Sora火了，通用人工智能要來了？ 只需一段提示文本，就能生成60秒連貫性視頻

◎本報記者 崔 爽

2024年開年，Sora的橫空出世，給AI界投下一枚重磅炸彈。

這個由美國人工智能公司OpenAI發(fā)布的文生視頻模型，只需要一段提示文本，就能生成具有多個角色和特定動作類型，且主題和背景基本準確的高清視頻。相較于Runway Gen 2、Pika等AI視頻生成應用幾秒鐘連貫性的視頻產(chǎn)出，Sora可生成長達60秒的連續(xù)、穩(wěn)定、高品質(zhì)視頻，且提示文本越充分、細節(jié)越精確，生成的視頻越真實。

不過，出于可能被濫用的擔憂，OpenAI表示目前并沒有公開發(fā)布Sora的計劃。模型有限的訪問權限只被授予小部分研究人員和創(chuàng)意人士等群體，以便OpenAI獲取他們的使用反饋。

目前，官網(wǎng)上已更新了48個Sora生成的演示視頻。這些視頻清晰且真實的細節(jié)和超高的精度不禁引發(fā)人們思考：這是否意味著具備人類同等智能或超越人類智能的通用人工智能(AGI)的到來？

對研究AGI意義重大

Sora問世后，360集團創(chuàng)始人周鴻祎發(fā)表了看法：Sora的出現(xiàn)讓AGI到來的時間提前了。原來估計需要十來年，現(xiàn)在可能只要兩三年。他認為，Sora雖然看起來只是個文生視頻工具，但實際上是AI認知世界并與之進行交互的里程碑，會給整個產(chǎn)業(yè)帶來巨大進步。

“實現(xiàn)AGI的技術路線多樣，涉及不同的研究方法和應用方向?！敝袊茖W院自動化研究所副總工程師、紫東太初大模型中心常務副主任王金橋向科技日報記者介紹，目前，學術界和工業(yè)界廣泛討論的AGI技術路線主要有三條。一是信息智能，即“大數(shù)據(jù)+自監(jiān)督學習+大算力”。這種方法依賴大量數(shù)據(jù)，通過自監(jiān)督學習算法來訓練模型，同時需要巨大的計算能力來處理復雜任務。二是博弈智能。這種技術路線強調(diào)在人機交互中通過強化學習的方式訓練智能體，使其能進行自主學習和決策。三是類腦智能。這種方法試圖通過模仿人腦的運行方式實現(xiàn)AGI。

在王金橋看來，根據(jù)官網(wǎng)的演示視頻，Sora至少在畫質(zhì)、長視頻生成、多鏡頭一致性、學習世界規(guī)律、多模態(tài)融合等方面實現(xiàn)突破。

“Sora能引發(fā)如此轟動，并不只是因為它生成的視頻時間更長、清晰度更高，而是因為它能在一定程度上模擬物理世界中的物體運動和交互?！蓖踅饦蛘f，“這種能力對于AGI的研究具有重要意義，因為它涉及機器對現(xiàn)實世界的深入理解和高度模擬，而這些是實現(xiàn)AGI的核心挑戰(zhàn)?！?/p>

記者了解到，為了準確模擬物理世界，Sora被投喂了極大規(guī)模的訓練數(shù)據(jù)，并使用了擴散模型等先進的算法?！皩τ贏GI而言，Sora讓大家看到，規(guī)模效應不只在文字模態(tài)上成立，在視頻模態(tài)上也成立。”北京月之暗面科技有限公司(Moonshot AI)聯(lián)合創(chuàng)始人周昕宇認為，“通過擴展視頻生成模型可以建立通用物理世界模擬器。這是實現(xiàn)AGI的必要過程?！?/p>

距真正實現(xiàn)AGI仍有距離

雖然進步顯著、令人驚艷，但Sora仍然存在一些技術缺陷。

從目前Sora生成的視頻來看，它在處理某些細節(jié)時可能會出錯，例如混淆物體的左右方向。同時，它也無法完全理解復雜的因果關系，或在長時間跨度內(nèi)保持故事線的高度一致連貫。這些技術缺陷導致生成的視頻內(nèi)容可能出現(xiàn)與邏輯錯誤，或與常識、真實情形不符的情況。

