首页 > 科技快讯 > Sora：大模型从读万卷书到行万里路

Sora：大模型从读万卷书到行万里路

晰数塔互联网快讯
2024-02-18 08:47

我不能创造的，证明我没有理解（What I cannot create， I do not understand）——理查德·费曼

大年初七（实际上是西海岸的初六）就被Sora刷屏了。看了官网的视频和技术报告，还有一些评论。整理了这些想法作为笔记，和大家分享，践行下开源和learn in public的精神。

一、Sora的惊艳之处

Sora可以生成长达一分钟的视频——当前的文生视频的SOTA（最好的模型），比如RunWay和Pika是3-4秒。

Sora能同时保持视觉质量和提示词的一致性，也就是说，作为一个“视频剪辑师”，他理解需求的能力很强。

作为一个“摄影师”，Sora还很专业：能生成具有多个角色、特定运动类型的复杂场景。可以在单个生成的视频中展示多镜头拍摄视角，并且对象是统一的。

Sora还学会了物理（对人类来说的“物理常识”恰恰是对计算机而言最难的，也是此前文生视频模型一大痛点）：模型不仅理解用户在提示中要求的内容，还理解这些东西在物理世界中的存在规律。

二、Sora目前的缺陷

可能难以准确模拟复杂场景的物理，也可能无法理解因果关系的具体实例。例如，老太太吹完蜡烛开始鼓掌，但蜡烛其实还没有熄灭。

模型也可能混淆提示的空间细节，例如，将左边和右边混在一起，并可能难以精确描述随时间发生的事件，比如沙漠考古中凭空多出来的椅子，几只小狗玩耍画面中，小狗的数量忽多忽少。

三、Sora技术报告主要内容

技术报告是一贯的CloseAI精神，一些核心要点都按下不表，比如数据/算力方面的信息。主要介绍了两个点：一是技术路线（轮廓）——用生成式模型进行统一视觉数据表示，二是视频生成能力的量化评估，对模型的优势和缺陷的描述。

核心技术是四个：循环神经网络、生成对抗网络、自回归Transformer、扩散模型，这些都贯穿OpenAI早年的技术探索中。

借鉴了大语言模型（LLM）的思路（用Token统一表示文本、代码、符号），用Patch（视觉补丁）表示视频。把视频压缩到低维空间（latent space），然后表示为时空补丁（Spacetime patches）。

在扩散模型（准确说是扩散Transformer）上，通过条件信息，比如我们输入的提示词，来预测下一个Patch（视觉补丁）来生成视频，就像LLM预测下一个Token生成文本一样。

Sora可以基于文本、也可以基于图像和视频预测下一个Patch，当然也可以生成一个图，就像Midjouney和Dall·E一样，不过那样有点大材小用。

Sora还可以模拟数字世界、比如电子游戏，还可以和世界互动，比如一个人吃汉堡后留下咬痕，画家的画笔下增加新的笔触。

四、OpenAI的技术理想

技术报告最后有一句很重要的话：

我们相信Sora今天展现出来的能力，证明了视频模型的持续扩展（Scaling）是开发物理和数字世界（包含了生活在其中的物体、动物和人）模拟器的一条有希望的路。

OpenAI的目标并不是PK现有的文生视频模型（比如Make-A-Video、Video LDM、Text2Video-Zero、Runway-Gen2、NUWA-XL、Pikal Labs），或是颠覆广告和影视行业——这些在OpenAI看来都是“短期应用”，OpenAI把Sora视为理解和模拟现实世界的模型基础，视为AGI的一个重要里程碑。

2016年的一篇论文开头写道（译文来自SIY.Z）：

我们常常会忽略自己对世界的深刻理解：比如，你知道这个世界由三维空间构成，里面的物体能够移动、相撞、互动；人们可以行走、交谈、思考；动物能够觅食、飞翔、奔跑或吠叫；显示屏上能展示用语言编码的信息，比如天气状况、篮球比赛的胜者，或者1970年发生的事件。这样庞大的信息量就摆在那里，而且很大程度上容易获得——不论是在由原子构成的物理世界，还是由比特构成的数字世界。

