Sora带来的“小震撼”，会让现实不复存在吗？

一名身着时尚黑皮衣、内搭亮丽红裙的女子，戴着黑色墨镜、手拿黑色链条包行走在雨后夜晚的东京街头，地面的积水映出她的身影和绚丽的霓虹灯。短短60秒的视频刷爆朋友圈，这不是某位时尚博主的走红，而是AI再次带给人类的“小震撼”。

北京时间2月16日凌晨，OpenAI发布文生视频大模型Sora，该视频便来源于此。只需要输入一段文本，Sora便根据文本提示创建出这段具有主体细节并动作连贯，能够“以假乱真”的街头视频。尽管目前Sora处于安全测试阶段，仅向有限的创作者开放，但仍在国内科技圈掀起巨浪。

实际上，此次Sora问世并不涉及新技术，采用的技术模型非独家，为何却让不少人发出“现实将被取代”的担忧与惊叹？人工智能升级再度引发人类对失业潮的恐惧，现实果真如此吗？更好的机器究竟会帮助人类制造出更胜一筹的机器助推生产力，还是使人类陷入自己制造的困境中挣扎求生，这是每一次新技术出现的必问题，答案一直在路上。

没有新技术，Sora为何惊艳世界？

Sora扩大了视频模型的使用群体，它不再是一项专业技术，而与短视频一般，可能成为人人皆可触及的应用。

Sora官网显示，Sora生成的视频有以下特征，即可生成1分钟的长视频；可以在单个生成的视频中创建多个镜头；能够生成具有多个角色、特定类型的运动，同时呈现主题和背景的准确细节；不仅了解用户在提示中要求的内容，还了解这些东西在物理世界中的存在方式，也就是不会出现违反世界客观规律的视觉信息。

AI生成视频的技术路线主要经历了四个阶段，即循环网络、生成对抗网络、自回归Transformer和扩散模型，这些都贯穿OpenAI早年的技术探索中。此次震惊四座的Sora并未采取新技术，而是沿用了过去的技术积累，它采用的便是“扩散+Transformer”的视频生成大模型技术路线。

扩散模型以文本为输入条件，在不同持续时间、分辨率和纵横比的视频和图像上进行联合训练。同时，引入了一种Transformer架构，对视频的时空序列包和图像潜在编码进行操作。这一点与GPT模型类似，可以释放出卓越的扩展性能。

简单来讲，虽然Sora是一个视频模型，但其训练方式与ChatGPT这类语言模型相似。不同之处在于，Sora使用的训练数据是视频和图片，而语言模型则是文本数据。

从训练过程看，首先需要对视觉数据（即视频和图片）进行压缩，然后将简化后的视频分解成许多小块（称为视觉补丁），每个小块包含视频的一小部分画面和时间，就像是将一段故事分成一幕幕小片段一样。这样可以使Sora能够在不同分辨率、持续时间和纵横比的视频和图像上进行训练，有助于电脑更容易学习和理解视频中的信息。

训练视频模型需要大量且带有相应字幕的视频，因此OpenAI将文生图模型DALL·E3的重新标注技术引入到了Sora。首先训练一个能生成高度描述性文本的模型，然后用它为训练集中的所有视频生成文本描述，类似于给视频配上一本详细的说明书。

与DALL·E3类似，OpenAI也利用GPT将用户的简短提示转化为更长、更详细的说明，然后这些说明会被送到视频模型中。这样Sora能够更精准地还原用户的文本提示，生成高质量的长视频。

通过创新性地将ChatGPT、DALL·E3等模型融合在一起，Sora向外界展现了三个核心功能，即视频生成、视频合成及图片生成。这些功能的背后是Sora对现实物理世界的理解和模拟，OpenAI坦言：“我们相信这一能力将是实现AGI（人工通用智能）的重要里程碑。”

DCCI互联网研究院院长刘兴亮向《商学院》记者表示，Sora惊艳之处有三点，其一，此前的视频模型复杂，只有专业人员才能生成质量比较高的视频，但Sora降低了使用门槛，一段文字或一张图片就能生成视频；其二，过往的视频生成工具多是针对现有视频的再创作，而Sora则是基于理解现实世界的全新创作；其三，它生成的视频细节精准、动作流畅，呈现效果更佳。

