編輯：編輯部
【新智元導讀】OpenAI第一個AI視訊模型Sora橫空出世，再次創造歷史。這個堪稱「世界模型」的技術報告也在今天釋出了，不過依然沒有公開具體訓練細節。
昨天白天，「現實不存在了」開始全網刷屏。
「我們這麽快就步入下一個時代了？Sora簡直太炸裂了」。
「這就是電影制作的未來」！
谷歌的Gemini Pro 1.5還沒出幾個小時的風頭，天一亮，全世界的聚光燈就集中在了OpenAI的Sora身上。
Sora一出，眾視訊模型臣服。
就在幾小時後，OpenAI Sora的技術報告也釋出了！
其中，「裏程碑」也成為報告中的關鍵詞。
報告地址：https://openai.com/research/video-generation-models-as-world-simulators
技術報告主要介紹了兩個方面：
（1）如何將不同型別的視覺數據轉化為統一的格式，以便於對生成模型進行大規模訓練的方法；
（2）對Sora的能力和局限性的定性評價。
不過遺憾的是，報告不包括模型和實作細節。嗯，OpenAI還是那個「OpenAI」。
打造虛擬世界模擬器
此前，OpenAI的研究者一直在探索的一個難題就是，究竟怎樣在視訊數據上，套用大規模訓練的生成模型？
為此，研究者同時對對持續時間、分辨率和寬高比各不相同的視訊和圖片進行了訓練，而這一過程正是基於文本條件的擴散模型。
他們采用了Transformer架構，這種架構能夠處理視訊和圖片中時空片段的潛程式碼。
隨之誕生的最強大模型Sora，也就具備了生成一分鐘高品質視訊的能力。
OpenAI研究者發現了令人驚喜的一點：擴充套件視訊生成模型的規模，是構建模擬物理世界通用模擬器的非常有希望的方向。
也就是說，順著這個方向發展，或許LLM真的能夠成為世界模型！
Sora的獨到之處在於哪裏？
要知道，以前的許多研究，都是透過各種技術對視訊數據進行生成模型建模，比如迴圈網路、生成對抗網路、自回歸Transformer和擴散模型等方法。
它們往往只關註於特定型別的視覺數據、較短的視訊或者固定尺寸的視訊。
而Sora與它們不同，它是一種通用的視覺數據模型，能夠生成各種持續時間、寬高比和分辨率的視訊和圖片，甚至長達一分鐘的高畫質視訊。
有網友表示，「Sora雖然有一些不完美之處（可以檢測出來），例如從物理效果可以看出它是人工合成的。但是，它將會革命性地改變許多行業。
想象一下可以生成動態的、個人化的廣告視訊進行精準定位，這將是一個萬億美元的產業」！
為了驗證SORA的效果，業界大佬Gabor Cselle把它和Pika、RunwayML和Stable Video進行了對比。
首先，他采用了與OpenAI範例中相同的Prompt。
結果顯示，其他主流工具生成的視訊都大約只有5秒鐘，而SORA可以在一段長達17秒視訊場景中，保持動作和畫面一致性。
隨後，他將SORA的起始畫面用作參照，努力透過調整命令提示和控制相機動作，嘗試使其他模型產出與SORA類似的效果。
相比之下，SORA在處理較長視訊場景方面的表現顯著更出色。
看到如此震撼的效果，也難怪業內人士都在感嘆，SORA在AI視訊制作領域確實具有革命性意義。
將視覺數據轉化為patch
LLM之所以會成功，就是因為它們在互聯網規模的數據上進行了訓練，獲得了廣泛能力。
它成功的一大關鍵，就是使用了token，這樣，文本的多種形態——程式碼、數學公式以及各種自然語言，就優雅地統一了起來。
OpenAI的研究者，正是從中找到了靈感。
該如何讓視覺數據的生成模型繼承token的這種優勢？
註意，不同於LLM使用的文本token，Sora使用的是視覺patch。
此前已有研究表明，patch對視覺數據建模非常有效。
OpenAI研究者驚喜地發現，patch這種高度可延伸的有效表征形式，正適用於訓練能處理多種型別視訊和圖片的生成模型。
從宏觀角度來看，研究者首先將視訊壓縮到一個低維潛空間中，隨後把這種表征分解為時空patch，這樣就實作了從視訊到patch的轉換。
視訊壓縮網路
研究者開發了一個網路，來減少視覺數據的維度。
這個網路可以接受原始視訊作為輸入，並輸出一個在時間上和空間上都進行了壓縮的潛表征。
Sora在這個壓縮後的潛空間中進行訓練，之後用於生成視訊。
另外，研究者還設計了一個對應的解碼器模型，用於將生成的潛數據轉換回像素空間。
潛空間patch
