Sora的背景与概述
Sora是什么？简单来说，就是OpenAI用GPT的能力来做视频文本对齐，通过将多个高分辨率视频素材进行降维处理，然后进行密集训练，最后达到一个想看什么就生成什么视频的效果。Sora的底层采用的是Transformer架构，建立在过去的DALL·E和GPT的研究基础之上，采用了DALL·E3的重述技术，因此能更好地遵循用户的文本描述，并具有极强的扩展性。
能为我们做些什么？
Sora能为我们做什么呢？我们只需要一段文本描述，就可以生成60秒1080P的视频，不光场景细腻，角色的表情也栩栩如生。此外，Sora还能从静态图像中生成动画或拓展现有视频，从而创造多个画面，并且能够保持角色和视觉风格的一致性。
存在的一些问题
尽管Sora具有令人惊叹的功能，但也存在一些问题。该模型会混淆提示的空间细节，并且难以准确模拟复杂场景中的物理现象。比如，老人吹蜡烛前后，火苗没有丝毫变化。它也无法理解一个事例中包含的因果关系，比如酒杯摔碎，但是液体的流动和玻璃的破裂关系。
Sora的基本原理
OpenAI官方公布的Sora的技术文档没有透露太多关于Sora的技术细节，但大致介绍了Sora的基本原理：通过大量的学习视频来理解现实世界的动态变化，并用计算机视觉技术来模拟这些变化，创造出全新的视觉内容。Sora所学习的不仅仅是视频里面的画面、像素点，同时也在学习视频里面那个世界的“物理规律”。
自我学习物理规律
Sora似乎能够理解视频中的各种物理规律，这种理解世界的方式被称为世界模型。人类与世界交互的方式就是通过世界模型来预测世界的反应。Sora通过学习视频，不仅记住了画面中的细节，还掌握了其中的物理规律。
通用人工智能
Sora的出现可能意味着通用人工智能（AGI）正在加速到来。OpenAI最终想要构建的是一个通用的物理世界模拟器，而Sora只是验证了这条道路的可行性。通往通用人工智能的道路上，除了需要算法，还需要大量的算力。因此，为了实现这一目标，OpenAI筹集了大量资金来重塑全球AI芯片的基础设施。
结语
Sora的发布标志着行业的革命性变革。从视频生成到理解物理规律，再到通用人工智能的探索，这一连串的创新举措将引领人工智能领域迈向新的高度。随着技术的不断进步，我们或许将见证人工智能在未来的巨大飞跃。
