陳沛/文 雖然OpenAI展示Sora的視頻生成效果吸引了大量關(guān)注，但隨著近期業(yè)界開(kāi)展測(cè)試和深入分析，實(shí)際效果似乎并未達(dá)到預(yù)期。

測(cè)試發(fā)現(xiàn)的一個(gè)主要問(wèn)題是生成的視頻難以在幾十秒之后繼續(xù)保持內(nèi)容一致性，會(huì)在運(yùn)動(dòng)動(dòng)作、物體數(shù)量等方面出現(xiàn)明顯的錯(cuò)誤。這個(gè)問(wèn)題我在之前專欄內(nèi)容中也提到過(guò)，屬于目前視頻生成模型的常見(jiàn)問(wèn)題。

另一個(gè)問(wèn)題是生成視頻的等待時(shí)長(zhǎng)。盡管官方?jīng)]有正式說(shuō)明，但根據(jù)一些人向Sora模型作者打聽(tīng)到的情況，等待視頻生成時(shí)可以去“吃一些零食”然后回來(lái)繼續(xù)等。而從我之前看過(guò)該作者2022年首發(fā)DiT模型架構(gòu)論文中的模型規(guī)模來(lái)看，也能在一定程度上驗(yàn)證該模型架構(gòu)的生成等待時(shí)間約需要幾十分鐘。

考慮到這些測(cè)試和分析信息，可以預(yù)想Sora模型應(yīng)該不會(huì)很快向公眾提供服務(wù)。因?yàn)樵趯?shí)際使用中，用戶通常需要多次輸入文本，反復(fù)調(diào)整輸出內(nèi)容已達(dá)到自己想要的效果。

甚至還有陰謀論者指出，OpenAI這次發(fā)布Sora視頻生成效果的日期，與Google更新Gemini 1.5模型、Meta發(fā)布J-VEPA模型的日期完全重合，因此大膽猜測(cè)OpenAI選擇急忙公布還在測(cè)試中的Sora，是為了搶其它AI巨頭的風(fēng)頭。

回想2022年，OpenAI也是知道了其它競(jìng)爭(zhēng)對(duì)手在開(kāi)發(fā)AI聊天助手，因此在GPT-3.5的基礎(chǔ)上快速開(kāi)發(fā)并推出了ChatGPT聊天助手服務(wù)，結(jié)果引發(fā)了越來(lái)越多的關(guān)注，形成了先發(fā)的競(jìng)爭(zhēng)優(yōu)勢(shì)。

就像當(dāng)年ChatGPT的出現(xiàn)表明AI對(duì)于自然語(yǔ)言的學(xué)習(xí)掌握能力，Sora的出現(xiàn)所蘊(yùn)含的深遠(yuǎn)變革意義絕不僅僅是生成視頻，而是AI將會(huì)加速提升對(duì)視頻信息的學(xué)習(xí)掌握能力。

AI視頻模型通過(guò)學(xué)習(xí)、理解、生成大量視頻數(shù)據(jù)中包含的視覺(jué)和空間信息，例如形狀、顏色、光照效果、相對(duì)位置、運(yùn)動(dòng)規(guī)律等，將讓AI有可能理解現(xiàn)實(shí)世界的復(fù)雜性，從而在機(jī)器人、自動(dòng)駕駛汽車、科學(xué)研究等領(lǐng)域發(fā)揮更多作用。

這將進(jìn)一步推動(dòng)AI向人類學(xué)習(xí)的本質(zhì)回歸。因?yàn)槲覀兠總€(gè)人首先對(duì)世界知識(shí)的直觀學(xué)習(xí)并非從文本開(kāi)始，而是從觀察和理解開(kāi)始。

盡管現(xiàn)在視頻模型在自回歸模型和擴(kuò)散模型上還面臨實(shí)際問(wèn)題和現(xiàn)實(shí)挑戰(zhàn)，但是這個(gè)方向的發(fā)展希望已經(jīng)再次燃起。我們甚至可以設(shè)想在接下來(lái)的AI系統(tǒng)中，視頻數(shù)據(jù)將可以作為統(tǒng)一的信息交互接口，從而讓AI系統(tǒng)承擔(dān)更多的智能規(guī)劃、分析和執(zhí)行動(dòng)作，開(kāi)啟AI應(yīng)用的全新篇章。