對於一個壓縮後的輸入視訊，研究者提取看一系列空間patch，作為Transformer的token使用。
這個方案同樣適用於影像，因為影像可以被視為只有一幀的視訊。
基於patch的表征方法，研究者使得Sora能夠處理不同分辨率、持續時間和長寬比的視訊和影像。
在推理時，可以透過在一個合適大小的網格中適當排列隨機初始化的patch，從而控制生成視訊的大小。
擴充套件Transformer
因此，視訊模型Sora是一個擴散模型；它能夠接受帶有雜訊的patch（和條件資訊，如文本提示）作為輸入，隨後被訓練，來預測原始的「幹凈」patch。
重要的是，Sora是基於Transformer的擴散模型。在以往，Transformer在語言模型、電腦視覺和影像生成等多個領域，都表現出卓越的擴充套件能力。
令人驚喜的是，在這項工作中，研究者發現作為視訊模型的擴散Transformer，也能有效地擴充套件。
下圖展示了訓練過程中使用固定種子和輸入的視訊樣本比較。
隨著訓練計算資源的增加，樣本品質顯著提升。
視訊的多樣化表現
傳統上，影像和視訊的生成技術往往會將視訊統一調整到一個標準尺寸，比如4秒鐘、分辨率256x256的視訊。
然而，OpenAI研究者發現，直接在視訊的原始尺寸上進行訓練，能帶來諸多好處。
靈活的視訊制作
Sora能夠制作各種尺寸的視訊，從寬屏的1920x1080到豎屏的1080x1920，應有盡有。
這也就意味著，Sora能夠為各種裝置制作適配螢幕比例的內容！
它還可以先以較低分辨率快速制作出視訊原型，再用相同的模型制作出全分辨率的視訊。
更優的畫面表現
實驗發現，直接在視訊原始比例上訓練，能夠顯著提升視訊的畫面表現和構圖效果。
因此，研究者將Sora與另一個版本的模型進行了比較，後者會將所有訓練視訊裁剪為正方形，這是生成模型訓練中的常見做法。
與之相比，Sora生成的視訊（右側）在畫面構成上則有了明顯的改進。
深入的語言理解
訓練文本到視訊的生成系統，需要大量配有文本說明的視訊。
研究者采用了DALL·E 3中的重新標註技術，套用在了視訊上。
首先，研究者訓練了一個能生成詳細描述的標註模型，然後用它為訓練集中的所有視訊，生成文本說明。
他們發現，使用詳細的視訊說明進行訓練，不僅能提加文本的準確性，還能提升視訊的整體品質。
類似於DALL·E 3，研究者也使用了GPT，把使用者的簡短提示轉化為詳細的說明，然後這些說明會被輸入到視訊模型中。
這樣，Sora就能根據使用者的具體要求，生成高品質、準確無誤的視訊。
影像和視訊的多樣化提示
雖然展示的案例，都是Sora將文本轉換為視訊的demo，但其實，Sora的能力不止於此。
它還可以接受影像或視訊等其他形式的輸入。
這就讓Sora能夠完成一系列影像和視訊編輯任務，比如制作無縫迴圈視訊、給靜態圖片添加動態、在時間線上擴充套件視訊的長度等等。
為DALL·E影像賦予生命
Sora能夠接受一張影像和文本提示，然後基於這些輸入生成視訊。
下面即是Sora基於DALL·E 2和DALL·E 3影像生成的視訊。
一只戴貝雷帽和黑高領衫的柴犬
一家五口怪物的插畫，采用了簡潔明快的扁平設計風格。其中包括一只毛茸茸的棕色怪物，一只光滑的黑色怪物長著天線，還有一只綠色的帶斑點怪物和一只小巧的帶波點怪物，它們在一個歡快的場景中相互玩耍。
一張逼真的雲朵照片，上面寫著「SORA」。
在一個典雅古老的大廳內，一道巨浪滔天，正要破浪而下。兩位沖浪者把握時機，巧妙地滑行在浪尖上。
視訊時間線的靈活擴充套件
Sora不僅能生成視訊，還能將視訊沿時間線向前或向後擴充套件。
可以看到，demo中的視訊都是從同一個視訊片段開始，向時間線的過去延伸。盡管開頭各不相同，但它們最終都匯聚於同一個結尾。
而透過這種方法，我們就能將視訊向兩個方向延伸，創造出一個無縫的迴圈視訊。
影像的生成能力
同樣，Sora也擁有生成影像的能力。
為此，研究者將高斯雜訊patch排列在空間網格中，時間範圍為一幀。
該模型可生成不同大小的影像，分辨率最高可達2048x2048像素。
左：一位女士在秋季的特寫照片，細節豐富，背景模糊。
右：一個生機勃勃的珊瑚礁，居住著五顏六色的魚類和海洋生物。
左：一幅數位繪畫，描繪了一只幼年老虎在蘋果樹下，采用了精美的啞光畫風。
右：一個被雪覆蓋的山村，溫馨的小屋和壯麗的北極光相映成趣，畫面細膩逼真，采用了50mm f/1.2鏡頭拍攝。
視訊風格和環境的變換
利用擴散模型，就能透過文本提示來編輯影像和視訊。
