OpenAI再次舉起屠刀，以及幾個推論

出品 | 虎嗅科技組

作者 | 王一鵬

頭圖 | OpenAI 官網，by Sora

2月16日淩晨，在沒有任何預兆和消息透露的情況下，OpenAI 突然釋出了自己的首個文生視訊模型：Sora，大幅重新整理行業多個名額，重新定義了 AI 文生視訊在現階段的技術極限，颠覆了生成式 AI 在視訊領域的全球市場格局。

Sora 使用 Transformer 架構，建立在 DALL·E 3 和 GPT 模型之上，可以生成長達一分鐘的有運動、多機位視訊。相比業界水準，Sora 将視訊生成的時長一次性提升了 15 倍，直接邁過了市面上所有短視訊的時長要求。

同時，Sora 也帶有世界模型的特質。世界模型不是 AI 視訊生成的必須要素，卻是這個領域較為高端的一個研究方向。所謂世界模型，簡單點說，是要對真實的實體世界進行模組化，讓機器像人類一樣，對世界有一個全面而準确的認知。視訊與文字不同，大多數是在描繪一個主體，在一個真實或虛構的實體世界中的動作，是以，世界模型會讓 AI 視訊生成更流暢、更符合邏輯，降低視訊模型的訓練成本，提升訓練效率。同時，世界模型也為生成式 AI 真正進入自動駕駛行業鋪好了路。

此次，Sora 的世界模型，已經能幫助它還原一輛越野車在山區小路上的行駛情況，在視訊中添加逼近真實的傾斜和颠簸感。

圖檔來自 OpenAI 官網，為 Sora 生成的視訊，部分截取

但 Sora 的世界模型仍有非常多的問題，比如，一塊餅幹被咬過之後，卻沒有留下咬痕。OpenAI 非常實在，把這些問題都寫在了官網上。

目前，Sora 僅開放給了少部分人進行内測，據稱是一些視覺藝術家、設計師和電影制作人。同時，OpenAI 内部仍在進行模型倫理側的對抗性測試，比如錯誤資訊、仇恨内容、偏見内容，至于色情暴力，則會在文本輸入時，就被拒絕掉。

對于 Sora，今天的我們，必須注意到幾個顯而易見的推論：

• 1

  OpenAI 一拳打在了所有人的肝上：全球的 AI 視訊生成賽道投資邏輯，乃至相關企業的生存邏輯，在此刻都已經改變了。未來一個季度内，如果該企業的視訊生成能力，仍然停留在 4s，或導緻直接出局；

• 2

  AI 已經快速邁過文生文、Chatbot時期，大步進軍視訊生成領域：當下最火的短視訊、短劇，将迎接 AI 的到來；那些卡在瓶頸上的領域，比如自動駕駛、智慧城市，或将迎來突破。

• 3

  不要過度神話 Sora 或其他 AI 視訊生成工具，當下仍有巨量的技術、産品、商業問題等待解決；但也不要低估 AI 技術的進步速度，那個凝固在未來時光中、讓人看不清面貌的 AGI（通用人工智能），正在向我們邁步。

圖檔來自 OpenAI 官網，為 Sora 生成的視訊，部分截取

Sora 到底牛在哪？

就在年前，2024年 1 月 27 日，虎嗅舉辦了一場關于 AI 視訊生成的開放沙龍，會上有一個有趣的互動：AI 視訊生成多快迎來 Midjourney 時刻？

選項分别是半年内、一年内、1-2年或更長。

在現場，每個選項都各有擁趸，但 OpenAI 今日公布了準确答案：20 天。

AI 視訊生成真正的難點是在文生視訊，而非圖生視訊、視訊生視訊。各中奧妙在于，文生視訊，需要根據指令，從文字解碼出視訊的時空邏輯，同時保證在這一邏輯下，畫面中所有物體的運動、變化，符合要求，符合現實世界規律。而圖生視訊、視訊生視訊，皆有“照貓畫虎”的意味，是以反倒要簡單一些。這也是為什麼，市面上的 AI 視訊生成，始終停留在 2-4s 的時長範圍内——一旦超過了這個時長，視訊的可控性和品質都将大大下降。

很多視訊生成，更像是個固定人物配上動态背景，畫面很單調，幾乎沒什麼動作，這也是因為從文字到視訊，在時空邏輯推理層面的局限。同時，很多企業更關注所謂 AI 視訊生成的産品化、商業化，聚焦于推出一些基于模闆，快速用于營銷的視訊生成工具，在世界模型層面有所欠缺，一旦視訊時長增加，模型不能了解真實的實體運動和互相作用邏輯，變得十分無力。

OpenAI 的 Sora ，就是在文生視訊，增加視訊時長，建立世界模型，這幾大最主要的難點上，走出了突破性的一步。但這并不代表 Sora 沒有問題，可以以假亂真，當下最違和的問題在于憑空生成：三隻小狗在嬉鬧，憑空出現了第四隻小狗、第五隻小狗；一個人撿起一大塊塑膠片，憑空出現一把塑膠椅子。