挑战在于，我们需要开发出能够分析并理解这些海量数据的模型和算法。生成模型是朝向这个目标迈进的最有希望的方法之一。要训练一个生成模型，我们首先会在某个领域收集大量的数据（想象一下，数以百万计的图片、文本或声音等），然后训练这个模型去创造类似的数据。这个方法的灵感源于理查德·费曼的一句名言：我不能创造的，证明我没有理解（What I cannot create， I do not understand）。

BTW，2016年的这篇论文第一作者是Andrej Karpathy，却在Sora发布前夕离职，确实有些费解。

最后，一些个人非结构化的思考：

五、用比问题更高一维度的视角看待问题

LLM把所有的文本、符号、代码都抽象为Token，Sora把图片、视频都抽象为Patch。

爱因斯坦说过：We cannot solve our problems with the same thinking we used when we created them（我们不能用创造问题时的思维来解决问题）。把问题升维的妙处在于：在高一维度，问题会更简单。

还有一些值得考究的经典例子：计算机把所有问题抽象为数学，并用0和1表示。量子计算的量子比特可以实现量子叠加（同时处于0和1状态）。爱因斯坦的统一理论，统一了质量和能量，时间和空间。在高维视角下，万有引力其实是一种时空弯曲。

就像Nvidia的Jim Fan博士所分析的那样，如果要生成这个“两艘海盗船在咖啡杯里互相战斗的逼真特写视频”，用低维的解决方法视角会觉得不可思议：

Sora生产的视频，来源：OpenAI

模拟器实例化了两个精美的 3D 资产：具有不同装饰的海盗船。Sora 必须在其潜在空间中隐含地解决文本到 3D 的问题。

3D 对象在航行和避开彼此的路径时保持一致动画。

咖啡的流体动力学，甚至是围绕船只形成的泡沫。流体模拟是计算机图形学的一个整体子领域，传统上需要非常复杂的算法和方程。

几乎像使用光线追踪渲染的照片级真实感。

模拟器考虑到杯子与海洋相比的小尺寸，并应用了倾斜移位摄影技术，以给出一种“微缩”感觉。

六、关于“真实世界不存在了”

眼见不再为实，视频真实性会遇到前所未有的挑战，但道高一尺，会有视频分类器。这个在Sora技术报告提到了，OpenAI正在开发，会加入到C2PA（Coalition for Content Provenance and Authenticity）内容出处和真实性联盟。C2PA是一个旨在通过开发技术标准，来认证媒体内容来源和历史的联合项目。目标是制定内容出处和真实性的技术规范，为数字媒体创建、发布和分享建立透明和可信的环境。

七、对现有行业的影响

容易想到的是短视频、影视/广告行业。

短视频平台可能会充斥大量AI生成的视频，对于Tiktok和视频号这样的平台而言，消极的因素是：数据存储需求剧增，平台可能需要推出分类器，给视频打上是否是AI生成的标签，加入到推荐算法权重中。对于视频创作者，消极面是用户注意力会被大幅稀释，行业更卷。积极面是，拍摄和剪辑能力进一步民主化，大家进一步卷的是创意和想法，而不是拍摄设备和剪辑技巧。

对于影视/广告行业，工业化制作的时代正在落幕，下一个时代会很难理解一个“大制作”背后的成本——几百人上千人，分成摄影组/演员组/服装组/化妆组/灯光组/特效组，几年在拍摄现场不眠不休，吃着盒饭，在花费不菲搭建的布景地和道具堆中，用昂贵的设备、一遍遍折腾着天价片酬请来的演员。

积极的视角，正如Elon Musk说的：AI增强的人类将在未来几年里创造出最好的作品。

技术中最迷人的一面，就是让一些经济成本过高行业的专业化祛魅（从另外一个角度看其实是垄断和进入门槛），让更多的玩家进入，让人人平等地发挥自己的天赋，创造出更有想象力的作品。

最后总结一下：Sora是Transformer架构和Diffusion模型的合体，OpenAI继续Scale up（甚至此前有Sam Altman希望用7万亿美元重构芯片市场的传闻），LLM（大模型）从此前的读万卷书到现在开始行万里路——从视频和真实世界学习。

这确实是一个AGI的里程碑，但后面还需要多少里程碑？估计这位老爷子知道答案：