聊聊 Sora 与 “Closed AI”

（注：本文为小报童精选文章，已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）

狂热

其实无论是文本、图像、声音和视频生成，我之前都给你介绍了不少。

如果你一直在看我的视频教程，估计也亲眼见证了 Runway ML Gen-2 在几个月之内的突飞猛进。

只不过，不管是 Runway ML Gen-2 ，还是后来大火的 Pika ，能生成视频的时间长度按秒来计算，基本上都在个位数。而且，视频效果虽然越来越细腻，但是真实感上还是有些缺失的。

但 OpenAI 的 Sora 一出手，就把文本生成视频的长度，做到了 60 秒，而且这中间可能出现大量的场景切换、远近镜头交替和各种人物的组合。

所以你就不难理解 2024 年 2 月，OpenAI 演示了 Sora 这款文字生成视频产品，立即引发了广泛反响与讨论。这热度，居然让 Sora 还没有正式进入灰度测试阶段，课程就已经出来了。

不仅如此，更催生了中美 AI 两巨头的讨论。

在我的公众号后台，读者也迫不及待希望我讲一讲 Sora 。

但其实，我一直对此表现很克制。原因很简单，我自己没有上手玩儿过啊！😂

目前 Sora 还只能在 OpenAI 内部和红队成员内使用。当然了，你可以申请加入红队，能不能批准那就是人家的事儿了。

另一种间接使用的方式，则是在 OpenAI 宣传 Sora 的帖子下面留言，给出你的提示词。如果你的提示词被选中，人家可能给你做一个出来。

有这么好的东西，宣传出来又不让大家敞开玩儿，自然会有人意见很大。于是 OpenAI 的昵称 “ClosedAI” 又一次被提了出来。

上一次，人们对 OpenAI 这么愤怒，是因为他开发了 GPT-2 之后，不肯开放大家试用。

我一开始对 OpenAI 的这种「饥饿营销」也颇不以为然。不过这几天在和不少朋友讨论交流后，我觉得还是有必要跟你聊聊，OpenAI 这么做的道理。

聊这事儿之前，咱们先来了解一下 Sora 的特点和背后的技术原理。

技术

Sora 使用的是 Diffusion Transformer 技术，把之前的两种 AIGC 模型技术（Diffusion 与 Transformer）结合了起来。其中 Diffusion 用于绘图，之前常见的 Stable Diffusion, Midjourney 和 DALLE 3 等，都属于这个范畴；而 Transformer 则是 ChatGPT, GPT-4, Gemini 等一系列大语言模型的基础架构。Sora 将二者结合起来，就使得生成 60 秒 1080P 视频，变成只需要一句提示词的事儿。

这里咱们用最简单的概括，来说说 Sora 的工作原理。从 Diffusion 来说，是用于「给我一堆随机噪点，怎么能让它根据提示词随我心意变化，逐渐清晰成图像的」，也就是它解决空间问题；而 Transformer 则用于解决时间问题，在 ChatGPT 等大语言模型中，它处理的是「前面这句话说完，后面该接什么」的问题。

视频比图像或者文本更复杂，是因为它是个时-空综合问题，所以你需要同时解决二者。