“Sora模擬真實物理世界的方式，是通過對給定的文字、圖像、參考視頻進行建模，然后預測想要生成的視頻數(shù)據(jù)的條件概率分布。這與語言模型的原理沒有本質(zhì)區(qū)別，同樣是在做無損壓縮?！敝荜坑钫f，“只要壓縮得足夠好，就可以模擬出足夠真實的物理世界?！?/p>

王金橋強調(diào)，盡管Sora能夠通過學習了解表層的運動和交互關系，但是還沒有學習到物理規(guī)律的本質(zhì)。比如，它不知道多大的風能吹滅蠟燭，不了解玻璃掉到地上會碎、掉到地毯上不會碎的本質(zhì)原因。這也是Sora目前最為人詬病之處。

“從Sora為數(shù)不多的公開資料來看，它仍是數(shù)據(jù)驅(qū)動下的擬合，也就是模擬人類所能看到的物理世界。但真實的物理世界遠不僅包含人類視覺信息。”北京中關村科金技術有限公司技術副總裁張杰認為，Sora的創(chuàng)意來自大數(shù)據(jù)量下的概率擬合，它并沒有產(chǎn)生新知識，距離“深度模擬真實物理世界”這一目標還有很長的路要走。

中國社會科學院哲學研究所科技哲學研究室主任、研究員段偉文同樣表達了審慎的觀點?！癝ora這種近乎人類的表達實際上是一種基于現(xiàn)有數(shù)據(jù)和語料的合成智能?！彼f，“它給實現(xiàn)AGI找到了一種可行的路徑，但距真正的AGI還有很長的距離，且對實現(xiàn)AGI的價值相對有限?！?/p>

事實上，實現(xiàn)AGI這一目標可謂道阻且長。王金橋談到了幾大挑戰(zhàn)。首先是數(shù)據(jù)瓶頸。盡管像GPT-4這樣的預訓練語言模型在數(shù)據(jù)標注上取得了進展，但數(shù)據(jù)依然是深度學習中的一個關鍵限制因素；其次是泛化瓶頸。目前的AI系統(tǒng)往往在特定任務上表現(xiàn)出色，但在面對新任務時難以有效適應；最后是能耗瓶頸。隨著AI模型變得越來越復雜，所需的計算資源和能源消耗也越來越大。這對硬件設備提出了更高要求。

或?qū)⒙氏嚷涞貍髅筋I域

Sora的發(fā)布不僅推動了技術的發(fā)展，也引發(fā)了對AI治理和倫理的探討。

段偉文提到，OpenAI采取了相關手段來阻止不當視頻的發(fā)布。王金橋進一步解釋道， Sora內(nèi)置的文本提示過濾器可篩選發(fā)送給模型的所有提示，阻止對暴力、色情內(nèi)容、仇恨言論以及名人肖像等敏感或不適當內(nèi)容的請求。視頻內(nèi)容過濾器能檢查生成的視頻幀，屏蔽違反OpenAI安全政策的內(nèi)容。

另外，OpenAI團隊可能會定期對Sora進行優(yōu)化和更新，以改進其過濾機制，確保模型能夠更好地識別和處理敏感內(nèi)容。同時，團隊可能會監(jiān)控系統(tǒng)的使用情況，以便及時發(fā)現(xiàn)并解決新出現(xiàn)的問題。

“從技術上看，Sora避免極端暴力、色情、名人肖像等內(nèi)容出現(xiàn)的方式，主要依靠的是模型的對齊能力?！敝荜坑钫f，“這一點和語言模型的區(qū)別不大，也已經(jīng)有比較多的實踐經(jīng)驗?！?/p>

據(jù)國際數(shù)據(jù)公司預測，Sora將率先在短視頻、廣告、互動娛樂、影視制作和媒體等傳媒領域得到應用。Sora的諸多能力，可以輔助這些領域的工作者更高效地進行視頻創(chuàng)作，加快生產(chǎn)速度，提高產(chǎn)出數(shù)量。這將助力相關行業(yè)降低成本、提升效率，進一步優(yōu)化用戶體驗。