这意味着，Sora扩大了视频模型的使用群体，它不再是一项专业技术，而与短视频一般，可能成为人人皆可触及的应用。更重要的是，它拥有AGI世界建模的巨大潜力，通过了解世界运行的底层物理规律，学会预测下一个时刻的变化，不少人类发出“颠覆现实”的感叹正因如此。

畅想未来：AI或成基础设施，重塑城市

Sora展现出的涌现能力可能为计算机视觉领域研究提供方向，成为未来视频与模拟领域（例如自动驾驶）的统一范式。

Sora带来的1分钟震撼，或许会改变多个领域的生产方式。360公司创始人周鸿祎更是感叹，“Sora意味着AGI实现将从10年缩短到两三年”。

既然是视频模型，Sora首先会影响到的便是与之相关的行业，当下短视频、微短剧等火热赛道会迎来AI挑战。以往需要大量场景搭建和人力完成的摄制工作，AI用一句话或许就可以搞定。

北京华夏工联网智能技术研究院院长王喜文向《商学院》表示，该技术能帮助电影制作人创建场景和情节，为电影制作提供更加真实和自然的角色表现，以及更逼真的视觉效果；能助力广告制作人更好地理解目标受众的需求和喜好，以提供更加个性化的广告体验；游戏开发者也可以借此创建真实和自然的游戏场景和角色表现，提供更加沉浸式的游戏体验，并通过更好地理解游戏玩家的需求和反馈，以优化游戏设计。

在技术协同的发展下，Sora与AR、VR结合，在脑机交互、元宇宙等领域蕴藏着无限可能。至于这种影响是否真的是颠覆性、打败现实的存在，还取决于许多因素，包括技术本身的成熟度、应用场景的限制、人类的创造力和想象力等，仍待观察，但它带来的畅想不只是视频本身，还有整个城市。

交通如同城市的血液，是城市流动的标志。Sora展现出的涌现能力可能为计算机视觉领域研究提供方向，成为未来视频与模拟领域（例如自动驾驶）的统一范式。正如周鸿祎所言，“这次Sora对物理世界的模拟，至少将会对机器人具身智能（通过创建软硬件结合的智能体）和自动驾驶带来巨大的影响。”

在他看来，原来的自动驾驶技术过度强调感知层面，而没有工作在认知层面。其实人在驾驶汽车的时候，很多判断是基于对这个世界的理解。比如对方的速度怎么样，能否发生碰撞，碰撞严重性如何，如果没有对世界的理解就很难做出一个真正的无人驾驶。

这是当前自动驾驶与真人司机之间的区别，如果利用Sora生成模拟现实世界的视频，以此训练自动驾驶的能力，或许会大大提升收集道路数据和视频训练的效率，它所拥有的交互能力也会影响到现有的自动驾驶模型，更接近人类的驾驶体验。

一座座建筑好比城市的各个血管系统，维持着城市运转。当真正的无人驾驶到来时，整个城市也要随之进行智慧升级，以更好地通过数字管理城市道路和各行各业，数字孪生城市不再是空想乌托邦。

刘兴亮认为，通过创建一个与物理实体城市外观、行动和思想一致的虚拟城市，实现对现实世界的监测、诊断、回溯、预测和决策控制。例如，管理者可以通过数字系统中的视频信息，更加直观地看到城市中各个地区的人口分布细节，而不仅仅是一个冰冷的数字。在“数字孪生城市”中，物理空间和社会空间都能以信息的形式呈现出来。

在与人类生活息息相关的化学、物理、生物医学等学科的研究上，基于对人类知识和世界模型的理解，大模型的应用潜力会更加广泛，从而使该技术无形中散布在城市各个角落。

刘兴亮认为，互联网兴起之后，在全世界范围内围绕上网建立了无处不在的基站，网络连接设备、终端使用设备以及与此相关的应用无数。可以设想，在接下来的社会发展期，人工智能设备以及与此相关的应用和服务，将逐步成为社会生活新的基础设施。

