继ChatGPT成为全世界的焦点后，OpenAI再一次引爆了科技圈。

北京时间2月16日凌晨2点左右，美国OpenAI公司正式发布其首个文本－视频生成模型Sora。据报道，Sora能够根据文本提示创建详细的视频、扩展现有视频中的叙述以及从静态图像生成场景。

相较于文生图来说，文生视频难度更高，在数据质量、算力以及多融合技术的复杂性上都有诸多需要突破的关卡，所以一直以来文生视频的发展并不算顺利。

没想到OpenAI一出手就是王炸，Sora的实力可以说是藐视同行的存在。Sora 在日语中是“天空”的意思，引申含义还有“自由”，这不禁让我们想到马斯克“我们的目标是星辰大海”的豪情壮志。

OpenAI也强调“Sora是能够理解和模拟现实世界的模型的基础，我们相信这一功能将成为实现通用人工智能（AGI）的重要里程碑。”

同行们纷纷对Sora发出赞叹：马斯克「人类愿赌服输」，Runway联合创始人「game on」的感慨，360董事长周鸿祎作出“Sora意味着AGI实现将从10年缩短到1年”的预判，前阿里总裁贾扬清也评价道「非常牛」……

业界更是吹爆它“炸裂”“史诗级”“现实不存在了”……

那么，Sora为什么能独树一帜？Sora崛起将改变哪些行业？作为视频内容生产者，又该如何应对这场技术“大考”呢？

Sora模型是一个文生视频产品，通过简短或详细的提示词描述，或一张静态图片，Sora就能生成类似电影的逼真场景，涵盖多个角色、不同类型动作和背景细节等。

简单理解就是，只要输入一句话，AI就会根据你的描述，生成一段视频。

在Sora一口气发布的48个演示视频中，随便挑两个让大家感受一下Sora的实力。

比如，AI想象中的龙年春节，红旗招展人山人海。有不少儿童好奇抬头观望舞龙队伍，也有不少人掏出手机边跟边拍，海量人物角色各有各的行为。

再比如，一位时尚女性穿着黑色皮夹克、红色长裙和黑色靴子走在东京街道上，她戴着太阳镜，涂着红色口红，拎着黑色钱包，走路自信又随意。而刚下过雨的东京街道潮湿且反光，在彩色灯光的照射下形成镜面效果，细节超赞。

相比Runway、Pika等市面上现有的AI视频模型，Sora展示出了远超预期的能力，主要表现在这三点上。

第一，是视频长度的巨大提升，像Runway、Pika这些AI视频模型仅能生成不足10秒，而Sora的视频生成长度突破到了60秒。第二，是视频内容更加稳定。相比于其他AI视频模型镜头视角单一、内容高度失真，Sora的视频能实现单视频的多角度镜头切换，最大限度还原现实世界的真实场景，保持了合理的连贯性。

是深刻的语言理解能力，Sora能够深层次识别用户的指令，从而在生成的视频中呈现出丰富的表情和生动的情感，还表现出对物理世界部分规律的理解。

总之，Sora解决了过去AI视频被诟病的很多问题，它能形成更清晰的生成画面、更逼真的生成效果、更准确的理解能力、更顺畅的逻辑理解能力、更稳定和一致性的生成结果等等，目前，Sora已经成为最强的AI视频生成类模型。

而从技术层面来说，Sora之所以能够碾压同行，在于它采取了一个新的架构——Diffusion transformer模型。与Runway、Pika等主流AI视频聚焦于扩散模型不同，Sora这个模型融合了扩散模型与自回归模型的双重特性。

在这个新模型架构中，OpenAI沿用了此前大语言模型的思路，提出了一种用Patch（视觉补丁）作为视频数据来训练视频模型的方式。

简单理解，就是将视频和图片切成很多小块（这些小块就是Patch），OpenAI通过这种方式将视频压缩到一个低维空间，再用扩散模型模拟物理过程中的扩散现象来生成内容数据，生成的视频一开始看起来像静态噪音，然后通过多个步骤去除噪音，逐步转换视频。

不得不说，从文字（ChatGPT）到图片（DALL·E ）再到视频（Sora），OpenAI团队就好像没有能力天花板一样。

Sora以碾压式的优势胜出后，资本端同时传来好消息。在完成最新交易后，OpenAI的估值已飙升至800亿美元以上。纽约时报报道也称，现在OpenAI的估值或达到约800亿美元。

如果说2023年还是AI图文生成元年的话，那么今年OpenAI将推动行业进入AI视频生成元年。

事实上，在Sora发布前，探索AI视频模型的公司并不少，根据知名投资机构a16z此前的统计，截至2024年底，市场上共有21个公开的AI视频模型，包括大众熟知的Runway、Pika、Genmo以及Stable Video Diffusion等等。

以Runway为例，在2023年6月底完成由Google、Nvidia、Salesforce参与的C轮融资后，估值超过15亿美元。

但在Sora发布前，几乎所有的 AI 视频生成公司都陷入了同质化竞争，他们希望AI应用率先垂直落地到影视和广告场景，所以过多关注更高画质、更高成功率、更低成本，并且他们将能生成15秒视频作为一个里程碑。而Sora将眼光看向了更大时长的世界模型，这也是Sora成功的秘诀。

在OpenAI公布的Sora技术报告里谈道：“我们相信Sora今天展现出来的能力，证明了视频模型的持续扩展（Scaling）是开发物理和数字世界（包含了生活在其中的物体、动物和人）模拟器的一条有希望的路。”‍

