Sora爆火96小时国内大模型进场

Sora不仅可以理解用户的需求，还知道这些事物在现实世界如何存在

视频生成需要处理和预测长时间跨度内的动作和场景变化，增加了模型复杂度

Sora的角色更多是赋能创作者，而不是替代他们提供实现创意愿景的新途径

春节期间，大洋彼岸又放出大招——美国人工智能团队OpenAI发布“文字生成视频”大模型Sora，特别是官方公布的长达60秒未经修改的AI视频，引发业界极大的震撼，网友惊呼“现实不存在了”。

发布短短96个小时内，国内已有AI团队紧急上线相关“文字生成视频”大模型，但与国外主流AI视频模型能力相仿，均无法超越Sora的水平。

“Sora能力超乎预期，但仍未达到颠覆行业的水平。”专家指出，AI生成视频技术仍有门槛，国内企业想弯道超车面临不小的难度。

碾压同行

Sora并非首个文本生成视频的大模型。据不完全统计，截至去年年底，全球能实现文本生成视频的大模型 包 括 Runway、Pika、Stable Video Diffusion等20多个产品。Sora的诞生仍给业界带来不小的震撼，它所展现出来的能力几乎可用“碾压”来形容。

用户仅需输入简短一句话，Sora就可生成一段长达60秒的视频，远远超过市面上同类型级别的AI视频生成时长。在此之前，AI视频模型生成时长几乎在10秒以内，而“明星模型” Runway和Pika等也仅有3到4秒。

60秒的视频时长，已超过抖音等短视频平台的平均视频时长，Sora的诞生也为以后短视频平台的内容生产提供了更大的可能性。

Sora保证视频时长的同时，也加强了视频质量的稳定性。记者体验此前的AI生成视频时发现，即便是几秒钟的视频也并不连贯，有较强的拼凑感。而Sora几乎能做到60秒视频一镜到底，OpenAI的演示视频显示，一名时尚女性走过喧闹繁华的东京街头，无论是背景建筑和街道以及人像的逼真程度，都保持一致性，哪怕是各种镜头的蒙太奇，都没有出现明显的失真情况。

OpenAI在官方博客中写道，Sora不仅可以理解用户的需求，还知道这些事物在现实世界如何存在。这离不开OpenAI在文本和图像方面的长期积累。

上海市人工智能行业协会秘书长钟俊浩解释，Sora的训练依赖于大量带有文本标题的视频数据。OpenAI利用Dall-E 3中的标题生成技术，为视频生成高质量的文本标题，以此提高文本和视频数据之间的对齐度。在大规模训练过程中，Sora展示了一些“涌现的模拟能力”，如三维一致性、长距离连贯性、物体持久性以及与世界互动的能力等。这些能力表明Sora能够在一定程度上模拟物理世界和数字世界的人物、动物和环境。

用哔哩哔哩科技Up主“Git源宝”的话来说，OpenAI先拆解大量的视频素材，并将文字与视频做匹配对应，之后又进行密集训练，使Sora拥有自主生成视频的能力。

挑战不少

虽然技术令人惊艳，但Sora的视频生成能力并不完美。已披露的视频显示，不少素材仍会“一眼假”，不符合物理学规律等AI生成的Bug不少。

以“幼狼玩耍”视频为例，Sora生成的内容中出现漏洞:在嬉戏打闹中，幼狼的数量从3只到5只来回变换，虽然动作连贯，但戏法般的效果让人摸不到头脑。另外在“一个老人吹蜡烛”的指令下，Sora生成的视频却显示，老人对着生日蛋糕的蜡烛吹气，却没有一根蜡烛熄灭；在呈现“红酒杯在桌上摔碎”的镜头中，杯子摔碎前，红酒已洒满桌子，“先摔碎后洒酒”的逻辑，Sora也没有理解。

或许是考虑到性能、安全等问题，Sora并未向公众开放，目前处于安全测试阶段。据外媒预测，GPT-4经过6个月的测试后正式向公众开放，预计Sora将于8月向公众开放。

“视频生成需要处理和预测长时间跨度内的动作和场景变化，这增加了模型的复杂度和训练的计算需求。”他认为，与文本和图像相比，适用于视频生成的多模态高质量数据集相对较少，这限制了模型学习复杂动作语义的能力，不仅如此，描述视频内容比描述静态图像复杂，因为它需要包括时间上的变化、动作以及可能的情感或故事线索。

值得一提的是，在Sora发布的同时，OpenAI宣布一项要约售股交易，由此OpenAI整体估值高达800亿美元，一年内飙升两倍多。根据调研公司CB Insights统计，OpenAI已成为全球估值最高的创业公司之一，仅次于字节跳动和SpaceX。

难言颠覆

Sora的横空出世引爆学界、业界和投资界的讨论热度。

短短4天内，中信建投、国泰君安、申万宏源、招商证券等10家券商在研报中均表示，Sora是人工智能发展进程中的里程碑，预示AGI将加速到来，众多行业将迎来颠覆式变革。