医疗、教育等行业最大的问题就是资源分布不均衡，未来有了类似工具后，便可以缩小区域差距。例如，将北京的名师资源和相关知识注入到大模型中，就可以实现给偏远地区的孩子进行一对一视频教学，并因材施教；在医疗领域，有了AI的辅助模拟，医学生在做解剖试验时，不必真的解剖小动物也能达到逼真效果。

在AI时代的未来城市，居民或许可以在数字空间中工作创业、购物娱乐、交友学习等，孕育着数实融合的城市新形态在技术中萌芽。不过，未来尚未到来，畅想所带来的憧憬与担忧能否成为现实，还需要回到当下。

重返现实：颠覆？为时尚早

相比于大语言模型，视频模型的生成面临更多难点：时空复杂性、视觉多样性和连续性、动态范围和细节处理、控制性和交互性、数据和计算资源以及真实感与创新性的平衡。

梦想可以天花乱坠，而若想实现智慧城市的理想，则不得不正视现实的难关。Sora当前仍存在弱点，OpenAI也承认它的不完美。

OpenAI官网显示，Sora的弱点在于，它可能难以准确模拟复杂场景的物理原理，并且可能无法理解因果关系。例如，一个人可能会咬一口饼干，但之后，饼干可能没有咬痕。此外，该模型还可能混淆提示的空间细节，例如左右混淆，并且可能难以精确描述随着时间推移发生的事件。这些缺陷可能导致Sora生成一些不合逻辑的东西，比如一个人在跑步机上跑错方向，以不自然的方式改变主题，甚至出现凭空消失的现象。

相比于大语言模型，视频模型的生成面临更多难点，王喜文将其归纳为六大挑战，分别为时空复杂性、视觉多样性和连续性、动态范围和细节处理、控制性和交互性、数据和计算资源以及真实感与创新性的平衡。

例如，在时空复杂性层面，由于视频是三维数据，包含了时间和空间信息，因此在生成视频时，不仅要考虑单个帧的内容，还要考虑帧与帧之间的时序关系和空间关系，这增加了模型理解和生成的复杂性；在控制性和交互性上，视频模型需要具有一定的可控性，能够根据用户的输入生成相应的视频内容，并应当能够与用户进行交互，这要求模型具有较高的智能和适应性。

此外，视频数据通常比文本数据大得多，这需要更多的数据和计算资源来训练视频模型。而且，视频模型需要足够的训练数据来学习视频的内在规律和特征。在生成内容时，保证真实感的同时要有一定的创新性，这需要模型能够理解和模仿现实世界的复杂性，并能创造新的内容。

技术层面的难度让“Sora们”面向公众开放还有一段距离，且从国内上一轮大语言模型的落地来看，中国大模型虽然不少，但基于大模型开发出来的AI原生应用却非常少，远未形成在C端的普遍认知。

记者从百度处了解到，百度创始人、董事长兼首席执行官李彦宏曾公开表示：“我们需要100万量级的AI原生应用，但是不需要100个大模型。”他指出，AI原生应用是基于大模型智能涌现后产生的理解、生成、逻辑和记忆能力而开发出来的应用，这些能力是过去的时代所不具备的，因而才能打开无限的创新空间。

目前，百度已上线了大模型插件平台，是一类特殊的AI原生应用。文心大模型4.0包含览卷文档、E言易图、说图解画、一镜流影等多个插件，其中“一镜流影”可以用AI文字一键创作生成视频，不过暂时仅支持生成30s内的视频。记者多番尝试后发现，目前该插件生成能力有限，经常出现“当前您的指令超出了插件预设能力范围”的提示。

据报道，腾讯2024年大模型的首要目标也是要进行规模化的应用，核心目标是怎么样让企业能够用得好、用得便宜，同时把周围大模型生态构建好。

AI时代的技术栈分为四层，即芯片层、框架层、模型层和应用层。正如李彦宏所说，无论是芯片也好、框架也好、模型也好，都是需要AI应用来驱动的。只有通过更多的场景落地应用，才可以形成更大的数据飞轮，才能够让芯片做到够用、好用。

刘兴亮也指出，Sora给国内厂商带来警示，它是一种对于思维世界的震撼，但依旧需要和具体行业应用结合起来。AI未来的发展不只是强调技术，更多的是要做强应用，才能让科技飞入寻常百姓家。

