近日，OpenAI 發(fā)布了新的文生視頻大模型，名為 “ Sora ”。

Sora 模型可以生成最長 60 秒的高清視頻，生成的畫面可以很好的展現(xiàn)場景中的光影關(guān)系、各個物體間的物理遮擋、碰撞關(guān)系，并且鏡頭絲滑可變。

相信大家已經(jīng)在朋友圈看到了非常多的文章在展示 OpenAI 的官方演示視頻，下面，我們想重點探討為何 Sora 模型的效果看起來遠(yuǎn)超市面上我們見過的其他文生視頻模型，他們都做了什么？

以防您沒看到，我們放幾個示例：

示例視頻的生成提示詞為：

一位時尚的女人走在東京的街道上，街道上到處都是溫暖的發(fā)光霓虹燈和動畫城市標(biāo)志。她身穿黑色皮夾克，紅色長裙，黑色靴子，背著一個黑色錢包。她戴著墨鏡，涂著紅色口紅。她自信而隨意地走路。街道潮濕而反光，營造出五顏六色的燈光的鏡面效果。許多行人四處走動。

AI想象中的龍年春節(jié)，紅旗招展人山人海，有緊跟舞龍隊伍抬頭好奇觀望的兒童，還有不少人掏出手機(jī)邊跟邊拍，海量人物角色各有各的行為。

一名年約三十的宇航員戴著紅色針織摩托頭盔展開冒險之旅，電影預(yù)告片呈現(xiàn)其穿梭于藍(lán)天白云與鹽湖沙漠之間的精彩瞬間，獨特的電影風(fēng)格、采用35毫米膠片拍攝，色彩鮮艷。

豎屏超近景視角下，這只蜥蜴細(xì)節(jié)拉滿。

首先，在文生視頻領(lǐng)域，比較成熟的模型思路有循環(huán)網(wǎng)絡(luò)（ RNN ）、生成對抗網(wǎng)絡(luò)（ GAN ）和擴(kuò)散模型（ Diffusion models ），而本次OpenAI 推出的 Sora 則是一種擴(kuò)散模型。

雖然 GAN 模型之前一直很火，但圖像和視頻生成相關(guān)的領(lǐng)域，現(xiàn)在處于被擴(kuò)散模型統(tǒng)治的階段。

因為擴(kuò)散模型是有非常卓越的優(yōu)越性的，相較于 GAN，擴(kuò)散模型的生成多樣性和訓(xùn)練穩(wěn)定性都要更好。

最重要的是，擴(kuò)散模型在圖片和視頻生成上有更高的天花板，因為 GAN 模型從原理上來看本質(zhì)上是機(jī)器對人的模仿，而擴(kuò)散模型則更像是機(jī)器學(xué)會了 “ 成為一個人 ”。

這么說或許有些抽象，我們換一個不嚴(yán)謹(jǐn)?shù)ㄋ缀美斫獾睦樱?/p>

GAN 模型像是一個勤奮的畫家，但不太受控制，因為畫家（ 生成器 ）一邊不停對著先作（ 訓(xùn)練源 ）畫畫，然后另一邊老師（ 判別器 ）也不停打分。

就在大戰(zhàn)無數(shù)個回合之后，畫家和老師瘋狂升級進(jìn)步，最后直到畫家畫出逼真的畫。

但整個過程不太好控制，經(jīng)常練著練著就走火入魔，輸出一些誰也看不懂的玩意兒。

同時，他的提升過程本質(zhì)上是對先作的不斷模仿，所以他還缺乏創(chuàng)造力，導(dǎo)致天花板也潛在會比較低。

擴(kuò)散模型，則是一個勤奮且聰明的畫家，他并不是機(jī)械的仿作，而是在學(xué)習(xí)大量先作的時候，他學(xué)會了圖像內(nèi)涵與圖像之間的關(guān)系，他大概知道了圖像上的 “ 美 ” 應(yīng)該是什么樣，圖像的某種 “ 風(fēng)格 ” 應(yīng)該是什么樣，他更像是在思考，他是比 GAN 更有前途的畫家。

也就是說，OpenAI 選擇擴(kuò)散模型這個范式來創(chuàng)造文生視頻模型，在當(dāng)下屬于開了個好頭，選擇了一個有潛力的畫家來培養(yǎng)。

那么，另一個疑問就出現(xiàn)了，由于大家都知道擴(kuò)散模型的優(yōu)越性，除了 OpenAI 以外，同樣在做擴(kuò)散模型的還有很多友商，為什么 OpenAI 的看起來更驚艷？

因為 OpenAI 有這樣一個思維：我曾經(jīng)在大語言模型上獲得了非常好的效果、獲得了如此巨大的成功，那我有沒有可能參考這個經(jīng)驗獲得一次新的成功呢？

答案是可以。

OpenAI 認(rèn)為，之前在大語言模型上的成功，得益于 Token（ 可以翻譯成令牌、標(biāo)記、詞元都可，翻譯為詞元會更好理解一些 ），Token 可以優(yōu)雅的把代碼、數(shù)學(xué)以及各種不同的自然語言進(jìn)行統(tǒng)一，進(jìn)而方便規(guī)模巨大的訓(xùn)練。

