora得以誕生的關鍵一步。

Sora的出現，是人工智能領域一次重要的進步。它自動解析文字描述，用真實物理定律孿生虛擬數字世界，重構真實世界與虛擬空間互動。它能夠將人們的想象力轉化為生動的動態畫面，將文字的魔力轉化為視覺的盛宴。它也預示著一個全新視覺敘事時代的到來，將給傳媒、影視、教育等諸多行業，帶來印象深刻的變化。

“以前不相信是真的，現在不相信是假的。”