换言之，OpenAI更愿意把Sora 视为理解和模拟现实世界的模型基础，而不是AI应用落地的场景。这意味着，相比其他玩家，OpenAI的思维永远更进一步。

面对Sora的降维打击，AI视频领域的创业者纷纷开启了追赶模式。比如Runway已经做好了“Game On”的准备；Pika创始人郭文景一样，开始筹备对标Sora的新产品……

而几乎是同一天，谷歌也发布了自家的最新大模型 Gemini 1.5。据介绍，Gemini 1.5的上下文窗口高达100万个tokens，可以一次处理大量的信息——如1小时的视频、11小时的音频、3万多行的代码等。

谷歌称，Gemini 1.5 Pro性能水平与谷歌迄今为止最大的模型1.0 Ultra 类似，并引入了长上下文理解方面的突破性实验特征，性能、文本长度均超越了GPT-4 Turbo。

Meta也不甘示弱，在近日公布了一种视频联合嵌入预测架构技术V-JEPA。据报道，这是一种通过观看视频教会机器理解和模拟物理世界的方法，V-JEPA可以通过自己观看视频来学习，而不需要人类监督，也不需要对视频数据集进行标记，甚至根据一张静止图片来生成一个动态的视频。

与其他模型相比，V-JEPA的灵活性使其在训练和样本效率上实现了1.5到6倍的提升。跑分方面，V-JEPA在Kinetics-400达到了82.0%的准确率，高于同行。

目前来看，国际上头部科技巨头基本已入局，大致可以分为“科技巨头+创业派+专业派”的组合，科技巨头以谷歌、Meta为代表，专业派以Adobe此类面向专业级用户的老牌软件巨头为代表，创业派以Runway、Pika为代表。

而国内目前的竞争格局还尚不清晰，目前大厂正在积极押注视频生成，比如字节跳动的文生视频模型MagicVideo-V2、阿达摩院的Zeroscope等。只能说，国内大厂也很忙，大语言模型大战才刚打响不久，现在又开始准备卷下一场战役。

但AI视频生成确实是一个颇具前景的创业赛道。目前来看，Midjourney估值100亿美元，Stability AI估值40亿美元，Runway估值15亿美元，就连成立时间不足一年的新贵Pika的估值已经达到2.5亿美元。

那么Sora的崛起，会影响哪些行业呢？

首当其冲的是传统影视行业。不少导演都说，影视行业“要变天了”。毕竟Sora能够生成长达60秒的视频，包括精细复杂的场景、生动的角色表情以及复杂的镜头运动。

而以往需要大量时间和资源来制作的特效和场景，现在可能只需要输入一些文字描述，Sora就能够自动生成这些高质量画面，这能够大大减少影视制作的预算，从前大几百万的影视制作现在或许只要十分之一，同时也能够代替一些不重要的职位，比如群演、灯光布置。

与此同时，还会有一个趋势，就是影视作品的门槛会急剧降低。对于一个年轻人来说，只要他脑海里有一个好故事，就能够依靠AI视频技术低成本创作出来。

其次，广告行业也能够被颠覆掉，特别是一些汽车广告、美食广告、旅游景点的广告，这些并不需要复杂情节的广告作品很容易被AI替代掉。

再者，短视频行业也会受到不小的冲击，由于Sora可以生成60秒的视频，会降低每一个普通人创作视频的门槛，对于抖音乃至TikTok来说，都会出现不少生成视频的内容。

最后是游戏开发和新闻媒体行业。AI可以辅助创造更加复杂和真实的视觉效果，这使得游戏开发者能够更快速、更高效地创建游戏内容和场景，同时也可以减少制作成本。

新闻行业中，Sora可以帮助快速生成新闻报道中所需的视频素材，尤其是在紧急情况下的现场报道。

当行业纷纷为Sora叫好的同时，万千视频生产者心里也难免复杂，Sora如此强大，科技已经如此恐怖，人类还能做什么？

不少网友直呼，工作要丢了，我该怎么办？

从内容创作者的角度来说，Sora带来的影响也需要辩证看待。

首先看悲观的方面，秉承着“万物不为我所有，万物为我所用”的原则，Sora能够代替人类完成一些简单、重复、追赶时效的工作。比如追逐热点和比拼速度的能力，人类创作者无论怎么努力也比不过AI。因此，可以预料到，未来“抓热点”性质的视频内容将会严重过剩，一部分内容方将被淘汰出局。

其次看积极的方面，Sora不具备创作者所必需的“灵魂”，不能胜任需要高度逻辑分析能力的深度解读，不能完全取代人类的专业技能和创造力。

所以优质的创作者完全可以与AI达成分工，AI负责信息与材料的收集（即重复劳动），而自己负责专业性的输出。

另外，Sora的实用价值还值得怀疑，它依然有不小的问题，比如它可能难以准确模拟复杂场景的物理原理；可能无法理解因果关系；还可能混淆提示的空间细节；可能难以精确描述随着时间推移发生的事件，例如遵循特定的相机轨迹等。

其实，在AI 发展的数年沉浮之中，有关AI替代人类的种种争论从未停止，但“变”是常态，“不变”才不正常。

借用马斯克的一句话，“悲观毫无意义，我宁愿乐观”。生成视频的时代已经到来，与其担惊受怕地度过，不如抓紧人类手中的舵，投身这个AI新浪潮。

参考资料

《OpenAI发布首个视频生成模型，1分钟流畅高清，网友：整个行业RIP》学术头条

《详解Sora，为什么是AGI的又一个里程碑时刻？》36kr

OpenAI文生视频模型Sora官网