另外一類主要問題，在于 Sora 的世界模型仍然不夠完善。比如一個男人倒着跑跑步機，且跑步動作并不連貫自然。或者一個籃球撞在籃筐上，發出符合實體規律的彈跳，然而下一秒就撞破了籃網，發生爆炸。一群考古學家，在沙漠裡挖出一個塑膠椅子，煞有介事的清理灰塵，而椅子本身則在詭異的漂浮和變形。

男人倒着跑跑步機，圖檔來自 OpenAI 官網，為 Sora 生成的視訊，部分截取

世界模型一直處于一個相當狹窄的研究領域，這概念研究難度大，目标太高，帶有相當的學術色彩，是以一度參與者寥寥。

值得一提的是，Meta 首席人工智能科學家、圖靈獎得主楊立昆（Yann LeCun）本人，盡管在 Meta 的生成式 AI 落後問題上，正承受着巨大的壓力，但其卻是世界模型構想的主要提出者。

楊立昆一向對生成式 AI 的幻覺和一系列反智行為嗤之以鼻，并認為 AI 隻有真正了解實體世界，才具備真正的價值，斷言 GPT 模型活不過五年。他在 2023 年 6 月基于自己的構想，推出了 I-JEPA 模型，用真實世界的背景知識，補充圖像缺失的片段，但這仍然是個技術研究層面的概念。

2023 年 12 月，AI 視訊生成的領頭羊之一 Runway，官宣下場通用世界模型，高調釋出系列招聘，宣稱要用生成式 AI 來模拟整個世界，以應對 Pika 的步步緊逼。

這是一個信号，或許在楊立昆看來，局面一度在向着好的方向發展：自己的研究方向得到認同，拖累 Meta 的謠言不攻自破。

可這快樂還沒持續三個月，啪，沒了。

Sora 革了誰的命？

Sora 釋出前，有很多煙霧彈式的訊息更新，比如：OpenAI 組建研究兒童安全的新團隊、OpenAI 正準備推出 GPT-4.5-turbo，但真正的“殺手級更新”被隐藏的很好，這也導緻像 Pika、Runway 一樣的明星創業公司，措手不及。何況 OpenAI 的聯合創始人 Andrej Karpathy 本來就是 Pika 的資方之一。

源碼資本副總裁李露霖在虎嗅主辦的沙龍上表示，短視訊是目前硬體基礎設施Mass Market滲透率最高的形态。

有資料透露，目前國内短視訊使用者的規模在10億以上，有資料稱抖音2022年年收入700億美金以上，快手也在900億人民币以上。不過面對這樣一個市場，在 Sora 釋出前，所有的視訊生成工具，均沒有達到可付諸商業或工業化生産的水準。

有專家對虎嗅表示，大廠目前對于AI視訊生成的态度相當模棱兩可。根本問題在于，現在的人工視訊生成效果更好，且成本也能接受，AI 視訊生成，在此前沒有大家想象的那麼颠覆，是以整體政策偏向“防禦”，而非“進攻”。

這一切，既麻痹了像 Pika、Runway 一樣的創業公司，讓他們以為機會已至、前景夠好；也讓這些公司及其投資人，低估了視訊生成賽道的競争烈度，以為視窗期仍然足夠長。

所有的 AI 視訊生成公司，在這種麻痹裡，都陷入了同質化競争：過多關注更高畫質、更高成功率、更低成本，而非更大時長以及世界模型。

Pika、Runway、Meta，大體都是如此，在時長不超過 4s 的範圍内，可以做到畫質極度精美，但物體本身的運動幅度極低，且會變形。

國内的位元組跳動，反倒是其中的另類。在視訊領域，位元組的嗅覺更加敏銳。2023 年 11 月，位元組跳動釋出 PixelDance，通過上一個視訊片段尾幀，為下一個視訊片段頭幀提供指導的思路，在視訊時長上有所突破，但截止到發稿時間，仍然沒有開放使用者測試。

PixelDance 官網視訊案例

接下來在資本市場的影響，很可能是隐性的。Pika 創始團隊曾被打上“學霸”、“完美”等标簽，并在 2023 年 11 月底完成 5500 萬美元融資，可下一輪的資本将在怎樣的時間點，以什麼樣的數額進入？Runway 2023 年 5 月完成 1.41 億美元融資，但主攻世界模型的團隊還在組建中，下一步融資的節奏也存疑。

如果說 Pika、Runway 身上還有布局價值，那麼對于國内 AI 出海的企業而言，形式将變得更加艱難。換句話說，從移動時代遷移至今的、基于場景和産品能力，快速上線一個插件的商業模式，正在海外 AI 市場失效——

因為像 OpenAI 這樣的企業，正屹立在市場上。他們幾乎重制了當年 Oracle 市場上司力，一步快，步步快，降維打擊所有競争者。對于所有做模式、趕風口的機會主義創始人而言，巨頭若要殺死你，恐怕也隻會發生在一夜之間。