Sora三巨頭首次解密幕后信息，CTO：最快年內開放

十三 2024-03-24 12:59:14 來源：量子位

明敏 克雷西 發自 凹非寺

量子位 | 公眾號 QbitAI

“Sora最快今年內開放公測。”

在一場訪談中，OpenAI CTO Mira Murati親自透露了這一消息。

短短10分鐘里，Sora技術細節、進展、規劃等當下最熱議的問題，都有了更進一步解答：

• 生成20秒的720P視頻只需幾分鐘
• 計算資源遠超ChatGPT和DALL·E
• 目前正在進行正在進行紅隊測試
• 未來版本有望支持視頻聲效

而且還向外界傳遞了一層重要信息：

OpenAI在考慮發布這項技術時，抱有非常謹慎的態度。

“我們希望電影界人士和世界各地的創作者都能參與進來，與我們共同探索如何進一步推動這些行業發展。”

加上前幾天，Sora的三名研發主管——Tim Brooks、William Peebles和Aditya Ramesh，也參與了一場16分鐘的播客訪談。

綜合兩場對話，關于Sora背后的秘密，也有了更多蛛絲馬跡可以探尋。

Sora背后還有多少秘密？

關于Sora，人們最關心也最期待的，可能就是什么時候才能上手體驗了。

對此，Mira表示Sora正在進行紅隊測試，以確保工具的安全性，并且不會產生偏見或其他有害問題。

對于具體的時間，Mira也立下了flag——今年年內讓Sora與廣大用戶正式見面。

此外，兩場對話中談到的其他話題，可以分為技術細節、項目規劃和未來展望三個部分。

揭開更多技術細節

技術方面，三人團隊表示，Sora更像是介于Dall·E這類擴散模型和GPT之間。

訓練方式類似于Dall·E，但架構上更像GPT系列。

訓練數據是不方便說滴（doge），大致就是公開數據和OpenAI已獲授權的數據。

不過他們專門cue了一個點：通常圖像、視頻模型都是在一個固定尺寸上進行訓練，而Sora使用了不同時長、比例和清晰度的視頻。

具體方法之前的技術報告已經有了說明，就是用“Patches”來統一不同的視覺數據表現形式。

然后可以根據輸入視頻的大小，訓練模型認識不同數量的小塊。通過這種方式，模型能夠更加靈活學習各種數據，同時也能生成不同分辨率和尺寸的內容。

性能方面，Mira和三人組的說法則略有不同：

三人組透露，有一次給Sora布置好任務后，出去買了杯咖啡，結果回來之后視頻還沒做好。

而Mira這邊的回答則是，Sora生成720P分辨率、長達20秒的視頻內容，只需要幾分鐘就能完成。

當然，具體消耗的時間，還要取決于任務復雜程度等多種因素，不能簡單一概而論。

不過Mira這邊表示，在正式發布之前將繼續努力優化算法，以降低所需的算力。

這些問題還需解決

而針對Sora存在的不足，他們的回答也很坦誠，表示其還存在無法完美處理手部的生成，渲染復雜的物理過程也存在一定難度等一系列問題。

除了這些bug型的缺陷之外，Sora不能給視頻添加聲音也算一個美中不足之處，對此三人組給出了這樣的回應：

很難確定什么時候能有這樣的功能，但這并非一個技術問題，而是目前有優先級更高的問題需要解決。
目前，Sora還是更關注視頻本身的生成，研究重點是提高視頻的畫質和幀率。
所以，能夠加入聲音當然是更好的，但現在的當務之急，還是要把視頻能力先搞上來。

而Mira對此的回答則更像是給人們吃了一顆定心丸——未來版本有望支持視頻聲效，增強用戶體驗。

而除了這些產品本身的問題之外，為Sora生成的視頻加入溯源信息，以防出現造假，也是OpenAI當下的一項重要任務。

同時，負責人和Mira都表示，團隊始終在收集來自各界的用戶反饋，三人組還舉例說有用戶希望能加入提示詞以外，更精細、直接的控制方式，團隊將此作為了重點考慮的一個方向。

Sora，未來可期

最后，針對Sora的未來，負責人給出了很高的預期，并表示其將不僅僅在視頻創作方面發揮作用。

我們的世界充滿了視覺信息，其中有很多無法僅通過文本來傳達。
所以，雖然像GPT這樣的語言模型已經對世界有了深刻的理解，但如果它們無法像人類一樣“看”到視覺的世界，對世界的認識就會有所缺失。

因此，負責人對Sora及未來可能在其基礎上開發的其他AI模型充滿了期待——通過學習視覺信息的方式理解這個世界，在未來能夠更好地幫助人類。

對此有網友表示，這的確是個好消息，Sora的意義不僅在于其本身，而且還會對其他AI產生影響。

另一邊，已經有人在期待Runway等前任王者對此的反應了。

不過，雖然團隊自己說Sora在未來能夠理解人類世界，但它到底能不能真的算世界模型，還存在不小的爭議。

Sora是世界模型嗎？

針對這個問題，正反雙方各執一詞，支持者的主要理由，是認為從Sora生成的視頻中能看出其對物理世界的理解。

而反方則不認同Sora是世界模型，代表人物是圖靈獎得主、Meta首席AI科學家LeCun。

近期，LeCun點贊了一篇澳大利亞學者的萬字長文，文章的核心觀點就是認為Sora不是世界模型。

其中最核心的原因，是Sora并沒有物理引擎來運行前向時間模擬，而且訓練過程是端到端完成的，數據中并沒有物理規律信息。

即便是拋開訓練和生成過程，單從表現上看，Sora的輸出也出現了違反重力、碰撞動力學等物理規律的情況。

△Sora生成的“反重力玻璃杯”

所以，作者認為，將Sora稱為世界模型是缺少充分依據的。

而人們比較關心的另一個問題，是Sora的訓練過程，是否使用了虛幻引擎（Unreal Engine）5。

不過作者也沒有給出確切結論，只表示這只是猜測，目前并沒有確切的證據表明Sora確實使用了UE5進行訓練。

而要想進一步揭開這些問題，或許要OpenAI再次自己出來公布，或者直接開源了。

One More Thing

雖然兩場訪談的確透露出了不少干貨，但針對人們同樣廣為關心的訓練數據來源問題，無論是三人團隊還是Mira，說法都十分模糊——

Sora的訓練過程中使用的是公開可用和已獲得授權的數據源。

但對于YouTube、Instagram和Facebook上的視頻是否被用作訓練數據，Mira則是顧左右而言他：

我不知道，但如果這些數據是公開可用的，他們也許是（訓練）數據（的一部分）……我不確定

不過，這個說法的可信度先放下不談，即便真的如Mira所說，也有網友并不認賬：

OpenAI好像覺得，只要是公開的數據就可以隨便用，呵呵

參考鏈接：
[1]https://www.youtube.com/watch?v=Srh1lut4Q2A（第53分鐘開始）
[2]https://www.youtube.com/watch?v=mAUpxN-EIgU
[3]https://artificialcognition.net/posts/video-generation-world-simulators/