Sora三巨头首次解密幕后信息，CTO：最快年内开放

十三 2024-03-24 12:59:14 来源：量子位

明敏 克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

“Sora最快今年内开放公测。”

在一场访谈中，OpenAI CTO Mira Murati亲自透露了这一消息。

短短10分钟里，Sora技术细节、进展、规划等当下最热议的问题，都有了更进一步解答：

• 生成20秒的720P视频只需几分钟
• 计算资源远超ChatGPT和DALL·E
• 目前正在进行正在进行红队测试
• 未来版本有望支持视频声效

而且还向外界传递了一层重要信息：

OpenAI在考虑发布这项技术时，抱有非常谨慎的态度。

“我们希望电影界人士和世界各地的创作者都能参与进来，与我们共同探索如何进一步推动这些行业发展。”

加上前几天，Sora的三名研发主管——Tim Brooks、William Peebles和Aditya Ramesh，也参与了一场16分钟的播客访谈。

综合两场对话，关于Sora背后的秘密，也有了更多蛛丝马迹可以探寻。

Sora背后还有多少秘密？

关于Sora，人们最关心也最期待的，可能就是什么时候才能上手体验了。

对此，Mira表示Sora正在进行红队测试，以确保工具的安全性，并且不会产生偏见或其他有害问题。

对于具体的时间，Mira也立下了flag——今年年内让Sora与广大用户正式见面。

此外，两场对话中谈到的其他话题，可以分为技术细节、项目规划和未来展望三个部分。

揭开更多技术细节

技术方面，三人团队表示，Sora更像是介于Dall·E这类扩散模型和GPT之间。

训练方式类似于Dall·E，但架构上更像GPT系列。

训练数据是不方便说滴（doge），大致就是公开数据和OpenAI已获授权的数据。

不过他们专门cue了一个点：通常图像、视频模型都是在一个固定尺寸上进行训练，而Sora使用了不同时长、比例和清晰度的视频。

具体方法之前的技术报告已经有了说明，就是用“Patches”来统一不同的视觉数据表现形式。

然后可以根据输入视频的大小，训练模型认识不同数量的小块。通过这种方式，模型能够更加灵活学习各种数据，同时也能生成不同分辨率和尺寸的内容。

性能方面，Mira和三人组的说法则略有不同：

三人组透露，有一次给Sora布置好任务后，出去买了杯咖啡，结果回来之后视频还没做好。

而Mira这边的回答则是，Sora生成720P分辨率、长达20秒的视频内容，只需要几分钟就能完成。

当然，具体消耗的时间，还要取决于任务复杂程度等多种因素，不能简单一概而论。

不过Mira这边表示，在正式发布之前将继续努力优化算法，以降低所需的算力。

这些问题还需解决

而针对Sora存在的不足，他们的回答也很坦诚，表示其还存在无法完美处理手部的生成，渲染复杂的物理过程也存在一定难度等一系列问题。

除了这些bug型的缺陷之外，Sora不能给视频添加声音也算一个美中不足之处，对此三人组给出了这样的回应：

很难确定什么时候能有这样的功能，但这并非一个技术问题，而是目前有优先级更高的问题需要解决。
目前，Sora还是更关注视频本身的生成，研究重点是提高视频的画质和帧率。
所以，能够加入声音当然是更好的，但现在的当务之急，还是要把视频能力先搞上来。

而Mira对此的回答则更像是给人们吃了一颗定心丸——未来版本有望支持视频声效，增强用户体验。

而除了这些产品本身的问题之外，为Sora生成的视频加入溯源信息，以防出现造假，也是OpenAI当下的一项重要任务。

同时，负责人和Mira都表示，团队始终在收集来自各界的用户反馈，三人组还举例说有用户希望能加入提示词以外，更精细、直接的控制方式，团队将此作为了重点考虑的一个方向。

Sora，未来可期

最后，针对Sora的未来，负责人给出了很高的预期，并表示其将不仅仅在视频创作方面发挥作用。

我们的世界充满了视觉信息，其中有很多无法仅通过文本来传达。
所以，虽然像GPT这样的语言模型已经对世界有了深刻的理解，但如果它们无法像人类一样“看”到视觉的世界，对世界的认识就会有所缺失。

因此，负责人对Sora及未来可能在其基础上开发的其他AI模型充满了期待——通过学习视觉信息的方式理解这个世界，在未来能够更好地帮助人类。

对此有网友表示，这的确是个好消息，Sora的意义不仅在于其本身，而且还会对其他AI产生影响。

另一边，已经有人在期待Runway等前任王者对此的反应了。

不过，虽然团队自己说Sora在未来能够理解人类世界，但它到底能不能真的算世界模型，还存在不小的争议。

Sora是世界模型吗？

针对这个问题，正反双方各执一词，支持者的主要理由，是认为从Sora生成的视频中能看出其对物理世界的理解。

而反方则不认同Sora是世界模型，代表人物是图灵奖得主、Meta首席AI科学家LeCun。

近期，LeCun点赞了一篇澳大利亚学者的万字长文，文章的核心观点就是认为Sora不是世界模型。

其中最核心的原因，是Sora并没有物理引擎来运行前向时间模拟，而且训练过程是端到端完成的，数据中并没有物理规律信息。

即便是抛开训练和生成过程，单从表现上看，Sora的输出也出现了违反重力、碰撞动力学等物理规律的情况。

△Sora生成的“反重力玻璃杯”

所以，作者认为，将Sora称为世界模型是缺少充分依据的。

而人们比较关心的另一个问题，是Sora的训练过程，是否使用了虚幻引擎（Unreal Engine）5。

不过作者也没有给出确切结论，只表示这只是猜测，目前并没有确切的证据表明Sora确实使用了UE5进行训练。

而要想进一步揭开这些问题，或许要OpenAI再次自己出来公布，或者直接开源了。

One More Thing

虽然两场访谈的确透露出了不少干货，但针对人们同样广为关心的训练数据来源问题，无论是三人团队还是Mira，说法都十分模糊——

Sora的训练过程中使用的是公开可用和已获得授权的数据源。

但对于YouTube、Instagram和Facebook上的视频是否被用作训练数据，Mira则是顾左右而言他：

我不知道，但如果这些数据是公开可用的，他们也许是（训练）数据（的一部分）……我不确定

不过，这个说法的可信度先放下不谈，即便真的如Mira所说，也有网友并不认账：

OpenAI好像觉得，只要是公开的数据就可以随便用，呵呵

参考链接：
[1]https://www.youtube.com/watch?v=Srh1lut4Q2A（第53分钟开始）
[2]https://www.youtube.com/watch?v=mAUpxN-EIgU
[3]https://artificialcognition.net/posts/video-generation-world-simulators/