在這裏，研究者將一種名為SDEdit的技術套用於Sora，使其能夠不需要任何先驗樣本，即可改變視訊的風格和環境。
視訊之間的無縫連線
另外，還可以利用Sora在兩個不同的視訊之間建立平滑的過渡效果，即使這兩個視訊的主題和場景完全不同。
在下面的demo中，中間的視訊就實作了從左側到右側視訊的平滑過渡。
一個是城堡，一個是雪中小屋，非常自然地融進一個畫面中。
湧現的模擬能力
隨著大規模訓練的深入，可以發現視訊模型展現出了許多令人興奮的新能力。
Sora利用這些能力，能夠在不需要專門針對3D空間、物體等設定特定規則的情況下，就模擬出人類、動物以及自然環境的某些特征。
這些能力的出現，完全得益於模型規模的擴大。
3D空間的真實感
Sora能創造出帶有動態視角變化的視訊，讓人物和場景元素在三維空間中的移動，看起來十分自然。
如下，一對情侶漫步在雪天中的東京，視訊的生成和真實的運鏡效果大差不差了。
再比如，Sora擁有更加遼闊的視野，生成山水風景與人徒步爬山的視訊，有種無人機拍攝出的巨制趕腳。
視訊的一致性和物體的持續存在
在生成長視訊時，保持場景和物體隨時間的連續性一直是個挑戰。
Sora能夠較好地處理這一問題，即便在物體被遮擋或離開畫面時，也能保持其存在感。
下面例子中，窗台前的花斑狗，即便中途有多個路人經過，它的樣子依舊保持一致。
例如，它可以在一個視訊中多次展示同一個角色，而且角色的外觀在整個視訊中保持一致。
賽博風格的機器人，從前到後旋轉一圈，都沒有跳幀。
與世界的互動
甚至，Sora能模擬出影響世界狀態的簡單行為。
比如，畫家畫的櫻花樹，水彩紙上留下了持久的筆觸。
又或是，人吃漢堡時留下的咬痕清晰可見，Sora的生成符合物理世界的規則。
數位世界的模擬
Sora不僅能模擬現實世界，還能夠模擬數位世界，比如視訊遊戲。
以「Minecraft」為例，Sora能夠在控制玩家角色的同時，以高度逼真的方式渲染遊戲世界和動態變化。
而且，只需透過簡單的提示，如提及「Minecraft」，Sora就能展現這些能力。
這些新能力顯示出，持續擴大視訊模型規模是一個極有希望的方向，讓模型向著精準模擬物理世界和數位世界、以及其中的生物和物體的高級模擬器發展。
局限性
當然，作為一個模擬器，Sora目前還存在不少的局限。
比如，它雖然能模擬一些基礎物理互動，比如玻璃的碎裂，但還不夠精確。
模擬吃食物的過程，也並不總是能準確反映物體狀態的改變。
在網站首頁上，OpenAI詳細列出了模型的常見問題，比如在長視訊中出現的邏輯不連貫，或者物體會無緣無故地出現。
最後，OpenAI表示，Sora目前所展現出的能力，證明了不但提升視訊模式的規模是一個令人振奮的方向。
沿這個方向走下去，或許有一天，世界模型就會應運而生。
網友：未來遊戲動嘴做
OpenAI給出眾多的官方演示，看得出Sora似乎可以為更逼真的遊戲生成鋪路——僅憑文字描述就能生成程式遊戲。
這既令人興奮，又令人恐懼。
FutureHouseSF的聯合創始人猜測，「或許Sora可以模擬我的世界。也許下一代遊戲機將是「Sora box」，遊戲將以2-3段文字的形式釋出」。
OpenAI技術人員Evan Morikawa稱，「在OpenAI釋出的Sora視訊中，如下的視訊讓我大開眼界。透過經典渲染器渲染這個場景是非常困難的。Sora模擬物理的方式和我們不同。它肯定仍然會出錯，但是我之前沒有預測到它能做得這麽逼真」。
有網友稱，「人們沒有把『每個人都會成為電影制作人』這句話當回事」。
我在15分鐘內制作了這部20年代的預告片，使用了OpenAI Sora的片段，David Attenborough在Eleven Labs上的配音，並在iMovie上從YouTube上采樣了一些自然音樂。
還有人稱，「5年後，你將能夠生成完全沈浸式的世界，並即時體驗它們，「全像甲板」即將變成現實」！
有人甚至表示，自己完全被Sora的AI視訊生成的出色效果驚呆了。
「它讓現有的視訊模型看起來像是愚蠢的玩具。每個人都將成為一名電影制作人」。
「新一代電影制作人即將與OpenAI的Sora一起湧現。再過10年，這將是一場有趣的比賽」！
「OpenAI的Sora暫不會取代好萊塢。它將為好萊塢以及個人電影制作者和內容創作者，帶來巨大的推動力。
想象一下，只需3人團隊，就能在一周內，完成一部120分鐘的A級故事片的初稿創作和觀眾測試。這就是我們的目標」。
