每經(jīng)編輯 畢陸名

據(jù)OpenAI官網(wǎng)，OpenAI首個視頻生成模型Sora發(fā)布，完美繼承DALL·E 3的畫質(zhì)和遵循指令能力，能生成長達1分鐘的高清視頻。

AI想象中的龍年春節(jié)，紅旗招展人山人海。

有緊跟舞龍隊伍抬頭好奇官網(wǎng)的兒童，還有不少人掏出手機邊跟邊拍，海量人物角色各有各的行為。

一位時髦女士漫步在東京街頭，周圍是溫暖閃爍的霓虹燈和動感的城市標志。

一名年約三十的宇航員戴著紅色針織摩托頭盔展開冒險之旅，電影預告片呈現(xiàn)其穿梭于藍天白云與鹽湖沙漠之間的精彩瞬間，獨特的電影風格、采用35毫米膠片拍攝，色彩鮮艷。

豎屏超近景視角下，這只蜥蜴細節(jié)拉滿：

OpenAI表示，公司正在教授人工智能理解和模擬運動中的物理世界，目標是訓練出能夠幫助人們解決需要與現(xiàn)實世界互動的問題的模型。在此，隆重推出文本到視頻模型——Sora。Sora可以生成長達一分鐘的視頻，同時保證視覺質(zhì)量和符合用戶提示的要求。

如今，Sora正面向部分成員開放，以評估關(guān)鍵領域的潛在危害或風險。同時，OpenAI也邀請了一批視覺藝術(shù)家、設計師和電影制作人加入，期望獲得寶貴反饋，以推動模型進步，更好地助力創(chuàng)意工作者。OpenAI提前分享研究進展，旨在與OpenAI以外的人士合作并獲取反饋，讓公眾了解即將到來的AI技術(shù)新篇章。

Sora模型能夠生成包含多個角色、特定類型運動和主體及背景精確細節(jié)的復雜場景。該模型不僅能理解用戶在提示中所要求的內(nèi)容，還能理解這些事物在現(xiàn)實世界中的存在方式。該模型對語言有深刻理解，能準確解讀提示，并生成表達豐富情感的引人入勝的角色。Sora還能在單個生成的視頻中創(chuàng)建多個鏡頭，使角色和視覺風格保持準確一致。

比如一大群紙飛機在樹林中飛過，Sora知道碰撞后會發(fā)生什么，并表現(xiàn)其中的光影變化。

一群紙飛機在茂密的叢林中翩翩起舞，在樹林中穿梭，就像候鳥一樣。

Sora還可以在單個視頻中創(chuàng)建多個鏡頭，并依靠對語言的深入理解準確地解釋提示詞，保留角色和視覺風格。

對于Sora當前存在的弱點，OpenAI也不避諱，模型在準確模擬復雜場景的物理特性方面可能會遇到困難，也可能無法理解具體的因果關(guān)系實例。例如“五只灰狼幼崽在一條偏僻的碎石路上互相嬉戲、追逐”，狼的數(shù)量會變化，一些憑空出現(xiàn)或消失。

此外，模型還可能會混淆提示的空間細節(jié)，例如左右不分，并且在處理隨時間發(fā)生的事件的精確描述方面也可能存在困難，比如跟蹤特定的攝像機軌跡。

如提示詞“籃球穿過籃筐然后爆炸”中，籃球沒有正確被籃筐阻擋。

技術(shù)方面，目前OpenAI透露的不多，簡單介紹如下：

Sora是一種擴散模型，從噪聲開始，能夠一次生成整個視頻或擴展視頻的長度，

關(guān)鍵之處在于一次生成多幀的預測，確保畫面主體即使暫時離開視野也能保持不變。

與GPT模型類似，Sora使用了Transformer架構(gòu)，有很強的擴展性。

在數(shù)據(jù)方面，OpenAI將視頻和圖像表示為patch，類似于GPT中的token。

通過這種統(tǒng)一的數(shù)據(jù)表示方式，可以在比以前更廣泛的視覺數(shù)據(jù)上訓練模型，涵蓋不同的持續(xù)時間、分辨率和縱橫比。

Sora建立在過去對DALL·E和GPT模型的研究之上。它使用DALL·E 3的重述提示詞技術(shù)，為視覺訓練數(shù)據(jù)生成高度描述性的標注，因此能夠更忠實地遵循用戶的文本指令。

除了能夠僅根據(jù)文本指令生成視頻之外，該模型還能夠獲取現(xiàn)有的靜態(tài)圖像并從中生成視頻，準確地讓圖像內(nèi)容動起來并關(guān)注小細節(jié)。

該模型還可以獲取現(xiàn)有視頻并對其進行擴展或填充缺失的幀，請參閱技術(shù)論文了解更多信息（晚些時候發(fā)布）。

Sora是能夠理解和模擬現(xiàn)實世界的模型的基礎，OpenAI相信這一功能將成為實現(xiàn)AGI的重要里程碑。

每日經(jīng)濟新聞綜合OpenAI官網(wǎng)

封面圖片來源：視頻截圖