“Sora是世界建模的第一步”
“Sora最快今年內開放公測。”
在一場訪談中，OpenAI CTO Mira Murati親自透露了這一消息。
短短10分鐘里，Sora技術細節、進展、規劃等當下最熱議的問題，都有了更進一步解答：
- 生成20秒的720P視頻只需幾分鐘
- 計算資源遠超ChatGPT和DALL·E
- 目前正在進行正在進行紅隊測試
- 未來版本有望支持視頻聲效
而且還向外界傳遞了一層重要信息：
加上前幾天，Sora的三名研發主管——Tim Brooks、William Peebles和Aditya Ramesh，也參與了一場16分鐘的播客訪談。
綜合兩場對話，關于Sora背后的秘密，也有了更多蛛絲馬跡可以探尋。
Sora背后還有多少秘密？
關于Sora，人們最關心也最期待的，可能就是什么時候才能上手體驗了。
對此，Mira表示Sora正在進行紅隊測試，以確保工具的安全性，并且不會產生偏見或其他有害問題。
對于具體的時間，Mira也立下了flag——今年年內讓Sora與廣大用戶正式見面。
此外，兩場對話中談到的其他話題，可以分為技術細節、項目規劃和未來展望三個部分。
揭開更多技術細節
技術方面，三人團隊表示，Sora更像是介于Dall·E這類擴散模型和GPT之間。
訓練數據是不方便說滴（doge），大致就是公開數據和OpenAI已獲授權的數據。
不過他們專門cue了一個點：通常圖像、視頻模型都是在一個固定尺寸上進行訓練，而Sora使用了不同時長、比例和清晰度的視頻。
具體方法之前的技術報告已經有了說明，就是用“Patches”來統一不同的視覺數據表現形式。
然后可以根據輸入視頻的大小，訓練模型認識不同數量的小塊。通過這種方式，模型能夠更加靈活學習各種數據，同時也能生成不同分辨率和尺寸的內容。
性能方面，Mira和三人組的說法則略有不同：
三人組透露，有一次給Sora布置好任務后，出去買了杯咖啡，結果回來之后視頻還沒做好。
而Mira這邊的回答則是，Sora生成720P分辨率、長達20秒的視頻內容，只需要幾分鐘就能完成。
當然，具體消耗的時間，還要取決于任務復雜程度等多種因素，不能簡單一概而論。
不過Mira這邊表示，在正式發布之前將繼續努力優化算法，以降低所需的算力。
這些問題還需解決
而針對Sora存在的不足，他們的回答也很坦誠，表示其還存在無法完美處理手部的生成，渲染復雜的物理過程也存在一定難度等一系列問題。
除了這些bug型的缺陷之外，Sora不能給視頻添加聲音也算一個美中不足之處，對此三人組給出了這樣的回應：
而Mira對此的回答則更像是給人們吃了一顆定心丸——未來版本有望支持視頻聲效，增強用戶體驗。
而除了這些產品本身的問題之外，為Sora生成的視頻加入溯源信息，以防出現造假，也是OpenAI當下的一項重要任務。
同時，負責人和Mira都表示，團隊始終在收集來自各界的用戶反饋，三人組還舉例說有用戶希望能加入提示詞以外，更精細、直接的控制方式，團隊將此作為了重點考慮的一個方向。
Sora，未來可期
最后，針對Sora的未來，負責人給出了很高的預期，并表示其將不僅僅在視頻創作方面發揮作用。
因此，負責人對Sora及未來可能在其基礎上開發的其他AI模型充滿了期待——通過學習視覺信息的方式理解這個世界，在未來能夠更好地幫助人類。
對此有網友表示，這的確是個好消息，Sora的意義不僅在于其本身，而且還會對其他AI產生影響。
另一邊，已經有人在期待Runway等前任王者對此的反應了。
不過，雖然團隊自己說Sora在未來能夠理解人類世界，但它到底能不能真的算世界模型，還存在不小的爭議。
Sora是世界模型嗎？
針對這個問題，正反雙方各執一詞，支持者的主要理由，是認為從Sora生成的視頻中能看出其對物理世界的理解。
而反方則不認同Sora是世界模型，代表人物是圖靈獎得主、Meta首席AI科學家LeCun。
近期，LeCun點贊了一篇澳大利亞學者的萬字長文，文章的核心觀點就是認為Sora不是世界模型。
其中最核心的原因，是Sora并沒有物理引擎來運行前向時間模擬，而且訓練過程是端到端完成的，數據中并沒有物理規律信息。
即便是拋開訓練和生成過程，單從表現上看，Sora的輸出也出現了違反重力、碰撞動力學等物理規律的情況。
△Sora生成的“反重力玻璃杯”
所以，作者認為，將Sora稱為世界模型是缺少充分依據的。
而人們比較關心的另一個問題，是Sora的訓練過程，是否使用了虛幻引擎（Unreal Engine）5。
不過作者也沒有給出確切結論，只表示這只是猜測，目前并沒有確切的證據表明Sora確實使用了UE5進行訓練。
而要想進一步揭開這些問題，或許要OpenAI再次自己出來公布，或者直接開源了。
One More Thing
雖然兩場訪談的確透露出了不少干貨，但針對人們同樣廣為關心的訓練數據來源問題，無論是三人團隊還是Mira，說法都十分模糊——
Sora的訓練過程中使用的是公開可用和已獲得授權的數據源。
但對于YouTube、Instagram和Facebook上的視頻是否被用作訓練數據，Mira則是顧左右而言他：
不過，這個說法的可信度先放下不談，即便真的如Mira所說，也有網友并不認賬：
參考鏈接：
[1]https://www.youtube.com/watch?v=Srh1lut4Q2A（第53分鐘開始）
[2]https://www.youtube.com/watch?v=mAUpxN-EIgU
[3]https://artificialcognition.net/posts/video-generation-world-simulators/
本文鏈接：Sora三巨頭首次解密幕后信息，CTO：最快年內開放http://m.sq15.cn/show-2-4230-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。