OpenAI首席技术官最新透露：Sora预计将在今年发布，计划加入语音功能，还有这些“干货”

　　每经编辑 杜宇

　　穆拉蒂在接受采访时透露，目前利用Sora生成视频的成本非常高，团队正在优化技术，预计将在今年正式发布。

　　穆拉蒂透露，OpenAI人工智能文生视频大模型Sora即将于今年晚些时候正式向公众发布，OpenAI计划最终加入音频功能，以使场景更为真实，同时还将允许用户编辑Sora生成的视频内容。

　　除此之外，穆拉蒂还回答了Sora的特别之处、如何修正瑕疵、是否会包含音频、训练数据来自哪里等若干问题。给出的答案有的笼统，有的不乏诚意。

　　Sora如何“化文字为神奇”？请你想象一幕场景：“一条美人鱼和她的螃蟹伙伴，正在一起浏览智能手机……”

　　作为这场媒体采访的“福利”，主持人获得了让Sora将其提供的多组文本提示，转化为视频图像的机会，而以上的这一幕，便是Sora提供的视频中的一帧。

　　Sora究竟是如何实现这一转换的呢？穆拉蒂表示，尽管解释美人鱼的进化可能都要比解释“扩散模型”（diffusion models）的内部运作容易得多，但简而言之便是：人工智能模型分析了大量视频，学会了识别物体和动作。然后，当你给它一个文字提示时，它就会勾勒出整个场景，然后填充每一帧。

　　在被问及OpenAI为Sora使用了哪些训练数据时，穆拉蒂指出，“我们使用了公开数据和授权数据”。

　　在另外一段视频里，主持人要求Sora制作一段她更为符合这场采访的内容：“两位30多岁、有着棕色头发的职业女性，在一个光线充足的演播室里坐下来接受新闻采访。”

　　最终，在Sora交出的“作业”里，无论是两位女性嘴型和头发的动捕，还是皮夹克上的细节，一切看起来都那么真实。Murati指出，这段20秒的720p分辨率短片，Sora花了几分钟才制作完成，但目前还未能支持配备音效。

　　但穆拉蒂已承诺，他们计划最终会添加声音。

　　Murati还表示，当前Sora生成视频的成本远高于该公司的图像生成器Dall-E。不过，在未来向公众正式发布时，OpenAI将进行优化，以降低对算力的需求。

　　北京时间2月16日，OpenAI发布文生视频模型Sora，效果惊艳，引爆全球。此时距离OpenAI推出ChatGPT，开启生成式AI时代，仅仅过去了14个月时间，AI的进化速度令人震惊。

　　在Sora生成的视频里，女士身着黑色皮衣、红色裙子在霓虹街头行走，不仅主体连贯稳定，还有多镜头，包括从大街景慢慢切入到对女士的脸部表情的特写，以及潮湿的街道地面反射霓虹灯的光影效果。

　　Sora的研究结果表明，扩展视频生成模型是构建物理世界通用模拟器一条极具前景的途径，它使人工智能理解和模拟运动中的物理世界迈向了一个新的高度。

　　有业内人士预言，通用人工智能（AGI）将比预期更早到来，产业差距将拉大。此外，文生视频所带来的颠覆性影响引发了人们的担忧，亦有远虑者就真实与虚拟间模糊的边界反复预警。但少有争议的一点是，Sora被认为有望推动AI应用加速落地。

　　与此同时，Sora的诞生引发了人们对于AI未来发展的更多展望。随着技术的不断进步，AI将在更多领域发挥更大的作用。无论是工业生产、教育培训还是娱乐休闲等领域，AI都将为人类带来更多的惊喜和可能性。

　　2月16日，360创始人周鸿祎发布微博提到自己对Sora的看法，周鸿祎认为，Sora的诞生意味着AGI（通用人工智能）实现可能从10年缩短至一两年。

　　谈到Sora最大的优势，周鸿祎表示，以往文生视频软件都是在2D平面上对图形元素进行操作，可以把视频看成是多个真实图片的组合，并没有真正掌握这个世界的知识。但Sora产生的视频里，它能像人一样理解坦克是有巨大冲击力的，坦克能撞毁汽车，而不会出现汽车撞毁坦克这样的情况，“这次OpenAI利用它的大语言模型优势，让Sora实现了对现实世界的理解和对世界的模拟两层能力，这样产生的视频才是真实的，才能跳出2D的范围模拟真实的物理世界。”

　　周鸿祎提到，有了大模型技术作为基础，再加上人类知识的引导，可以创造各个领域的超级工具，例如在生物医学、蛋白质、基因研究，包括物理、化学、数学的学科研究上，大模型都会发挥作用。

　　“一旦人工智能接上摄像头，把所有的电影都看一遍，把YouTube上和TikTok的视频都看一遍，对世界的理解将远远超过文字学习，一幅图胜过千言万语，这就离AGI真的就不远了，不是10年20年的问题，可能一两年很快就可以实现。”周鸿祎感慨。

　　每日经济新闻综合OpenAI官网、每日经济新闻、公开资料