（機(jī)翻版Prompt：一位時(shí)髦的女士穿行在東京的街頭，街道兩旁是溫暖的霓虹燈和動(dòng)態(tài)的城市標(biāo)識(shí)。她身穿黑色皮夾克、一條長(zhǎng)紅裙和黑靴，手拿黑色錢(qián)包。她佩戴著太陽(yáng)鏡和紅色口紅，自信而隨意地走著。街道潮濕且能反射光，營(yíng)造出彩色燈光的鏡像效果。許多行人來(lái)來(lái)往往。）

另外，我看到這個(gè)視頻甚至有兩段運(yùn)鏡，一個(gè)是遠(yuǎn)景，一個(gè)鏡頭拉的很近的特寫(xiě)，甚至能看見(jiàn)女生臉上的痘痘。

打開(kāi)OpenAI的官網(wǎng)，我找到了一些介紹內(nèi)容，我把我的學(xué)習(xí)和理解的內(nèi)容寫(xiě)在這里。

OpenAI在官網(wǎng)介紹中提到，他們幫AI理解和模擬物理世界的運(yùn)動(dòng)，他們的目標(biāo)是用這個(gè)模型，來(lái)解決需要與現(xiàn)實(shí)世界交互時(shí)會(huì)碰到的各種問(wèn)題，比如，自動(dòng)駕駛汽車就算一種。

簡(jiǎn)單說(shuō)，AI模型能更好地理解現(xiàn)實(shí)世界，能理解現(xiàn)實(shí)世界的人物和物體的運(yùn)動(dòng)方式，如果這種東西被用在智能駕駛領(lǐng)域，應(yīng)該會(huì)很有前景。

Sora作為一個(gè)文生視頻模型，能生成最多1分鐘時(shí)長(zhǎng)的視頻，這并不神奇，現(xiàn)在Runway早就可以做到。只不過(guò)，Sora輸出的視頻質(zhì)量很高，同時(shí)，能緊跟著提示詞里輸入的內(nèi)容來(lái)生成。

目前，Sora還沒(méi)有完全對(duì)外公開(kāi)可用，只是面向安全測(cè)試人員還有部分視覺(jué)藝術(shù)家、設(shè)計(jì)師和電影制作人訪問(wèn)來(lái)體驗(yàn)這個(gè)模型，先看看專業(yè)人士的意見(jiàn)。

Sora擁有生成包含眾多角色、特定動(dòng)作類型及主題與背景精確細(xì)節(jié)的復(fù)雜場(chǎng)景的能力。該模型不僅能理解用戶在提示中的請(qǐng)求，還能洞察這些元素在物理世界中的實(shí)際存在方式。從而讓人物和物體的動(dòng)作更流程和自然。

Sora對(duì)語(yǔ)言有深刻的理解，能夠準(zhǔn)確地理解提示詞，并生成引人入勝的角色。Sora還能在單個(gè)生成的視頻中創(chuàng)建多個(gè)鏡頭，準(zhǔn)確地保持角色和視覺(jué)風(fēng)格的連貫性。

現(xiàn)在的Sora模型也有明顯不足。

它在模擬復(fù)雜場(chǎng)景的物理特性上會(huì)有問(wèn)題，可能不能很好地理解特定因果關(guān)系。例如，一個(gè)人可能會(huì)咬一口餅干，但餅干可能看不到咬過(guò)的痕跡。模型也可能搞錯(cuò)空間細(xì)節(jié)，例如，將左和右搞混。

在將Sora整合到OpenAI的產(chǎn)品中之前，OpenAI會(huì)邀請(qǐng)安全專家對(duì)模型進(jìn)行對(duì)抗性測(cè)試，幫助處理錯(cuò)誤信息、仇恨內(nèi)容和偏見(jiàn)等問(wèn)題。

OpenAI還在開(kāi)發(fā)工具，幫助檢測(cè)誤導(dǎo)性內(nèi)容，比如一個(gè)檢測(cè)分類器，能夠識(shí)別出一個(gè)視頻是由Sora生成的。未來(lái)，如果正式對(duì)外部署這一模型，還會(huì)在視頻中包含C2PA元數(shù)據(jù)。

C2PA是由內(nèi)容真實(shí)性和來(lái)源聯(lián)盟（C2PA）定義的一種標(biāo)準(zhǔn)，旨在提高數(shù)字內(nèi)容（如照片、視頻和文檔）的透明度和可信度。通過(guò)在內(nèi)容中嵌入C2PA元數(shù)據(jù)，可以提供關(guān)于該內(nèi)容創(chuàng)作和修改歷史的詳細(xì)信息，包括內(nèi)容是如何、何時(shí)以及由誰(shuí)創(chuàng)建或更改的。