天风证券认为，内容创作工作流有望被颠覆，下一个亿级用户的互联网平台雏形出现。2000亿美元的短视频创作生态有望率先被颠覆，生成式AI在视频创作和世界模型的大踏步进步将实现对视频、3D、游戏等下游应用场景的渗透。

中信证券从投资角度判断，Sora背后的涌现能力为自动驾驶、设计等需要现实世界建模的行业提供了明确方向，硬件端的需求必然会随着多模态的技术进步不断提高，因此AI算力持续看好。

“Sora让人震惊，很大原因是AI的发展速度远超预期。但不意味着短时间能形成生产力。”钟俊浩认为，Sora现在能力还不足以颠覆行业，特别是影视行业和游戏行业高度依赖创意、情感投入和人类故事讲述的领域。AI视频生成技术可以提供帮助，比如降低制作成本、加速内容生成，甚至在某些情境下提供创意灵感，但目前还不能完全替代人类在创作过程中的独特视角和情感深度。“Sora的角色更多是赋能创作者，而不是替代他们提供实现创意愿景的新途径。”

根据观察，Sora的文本到视频生成技术难以进行精细的局部调整。如果用户希望修改视频中的某个具体细节，可能需要进行复杂的手工编辑，不仅工作量大，而且也要求用户具备一定的视频编辑技能。同时，Sora每次生成的视频内容有较大变化，难以保持一致的叙事风格或视觉风格。“即便是60秒超长视频，也无法满足大部分影视作品需求，将多个短视频片段拼接起来，在转场的协调和连贯性上也是额外挑战。”钟俊浩说。

游戏开始

Sora出手即“王炸”，AI生成视频创业公司无疑将面临巨大压力。Runway CEO瓦伦祖拉在社交媒体写道“Game On”，Stability CEO莫斯塔克由衷夸赞“奥特曼(OpenAI CEO)真是个魔术师”。而由华人郭文景创立的Pika Labs也感受到巨大冲击力，去年11月发布Pika，能够生成和编辑3D动画、动漫、卡通和电影，是一款零门槛的视频生成器，她向媒体透露，团队如今正准备招人，直接对标Sora。

前几日，阿里云旗下魔搭社区上线文本生成视频大模型。记者从阿里云方面了解到，这是第三方创作者上传的作品，目前由文本特征提取、文本特征到视频隐空间扩散模型、视频隐空间到视频视觉空间这3个子网络组成，整体模型参数约17亿，仅支持英文输入。文本生成视频大模型已面向公众开放，与Sora类似可直接输入文字即可看到生成的视频效果，目前已公布9个官方案例。比如“A panda eating bamboo on a rock”，将出现2秒钟“大熊猫在石头上吃竹子”的视频。

不过这一大模型并不成熟，记者以类似的“A panda dancing”为例，生成2秒钟的视频耗时长达32分钟，且输出的视频与“吃竹子的大熊猫”没有太大区别。

北京社会科学院副研究员王鹏告诉记者，尽管国内大模型近年来取得显著进展，但与OpenAI、谷歌、英伟达等国际大公司相比，仍存在技术差距。这些国际大公司在深度学习、自然语言处理、计算机视觉等领域拥有更深厚的技术积累和研发实力，在AIGC领域具有更强的竞争力。

“国内企业要迎头赶上，需要在技术研发、人才培养和市场洞察上下功夫，同时还要考虑到国内外市场的差异性和合规性问题。”人工智能行业天使投资人郭涛认为，国内AI企业不妨与成熟技术团队建立战略合作，共享技术资源，针对国内市场需求，进行产品和应用创新，实现弯道超车。

上海机会

“现在上海有些公司正在进行‘从一张图到另一张图生成中间视频’的大模型产品研发，比如上海人工智能企业重点孵化器‘AI驿站’中的小冰公司、笔墨AI等企业。”钟俊浩说，上海在技术研发、人才培养、数据资源、算力资源等方面与国际大公司存在不小差距。“追上Sora的能力需要时间，这不仅取决于技术投入和研发速度，还需要考虑行业生态的建设。”

他认为，OpenAI目前在竞争力上一骑绝尘，中国要在AI领域追赶，首先依然靠人才，鼓励行业高密度聚集，避免人才分散，也避免智能算力等稀缺资源分散。上海应发挥全产业链生态优势，鼓励行业结合，尤其在智能制造、机器人等领域，整合不同行业的技术和市场资源。同时，鼓励相关企业、研究机构和教育机构在特定区域聚集，以促进知识共享、人才流动和资源高效利用。通过政策引导和资源配置，集中力量攻克关键技术难题。

上海在大模型领域的发展正迅速推进，目前已成为国内在人工智能和大模型研发上的重镇。根据《上海市推动人工智能大模型创新发展若干措施》，上海将加快打造世界级人工智能产业集群，这些措施包括支持大模型的创新能力、提升创新要素供给能级、推进大模型的创新应用，以及营造一流的创新环境。

目前，徐汇区建立了全国首个以大模型、产业生态集聚发展为功能定位的产业生态空间。全国首批备案通过的8个大模型中，上海占三席，徐汇区集聚了全国近25%的大模型企业和项目，在全国大模型领域处于领先水平。