于是，他們創(chuàng)造了對應(yīng) Token 的 “ Patch ” 概念（ 塊，如果 Token 翻譯為詞元理解的話，Patch 或許可以被我們翻譯為 “ 圖塊 ” ）用于訓(xùn)練 Sora 這個視頻模型。

實際上，在大語言模型中，Token 的應(yīng)用之所以會如此成功，還得益于 Transformer 架構(gòu)，他與 Token 是搭配著來的，所以 Sora 作為一個視頻生成擴(kuò)散模型，區(qū)別于主流視頻生成擴(kuò)散模型采用了 Transformer 架構(gòu)。（ 主流視頻生成擴(kuò)散模型較多采用 U-Net 架構(gòu) ）

也就是說，OpenAI 贏在了經(jīng)驗與技術(shù)路線的選擇上。

但是，Transformer 架構(gòu)這個 “ 成功密碼 ”人盡皆知，在文字、圖像生成上已經(jīng)成為了主流，為什么別人沒想著在視頻生成上用，OpenAI 就用了呢？

這源自另外一個問題：Transformer 架構(gòu)中全注意力機(jī)制的內(nèi)存需求會隨著輸入序列長度而二次方增長，所以處理視頻這樣的高維信號時，計算成本會非常非常高。

通俗點說，就是雖然用了 Transformer 效果會好，但所需的計算資源也是非常恐怖的，這么做不是很經(jīng)濟(jì)。

當(dāng)然，OpenAI 雖然拿各種融資拿到手軟，但也依然沒那么財大氣粗，所以他們并沒有直接猛砸資源，而是想了另外一種方式來解決計算成本高昂的問題。

這里我們要先引入 “ latent ” （ 潛 ）這一概念，它是一種 “ 降維 ” 或者說是 “ 壓縮 ”，意在用更少的信息去表達(dá)信息的本質(zhì)。我們列舉一個不恰當(dāng)?shù)美斫獾睦樱@就好像我們用一個三視圖就能保存記錄一個簡單的立體物體的結(jié)構(gòu)，而非一定要保存這個立體本身。

OpenAI 為此開發(fā)了一個視頻壓縮網(wǎng)絡(luò)，把視頻先降維到潛空間，然后再去拿這些壓縮過的視頻數(shù)據(jù)去生成 Patch ，這樣就能使輸入的信息變少，有效減小 Transformer 架構(gòu)帶來的計算量壓力。

如此一來，大部分問題就都解決了，OpenAI 成功地把文生視頻模型套進(jìn)了其在過去取得巨大成功的大語言模型的范式里，所以效果想不好都難。

除此之外，OpenAI 在訓(xùn)練上的路線選擇也稍有不同。

他們選擇了 “ 原始尺寸、時長 ” 訓(xùn)練，而非業(yè)內(nèi)常用的 “ 把視頻截取成預(yù)設(shè)標(biāo)準(zhǔn)尺寸、時長 ” 后再訓(xùn)練。

這樣的訓(xùn)練給 Sora 帶來了諸多好處：

①生成的視頻能更好地自定義時長；

②生成的視頻能夠更好地自定義視頻尺寸；

③視頻會有更好的取景和構(gòu)圖；

前兩點很好理解，第三點 OpenAI 給出了范例，他們做了一個截取尺寸視頻訓(xùn)練和原始尺寸視頻訓(xùn)練的模型對比：

左側(cè)為截取尺寸視頻訓(xùn)練后模型生成的視頻，右側(cè)為原始尺寸視頻訓(xùn)練后模型生成的視頻

另外，為了文生視頻能夠更好地理解用戶的意圖，達(dá)到更好的生成效果，OpenAI 也在 Sora 模型上加入了一些巧思。

首先，訓(xùn)練 Sora 這樣的文生視頻模型，需要大量含有文本說明的視頻素材，所以 OpenAI 利用自家 DALL·E 3 的 re-captioning 功能，給訓(xùn)練用的視頻素材都加上了高質(zhì)量文本描述，他們表示這樣可以提高輸出視頻的整體質(zhì)量。

除了訓(xùn)練端，在輸入端他們也動了腦筋，用戶輸入的提示詞并非直接交給 Sora 進(jìn)行生成的，OpenAI 利用了 GPT 的能力，在用戶給 Sora 輸入提示詞的時候，GPT 會先將用戶輸入的提示詞進(jìn)行精準(zhǔn)的詳盡擴(kuò)寫，然后再將擴(kuò)寫后的提示詞交給 Sora，這樣能更好地讓 Sora 遵循提示詞來生成更精準(zhǔn)的視頻。

好了，到這里，我們對 Sora 模型為什么看起來更強(qiáng)的簡要解析就結(jié)束了。

從整體來看，你會發(fā)現(xiàn) Sora 模型的成功并非偶然，他能有如此驚艷的效果，全都得益于 OpenAI 過去的工作，包括 GPT、DALL·E 等，有些是直接調(diào)用，有些是借用了思路。

或許我們可以說，OpenAI 自己先成為了一個巨人，然后再站在自己這個巨人的肩膀上，成為了一個新的巨人。

而相對應(yīng)的是，無論國內(nèi)還是國外的其他競爭對手，或許會因為文生文、文生圖上的技術(shù)差，在未來被甩的更遠(yuǎn)。

所謂 “ 彎道超車 ”、“ 差距只有 X 個月 ”，或許是不存在的，只是自我安慰。