自從OpenAI公布全新的生成式人工智慧模型Sora之後，可謂是「一石激起千層浪」，相關的討論一直沒有停止。
關於這個號稱「只要輸入文本指令，就能輸出60秒影片」的新工具，人們感到期待、焦慮、恐懼……共同組成了一幅巨大的「Sora亂象圖」。一方面，各種標籤上寫著「該影片由Sora生成」，但實際上是網友製作的搞怪影片成為了「整活」的流量密碼，讓不少網路樂子人收穫了歡樂。
另一方面，雖然Sora並沒有開放使用，但網路上卻出現了一大批「培訓機構」，利用行業焦慮和資訊不對稱，打起了收割韭菜的算盤。一個自稱清華博士的賣課博主，入門AI課達到了199元一份，光是在影片號里，就賣出了520多份。還有人扒出，這門AI課他一年售出了25萬套，銷售額將近5000萬。於是網友們紛紛陰陽怪氣地稱他為：唯一可以與奧特曼平起平坐的AI巨頭。
Sora究竟是什麼？
Sora，源自日語「空（そら，發音為sora）」，不僅指代天空，還象徵著無垠的空間和無限的可能性，從而引申出自由的寓意。在OpenAI關於Sora的介紹中，首頁就可以看到無數在空中自由飛翔的紙飛機，象徵著Sora模型的自主性和創造性，反映出「空」所蘊含的自由理念。
sora介紹頁面
關於Sora生成的各種影片我想大夥應該都已經見得不少了，相信很多人在看完影片之後都會有一個疑問：Sora是如何生成影片的呢？
在OpenAI放出的技術報告中是這樣描述Sora的：Sora是一個「擴散變換器（Diffusion Transformer）」。與傳統的變換器（包括編碼器和解碼器）在處理方式上存在類似之處，但其處理的並不是文本標籤，而是被稱為「補丁（Patches）」的視覺數據。
補丁（Patches），其實就是大模型在處理影片和圖像數據時，將視覺數據分解成小塊或小部分的一種方法。通過將影片壓縮到一個低維度的潛在空間，把空間的標識分解成為多個補丁，以此來讓模型更好地處理和生成高質量的影片和圖像內容。這種方法的優勢在於能夠允許模型處理不同解析度、持續時間和寬高比的視覺數據，為影片和圖像生成提供了更大的靈活性和能力。
而「擴散變換器」則是一種結合了擴散模型和變換器架構的技術，能夠通過利用變換器處理數據間複雜關係的能力，以及擴散模型逐步精煉數據的策略，來生成或預測影片和圖像中的「乾淨」補丁，逐步從包含噪聲的數據中恢復出乾淨的數據，來生成圖像或影片。
我們舉個簡單的例子，假如我們現在有一張狗狗的照片，我們可以一步步給這張照片增加噪點，讓它變得越來越模糊，最終會變成一堆雜亂的噪點。如果我們把這個過程倒過來，對於一堆雜亂無章的早點，我們同樣可以一步步去除噪點，把它還原成目標圖片，而擴散模型的關鍵就在於學會逆向去除噪點。
事實上，此前大火的Midjourney和Stable Diffusion的圖像和影片生成器就同樣基於擴散模型，不過不同的是Sora能夠通過讓模型一次預測多幀畫面，確保了即使被攝體在離開視線後仍然能保持不變，也使其展示出了對影視拍攝語法的全新自發理解，不僅可以跟隨對象移動鏡頭，還可以在移動鏡頭轉換角度的時候，仍然能夠保持畫面的合理與完整。
Sora另一個很強的地方在於，它「繼承」了OpenAI對文本的理解能力，能夠根據提示詞生成高質量的圖片和影片，並且能夠對影片進行向前或向後的擴展，例如，在這個官網展示的這個影片中，Sora能夠基於同一個影片開頭進行拓展，延伸出不一樣的結尾，或從不同的開頭引入，最終得到同一個結尾。
不過事實上，OpenAI的野心遠不止於此，Sora不僅是一個創造性的工具，它實際上還是一個基於數據的複雜模擬系統，能夠模擬現實或想像中的世界。它通過學習如何正確地渲染場景、模擬物理行為、進行長期推理和理解場景的含義，從而創建出逼真的 3D 場景和動畫。
這就使其能夠創造出很多現實中不存在的影片，例如在下面這個影片中，提示詞為「兩艘海盜船在一杯咖啡中航行時相互爭鬥的逼真特寫影片」。這樣的要求不僅需要Sora生成一個逼真的3D模型，還需要讓這些模型根據物理規則動畫化，並模擬液體的動力學，還要使用高級渲染技術來實現照片級的真實感，即使場景的語義在現實世界中並不存在，但引擎仍然能實現我們期望的正確物理規則。
這一點雖然目前Sora仍有缺陷，但確是一個很有前景的目標，通過建立這樣一個複雜的模擬系統，我們就能夠對真實世界進行建模和預測，甚至是構建起真實世界的數字交互。無論Google、OpenAI還是馬斯克的xAI，終極目的都是構建起世界模型，就比方說電影《流浪地球2》裡面的MOSS，就是一個強人工智慧的化身，能夠通過構建真實世界模型，再加上強大的算力，來推演不同選擇導致的結果，達到預測的目的，這或許就是很多人眼中AI的終極形態了吧。
