AGI的曙光初现？GPT5?王炸级AI视频技术Sora技术解析和展望

先说结论：

• sora是openAI技术力秀肌肉的一个环节；

• 电影和动画行业彻底颠覆。

• 连带的内容产业也会颠覆。

• 视频击破了很多领域的防火墙。

欢迎关注我们的视频号：

这里面的一些基础逻辑是，之前手工业生产的视频现在进入AI工业化时代。

和去年的GPT4和图片一样，后面SORA或者同规模的AIGC能力，会好像GPT4一样赢得超强的颠覆力；同时，剥夺相当一部分人的就业机会。

首先颠覆的大概率就是电影工业的干活了。在传统的特效花费面前，哪怕SORA定价比GPT4贵上1000倍那都是小case。

而和目前的所有AI视频对手比，其实也没啥好比的。要知道，PIKA、SVD、RUNWAY三家，都最多只能在1280*720这个规格跑4-5秒；而且动作幅度不大，人物和场景的一致性也都无法长时间坚持。

上面这图，很贴切。根本都谈不上对手，SORA领先不止一个代际。

可以讲，在通往AGI之路上，openAI现在处于寂寞冲刺的状态。谷歌和META还在追赶，但它们得拿出真正追得上的证据。而这几天才隐隐约约说gemini要追上来的GPT4，其实已经发布将近1年了。

用上面这段视频来描述我们对SORA的前景评价，挺贴切。

而更值得看的，是OPENAI对SORA的技术报告。

在这段报告的开头，openAI明确表示了，视频生成模型作为世界模拟器。

目前，SORA其实还很神秘。能比较详细的了解它的，其实就是这份技术报告。

首先，是关于提示词的处理，这里借用一下agent的概念，基本上，对视频的提示词是需要拓展的，在传统的AI视频里面，我们是通过每多少帧写一段提示词的方式来实现分段提示。

但是，SORA把这个活内置在模型里面了，我们看到的提示词，都被它自己自动改写优化了，我们无需关注更多细节。

这里面，一个是数据的处理，把一段数据打包成patch；另一个是训练集的选择，传统是做法是把视频切割成256*256或者512*512然后打标，这样比较方便训练；但在SORA这个层面，openAI直接就把1920*1080级别的素材拿来训练了。

能这样干，很有点力大砖飞的意思。

其实，这种做法并不陌生，还记得GPT4传闻的MOE架构和万亿级别参数规模么？

利用超大规模的算力资源优势，再叠加算法上的经验和优势，openAI得以做一些很多人想都不敢想的超大规模训练。

加上本来就理解能力超强的GPT4，SORA很可能并不是单纯的AIGC模型。

SORA的图生视频：在一个华丽的历史大厅里，一个巨大的潮汐达到顶峰并开始崩溃。两名冲浪者抓住时机，熟练地驾驭海浪。

这个图生视频其实并不容易，因为参考图里面的两个冲浪者比例非常小，如果SORA无法识别参考图里面的冲浪者，就无法进行后续。

所以，它可能证明了sora同时具备很好的图片识别能力。

另外，在技术报告中也一笔带过提到了SORA可以模拟数字世界比如游戏。

这验证了一个猜想，也就是sora一部分的训练数据是直接通过游戏来获得的。

而基于以上图像识别能力和仿真能力的判断基础，我们对SORA的猜想是，有鉴于它的训练和提示词生成都和大模型密不可分，因此：

它很可能就是GPT5的一部分！也很可能被作为关键部分加入GPT5。

谁说大模型一定要用文本回答你？视频也可以是它的反应！

在openAI的报告最后，他们展露了愿景和野心：

我们相信，Sora今天所拥有的能力表明，视频模型的持续扩展是一条有前途的道路，可以开发物理和数字世界以及生活在其中的物体、动物和人的模拟器。

而一个完整体的模拟器是什么概念？是AI在自己的内部通过模拟的方式重建并推理，这对人类的决策又会带来什么呢?

举个例子，我们现在看到大量的汽车出厂要做碰撞实验，那么在具备AGI能力的AI里面，通过模拟仿真，是不是能大规模减少碰撞测试的成本？

又或者，这种模拟能够拓展到更多的领域？

20年前我读大学的时候，曾经机缘巧合的参与了暨南大学经济学实验室的设立，当时引入的实验经济学，就是想用实验的方式去验证经济学理论，当然，那时候无论硬件还是方法论，都还非常的具有局限性；如今，如果GPT5或者哪家实现的AGI，真的能在将来对经济决策、社会改革等领域做超大规模的仿真呢？

综合来看，sora的发布，很奥特曼。之前就传出他在谈7万亿级别的GPU，还有数千亿美刀级别的融资。sora的发布，无非就是秀一秀技术肌肉，告诉大家，我行，选我。

也正因为SORA，我们可以看到，领跑者优势加速，差距拉大这回事是真实存在的；国内的大模型也好、AIGC也好，还是得实事求是一点，不要上来就赶上GPT4；你刷的是哪几个题库，咱也是一清二楚的。