关于 Sora，我有十个小白问题
1. Sora？是啥意思？有啥含义没？
Sora 在日语中是“天空”的意思，引申含义还有“自由”。
Sora 介绍页丨OpenAI
在 Sora 官方介绍页里，你能看到在无数空中自由飞翔的纸飞机。它们看起来行动自主、探索自由，如果 OpenAI 最终造成 AGI（通用人工智能），应该就是如此希冀的吧。
Sora 是一个 AI 视频模型，你光打一串文字，就能生成一个以假乱真的纯 AI 原创视频。除此之外，你还可以输入图片转成视频，用视频再转成新的视频……
仅仅只有 AI 生成视频样片以及技术论文的释出，Sora 已经在传播层面引发“地震”，不少人高呼影视行业变天了，有人甚至把美国电影工业的象征好莱坞改成了这样：
2. 人们吹爆它“炸裂”、“史诗级”、“现实不存在了”，根据是啥？
最直观的，有些样片太真实了——人物的脸没那么“恐怖谷”，物体运动轨迹也很自然，画面的清晰度和顺畅程度，都像我们用手里的设备拍出来：
这太像我们用 GoPro 手持拍摄的画面了丨Sora
相比竞品，Sora 是“灭霸”级别。之前主流的 AI 生成视频都在 4 到 16 秒，还“卡成 PPT”，而 Sora 弯道超车，直接将时长拉到 60 秒。后者的画面表现，已经媲美视频素材库，放进视频当空镜完全可行。
这让人们懵圈，只能感慨技术的发展有迹可循，技术的突破节点却较难预测。
3. 都嚷嚷着行业变天，人类下岗，Sora 除了第一眼好，还有啥惊人玩法？
多机位：
Sora 生成
自然融合两种完全不相干的场景：
Sora 生成
视频还可以往前扩展，向后扩展；如果你对视频的局部（比如背景）不满意，直接更换就可以了。
Sora 还能直接以文生图，甚至还可以将图片转成动态视频，而且还不是目前流行的“小动物跳舞”呈现的粗糙效果：
Sora 生成
4. 把《三体》输进去，能直接出片吗？
我知道你很急，但你先别急。
首先，目前就 Sora 所呈现的，虽然有多机位效果，但都是单一情节单一镜头。
而《三体》有多人视角，叙事复杂，靠 AI 生成一条龙搞定并不现实。据一些影视行业从业者所说，目前 AI 生成虽然高效，但可控性不够，目前主要用在 demo 制作、概念设计、分镜编排等环节。
5. 看到这里，你有一个大胆的想法？
打住！
OpenAI 正在评估 Sora 被滥用的风险，所以目前还没开放给公众，只给一批在误导信息、仇恨内容和偏见等领域的专家，以及创意人士使用。
6. 每次技术狂潮，打工人都最先焦虑，这次咋整？
记住一点，贩卖焦虑的，都是为了赚你的钱。虽然 Sora 都还没公测呢，但已经有人开始卖付费教程了。
目前的 Sora 也有“翻车”生成，如果这个能安慰到你的话丨Sora
AI 技术推陈出新太快了，你刚在 Pika 上学了几个月怎么写提示词，结果“灭霸”Sora 出现，此前积累的工具经验可能瞬间失效……既然如此，不如先别沉迷研究工具，而是在底层创作上多加操练？
7. 我对被取代恐惧，对 AI 变得更黑箱也害怕
继文字（GPT 系列）以及画像（DALL·E）后，OpenAI 这次又在视频赛道“遥遥领先”……但这家将 AI 安全奉为初心的公司，在技术公开上却越来越不 open 了，有人戏称其为“ClosedAI”。
这次 Sora 发布，OpenAI 现任 CEO Sam Altman 在 X 上“在线接单”，帮网友生成视频，结果有人给了这样的提示词，guess what，Sam 拉黑了他。
8. 以后真分不清现实和 AI 生成了吗？
眼下有人让 Gemini 1.5 观看并分析以下这个 Sora 生成视频，Gemini 指出：
Sora 生成
樱花一般在春天开放，那时不下雪；
雪下得太均匀了；
虽然是下雪天，但人穿得很单薄。
于是，AI 判定这个不是真实影像。还得用魔法打败魔法啊！
9. 为什么就 OpenAI 做出来了？
因为 OpenAI 有 GPT 和 DALL·E 的成功经验，在以往的技术范式之上，他们做出了新东西：不仅可以理解用户在提示中提出的要求，还能理解它们在物理世界中的存在方式。
生成视频效果如此好，也因为 Sora 能更好地理解用户给的提示词，OpenAI 是怎么做的呢？根据官方的说法，他们利用 DALL·E 3 的 re-captioning 功能，给训练用的视频素材都加上了高质量文本描述，表示这样可以提高输出视频的整体质量。另外，你给的简短描述词，AI 收到后会进一步扩写，再交由 Sora 生成。
更重要的是，Sora 是一个 Diffusion Transformer，Transformers 被证明可以在语言建模、计算机视觉和图像生成等都能有极好性能。
10. 视频模型的训练很烧算力吧，OpenAI 耗得起吗？
大概一周前，Sam Altman 宣布 OpenAI 启动“造芯”计划，因为目前 OpenAI 每天生成约 1000 亿个单词，需要大量的 GPU（图形处理器）芯片进行训练计算。
他希望筹得 7 万亿美元。
Unsplash
这个天文数字，不仅相当于全球 GDP 的 10%，等同于 2.5 个微软、3.75 个谷歌、4 个英伟达、7 个 Meta，以及 11.5 个特斯拉的市值。
整理：malt
编辑：卧虫
本文来自果壳，未经授权不得转载.
如有需要请联系 sns@guokr.com
