2024年開年，Sora的橫空出世，給AI界投下一枚重磅炸彈。
這個由美國人工智能公司OpenAI發布的文生視頻模型，只需要一段提示文本，就能生成具有多個角色和特定動作類型，且主題和背景基本準確的高清視頻。相較于Runway Gen 2、Pika等AI視頻生成應用幾秒鐘連貫性的視頻產出，Sora可生成長達60秒的連續、穩定、高品質視頻，且提示文本越充分、細節越精確，生成的視頻越真實。
不過，出于可能被濫用的擔憂，OpenAI表示目前并沒有公開發布Sora的計劃。模型有限的訪問權限只被授予小部分研究人員和創意人士等群體，以便OpenAI獲取他們的使用反饋。
目前，官網上已更新了48個Sora生成的演示視頻。這些視頻清晰且真實的細節和超高的精度不禁引發人們思考：這是否意味著具備人類同等智能或超越人類見證智能的通用人工智能（AGI）的到來？
對研究AGI意義重大
Sora問世后，360集團創始人周鴻祎發表了看法：Sora的出現讓AGI到來的時間提前了。原來估計需要十來年，現在可能只要兩三年。他認為，Sora雖然看起來只是個文生視頻工具，但實際上是AI認知世界并與之進行交互的里程碑，會給整個產業帶來巨大進步。
“實現AGI的技術路線多樣，涉及不同的研究方法和應用方向。”中國科學院自動化研究所副總工程師、紫東太初大模型中心常務副主任王金橋向科技日報記者介紹，目前，學術界和工業界廣泛討論的AGI技術路線主要有三條。一是信息智能，即“大數據+自監督學習+舞蹈教室大算力”。這種方法依賴大量數據，通過自監督學習算法來訓練模型，同時需要巨大的計算能力來處理復雜任務。二是博弈智能。這種技術路線強調在人機交互中通過強化學習的方式訓練智能體，使其能進行自主學習和決策。三是類腦智能。這種方法試圖通過模仿人腦的運行方式實現AGI。
在王金橋看來，根據官網的演示視頻，Sora至少在畫質、長視頻生成、多鏡頭一致性、學習世界規律、多模態融合等方面實現突破。
“Sora能引發如此轟動，并不只是因為它生成的視頻時間更長、清晰度更高，而是因為它能在一定程度上模擬物理世界中的物體運動和交互。”王金橋說，“這種能力對于AGI的研究具有重要意義，因為它涉及機器對現實世界的深入理解和高度模擬，而這些是實現AGI的核心挑戰。”
記者了解到，為了準確模擬物理世界，Sora被投喂了極大規模的訓練數據，并使用了擴散模型等先進的算法。“對于AGI而言，Sora讓大家看到，規模效應不只在文字模態上成立，在視頻模態上也成立。”北京月之暗面科技有限公司（Moonshot AI）聯合創始人周昕宇認為，“通過擴展視頻生成模型可以建立通用物理世界模擬器。這是實現AGI的必要過程。”
距真正實現AGI仍有距離
雖然進步顯著、令人驚艷，但Sora仍然存在一些技術缺陷。
從目前Sora生成的視頻來看，它在處理某些細節時可能會出錯，例如混淆物體的左右方向。同時，它也無法完全理解復雜的因果關系，或在長時間跨度內保持故事線的高度一致連貫。這些技術缺陷導致生成的視頻內容可能出現與邏輯錯誤，或與常識、真實情形不符的情況。
“Sora模擬真實物理世界的方式，是通過對給定的文字、圖像、參考視頻進行建模，然后預測想要生成的視頻數據的條件概率分布。這與語言模型的原理沒有本質區別，同樣是在做無損壓縮。”周昕宇說，“只要壓縮得足夠好，就可以模擬出足夠真實的物理世界。”
王金橋強調，盡管Sora能夠通過學習了解表層的運動和交互關系，但是還沒有學習到物理規律的本質。比如，它不知道多大的風能吹滅蠟燭，不了解玻璃掉到地上會碎、掉到地毯上不會碎的本質原因。這也是Sora目前最為人詬病之處。
“從Sora為數不多的公開資料來看，它仍是數講座據驅動下的擬合，也就是模擬人交流類所能看到的物理世界。但真實的物理世界遠不僅包含人類視覺信息。”北京中關村科金技術有限公司技術副總裁張杰認為，Sora的創意來自大數據量下的概率擬合，它并沒有產生新知識，距離“深度模擬真實物理世界”這一目時租標還有很長的路要走。
中國社會科學院哲學研究所科技哲學研究室主任、研究員段偉文同樣表達了審慎的觀點。“Sora這種近乎人類的表達實際上是一種基于現有數據和語料的合成智能。”他說，“它給實現AGI找到了一種可行的路徑，但距真正的AGI還有很長的距離，且對實現AGI的價值相對有限。”訪談
事實上，實現AGI這一目標可謂道阻且長。王金橋談到了幾大挑戰。首先是數據瓶頸。盡管像GPT-4這樣的預訓練語言模型在數據標注上取得了進展，但數據依然是深度學習中的一個關鍵限制因素；其次是泛化瓶頸。目前的AI系統往往在特定任務見證上表現出色，但在面對新任務時難以有效適應；最后是能耗瓶頸。隨著AI模型變得越來越復雜，所需的計算資源和能源消耗也越來越大。這對硬件設備提出了更高要求。
或將率先落地傳媒領域
Sora的發布不僅推動了技術的發展，也引發了對AI治理和倫理的探討。
段偉文提到，OpenAI采取了相關手段來阻止不當視頻的發布。王金橋進一步解釋道， Sora內置的文本提示過濾器可篩選發送給模型的所有提示，阻止對暴力、色情內容、仇恨言論以及名人肖像等敏感或不適當內容的請求。視頻內容過濾器能檢查生成的視頻幀，屏蔽違反OpenAI安全政策的內容。
另外，OpenAI團隊可能會定期對Sora進行優化和更新，以改進其過濾機制，確保模型能夠更好地識別和處理敏感內容。同時，團隊可能會監控系統的使用情況，以便及時發現并解決新出現的問題。
“從技術上看，Sora避免極端暴力、色情、名人肖像等內容出現的方式，主要依靠的是模型的對齊能力。”周昕宇說，“這一點和語言模型的區別不大，也已經有比較多的實踐經驗。”
據國際數據公司預測，Sora將率先在短視頻、廣告、互動娛樂、影視制作和媒體等傳媒領域得到應用。Sora的諸多能力，可以輔助這些領域的工作者更高效地進行視頻創作，加快生產速度，提高產出數量。這將助力相關行業降低成本、提升九宮格效率，進一步優化用戶體驗。（記者 崔爽）
發佈留言