不過無論如何，這些都是後話了。
Sora真會砸掉整個影視行業的飯碗？
事實上，人工智慧從誕生的那一天起，就常常會成為很多人幻想中的「假想敵」，而隨著ChatGPT等新工具的發展，對於AI的遙遠恐懼漸漸演變成了近在眼前的對飯碗的深深擔憂，在Sora發布後更是如此。
單就Sora生成影片的能力來看，首當其衝的必然是影視從業者。畢竟傳統方式製作一段1分鐘的影片成本非常高，除了場景、燈光、演員，還要提前溝通分鏡、找好角度、考慮好攝像機與演員的走位等。如果再需要一些特殊因素，例如轉瞬即逝的光影、理想的天氣條件等，那就更要賭一賭運氣了。
而這一切在Sora這裡都不是問題，只要通過簡單的提示語句，就可以直接生成影片，而且相較於之前的AI工具，無論是影片的時長、畫面精細度，還是細節的完整性，甚至是多鏡頭拍攝，Sora都可以用「碾壓」來概括，很明顯將會為相關從業者帶來更大影響。
行業調查公司CVL Economics不久前發布的一項對好萊塢行業領袖的調查顯示，目前憂慮的情緒正籠罩著整個好萊塢，36%的受訪者表示生成式AI已經減少了他們公司的日常工作技能需求，72%的受訪公司都是生成式AI工具的最早採用者。
而在這其中還有75%的受訪者表示，生成式AI工具已經促使他們業務部門削減與合併相關的工作崗位。還有人預計，未來三年好萊塢總計會有超過20萬人的工作崗位會受到AI衝擊，其中尤其是視覺特效、音效師、畫圖師等後期工作崗位。
事實上，受到影響的並不只有影視行業從業者。面對來自Sora的「降維打擊」，AI影片領域的創業者中，有的如Runway CEO克里斯托瓦爾·巴倫蘇埃拉一樣，做好了「Game On」的準備，有的如Pika創始人郭文景一樣，開始籌備對標Sora的新產品，也有人如Stability AI CEO埃馬德·莫斯塔克一樣，不由感慨「阿爾特曼真是一個魔術師」，並將Sora視為AI影片界的GPT-3時刻。這一次，很多人真的感受到了危機感。
風物長宜放眼量
雖然Sora確實很勁爆，但如果因此而過分焦慮也大可不必。一方面由於Sora在其生成的影片中仍然存在很多經典的「靈魂錯誤」。例如在很多影片中，人物、動物會憑空消失、變形或者變出分身；還會出現一些違背物理常識的「鬧鬼」畫面，像人吹過的蠟燭沒有變化、穿過籃筐的籃球、懸浮移動的椅子等。
Sora生成的影片中，老人吹蠟燭前後火苗紋絲不動，略顯詭異
另一方面也在於，AI在創作邏輯等方面與人類截然不同，因而並不能真正辨別故事的好壞。有很多人認為，越是機器生成的東西，很多時候會愈發讓我們感受到人類之作的珍貴，例如帶著「鍋氣」的食物很多時候優於預製菜、凝聚了工人心血的器具雖然精確度不如機械但卻有更多的「溫度」……這樣的例子可謂俯仰皆是，更何況是在影視這一最能體現人類情感、囊括各種藝術門類的綜合藝術呢？
事實上，即使僅從影片呈現的而言，AI生成的內容在資訊量上並不能與真實拍攝相比，例如在很多電影場景中，人物的表達、語氣、表情的背後，不僅是各種細膩的人類情感，舉手投足之間積累的是半生的經歷、情緒與風土人情的總和。
這些內容雖然看似並不顯眼，但卻時時刻刻都在傳達很多資訊，正是這些內容才真正組合成了每一個與眾不同的人，也經由各種反應、互動形成了人物之間情緒的流動，也正是這些細節的變化，在無聲無息地影響著我們的情緒，為我們帶來感動，這是生成式AI很難做到的，而這或許才是很多AI生成影片「沒有靈魂」的根本原因。
此外，在影視行業中使用AI早已不是新鮮事，此前曾在好萊塢橫掃最佳影片、最佳導演等7大獎項的《媽的多重宇宙》就曾使用Runway的AI影片工具，去年21世紀福克斯已經與IBM沃森合作，用AI工具為關於AI主題的恐怖片《摩根》製作預告片，迪士尼旗下的漫威則完全使用AI製作了《秘密入侵》的開頭動畫。
不久前，NVIDIA創始人黃仁勛曾在一次參訪中表示，「在過去的10年、15年中，幾乎每個人都會告訴你，學電腦對孩子來說至關重要，每個人都該學習如何編程。但事實上，情況完全相反，我們的工作是創造計算技術，使得任何人都不再需要編程，使得編程語言變成人性的，現在世界上每一個人都是程式設計師，技術鴻溝已經完全彌合。」
而這似乎成為了AI時代的真實寫照，無論ChatGPT-4也好、Sora也罷，通過藉助日新月異的新技術，不懂編程語言的人也能夠製作軟體程序，沒有影視相關技術背景的人也能夠從容地製作自己的影片，這無疑將會進一步，激活新的產能，促進行業的發展，甚至是讓人和人之間產生新的鏈接，這或許才是生成式AI的更大意義。
我們有理由期待，未來必然會有更多的AI技術和電影或電視劇製作的結合與創新，也許會出現一些我們從未想像過的精彩作品，給我們帶來更多驚喜。