Sora们仍然无法完全取代人类的创造力和想象力，以开放和理性的态度看待技术的发展，用好它、拥抱它，同时也要注意平衡其潜在的风险和利益。这样在浪潮袭来时，才能有备无患。

科技平权时代，AI就像预制菜

Sora确实可能导致某些传统职业的减少或者替代，但也会催生新的就业机会。这种就业变化是科技进步的常态，也有助于经济的持续发展和就业机会的转型。

当科技重塑生产方式时，它不再是少数人的特权，人人触手可及。正如上文所述，Sora降低了创作者的使用门槛，影视、广告、短剧等不再是专业从业人员的专属，只要输入一段文字就可能收获一段想要的视频。

科技平权时代，科技服务于所有人，而不是仅仅由少数人享受其专利和后续带来的好处，每个人都有机会体验到新技术。这也带来另一种层面的担忧，传统影视、广告营销、游戏娱乐等大有应用前景的领域，是否会迎来新的失业潮。

资深插画师@画者不语向《商学院》记者坦言，以教授线上课程学员的数量变化来看，去年以来下降幅度在30%左右，很多学员报课意愿降低。因为AI带来的文生图、文生视频等功能，导致他们认为未来插画师的工作前景堪忧，因此学习欲望不再强烈。

在商业领域，他将AI比拟成预制菜，预制菜出来后，在家也能快速吃到饭店的菜品。AI做出来的图片与此类似，它在某种程度上满足部分对图片质量要求不高的商业需求，比如店铺的宣传图和招牌等。然而，对食材和口味有要求的人还是会选择非预制菜。

AI在艺术领域的替代性可能更低，因为人们在判断一件艺术品的时候，不只是看一个“结果”，还会关注“过程”。例如，完全一样的图样，传统手绘与电脑板绘带给人的感觉大不相同。他认为，一件艺术品的价值绝不仅仅是“绘画结果”，还包含作为人的观念、动作、花费的时间以及画所处的时间、空间等。

《AI大模型对我国劳动力市场潜在影响研究》报告（以下简称报告）显示，21.1%的受访者认为未来一年AI不会对自己工作产生太大影响。时间周期拉长至未来五年，这一比例降至18.7%。而不论是未来一年还是五年，认为其从事工作将被AI替代的比例近五成。

这也从侧面说明，我国劳动力市场对人工智能新技术的适应性还较弱，同时数据显示，与职场“前浪”相比，“95后”年轻人对AI工具的了解更深。

王喜文认为，Sora确实可能导致某些传统职业的减少或者替代，但也会催生新的就业机会。这种就业变化是科技进步的常态，也有助于经济的持续发展和就业机会的转型。AI创作指导人员、AI内容审核和监管人员、AI故事设计师、AI生成视频数据标注和整理人员、AI生成视频技术的研发人员等，这些新工种都需要人工智能技术的专业知识和创造力。

作为相关从业者，@画者不语对新科技的到来持乐观态度。他认为挑战是必然的，但还是要正视技术的变革而不只是担忧，需要根据技术的发展迎难而上，顺应它才能开拓更多的可能性。

报告显示，65.8%的受访者表示，将参加AI工具使用技能的培训课程，占比最高。还有47.2%表示将学习一个不容易被AI替代的新专业技能，42.9%表示将转向不容易被AI替代的新职业方向，另辟赛道。

正如刘兴亮所言，“淘汰你的不是AI，而是那些掌握了AI工具的人”。过去的20年，互联网真正把自己变成了基础设施，每个人已经离不开它。AI时代，一旦人工智能解放了更多人的脑力劳动时间，让社会生产力得到更大提升，它的普及将无法避免，人们会自然而然地接受它，并以此作为生活与工作的必要手段。

回望历史，每一次工业革命都会带来劳动力市场的变革，不管是ChatGPT还是Sora，它们对真实世界的模拟注定会掀起波浪，但促使城市流动的依旧是走上街头的人类。

Sora带来的“小震撼”，会让现实不复存在吗？

返回上一篇

下一篇