這有助于驗(yàn)證內(nèi)容的真實(shí)性，打擊深度偽造和誤導(dǎo)性信息，為用戶提供關(guān)于數(shù)字內(nèi)容來(lái)源和完整性的可靠信息。

出于安全和負(fù)責(zé)人方面的考慮，OpenAI把給DALL·E 3準(zhǔn)備的安全手段也都會(huì)用在Sora模型上。

他們會(huì)阻止包含有極端暴力、性內(nèi)容、仇恨等不合適的內(nèi)容請(qǐng)求。同時(shí)，還會(huì)準(zhǔn)備檢查視頻幀的服務(wù)，以確保生成的視頻內(nèi)容符合相關(guān)政策。

盡管OpenAI做了很多工作來(lái)確保AI技術(shù)的安全，但還是無(wú)法完全預(yù)見(jiàn)技術(shù)潛在風(fēng)險(xiǎn)。因此，他們強(qiáng)調(diào)與社會(huì)各界合作并從實(shí)際應(yīng)用中進(jìn)行摸索，在推進(jìn)AI技術(shù)發(fā)展的同時(shí)，也逐步提高系統(tǒng)的安全性。

稍微談一點(diǎn)技術(shù)細(xì)節(jié)部分。

Sora是一種（Diffusion）擴(kuò)散模型，基本原理上，它通過(guò)從一個(gè)靜態(tài)噪聲的視頻開(kāi)始，在隨后多個(gè)步驟中逐漸去除噪聲，從而生成視頻。

看起來(lái)就跟Stable Diffusion、Disco Diffusion一樣。

Sora能夠一次性生成一整個(gè)視頻，或者給已有視頻添加新的時(shí)長(zhǎng)。通過(guò)讓模型一次性預(yù)見(jiàn)多幀，Sora解決了一個(gè)極具挑戰(zhàn)性的問(wèn)題，即使主體暫時(shí)離開(kāi)視野，也能保持不變，有很好的一致性。

與很多GPT模型一樣，Sora也采用了Transformer架構(gòu)，從而獲得了更強(qiáng)的可擴(kuò)展性。

在Sora模型中，視頻和圖像被表示為一系列更小的數(shù)據(jù)單元，稱為“補(bǔ)丁”（patches），每個(gè)補(bǔ)丁都類似于GPT中的一個(gè)“令牌”（token）。通過(guò)將數(shù)據(jù)的表示方式進(jìn)行統(tǒng)一，Sora可以在更廣泛的視覺(jué)數(shù)據(jù)上進(jìn)行訓(xùn)練，這些數(shù)據(jù)包括不同的持續(xù)時(shí)間、分辨率和縱橫比。

Sora模型是在DALL·E和GPT模型的基礎(chǔ)上而構(gòu)建的。它采用了DALL·E 3中的重新標(biāo)注技術(shù)，它可以為視覺(jué)訓(xùn)練數(shù)據(jù)生成高質(zhì)量的數(shù)據(jù)標(biāo)注。因此，模型能夠很好地遵從用戶輸入的文本指令。

Sora模型不僅能夠用文本生成視頻，還能夠用已有的靜態(tài)圖來(lái)生成視頻，準(zhǔn)確地將圖片變成動(dòng)畫(huà)，圖片中的細(xì)節(jié)也都會(huì)處理的很好。此外，模型還能夠延長(zhǎng)已有視頻的內(nèi)容，還能自動(dòng)填補(bǔ)缺失的幀。

在OpenAI看來(lái)，Sora是那些能夠理解和模擬現(xiàn)實(shí)世界的模型的基礎(chǔ)，這一能力將是實(shí)現(xiàn)通用人工智能（AGI）的一個(gè)重要里程碑。

OpenAI公布了在視頻數(shù)據(jù)上訓(xùn)練大規(guī)模生成式模型的方法，具體內(nèi)容可以查看如下鏈接：

https://openai.com/research/video-generation-models-as-world-simulators

這部分介紹中，OpenAI直接將視頻生成模型看做是世界模擬器（Video generation models as world simulators）。

想想也是，如果讓AI模型來(lái)理解這個(gè)世界的一些規(guī)律，如果能給模型輸入足夠的數(shù)據(jù)，那么，AI的世界就能演繹真實(shí)的世界。

如果AI模型能理解世界更多規(guī)律，包括物理、化學(xué)、數(shù)學(xué)、醫(yī)藥等自然科學(xué)方面的規(guī)律，如果能給模型輸入足夠多的數(shù)據(jù)，那該是一種什么樣的未來(lái)？

zhupb