Sora火了，通用人工智能要来了？
2024年开年，Sora的横空出世，给AI界投下一枚重磅炸弹。
这个由美国人工智能公司OpenAI发布的文生视频模型，只需要一段提示文本，就能生成具有多个角色和特定动作类型，且主题和背景基本准确的高清视频。相较于Runway Gen 2、Pika等AI视频生成应用几秒钟连贯性的视频产出，Sora可生成长达60秒的连续、稳定、高品质视频，且提示文本越充分、细节越精确，生成的视频越真实。
不过，出于可能被滥用的担忧，OpenAI表示目前并没有公开发布Sora的计划。模型有限的访问权限只被授予小部分研究人员和创意人士等群体，以便OpenAI获取他们的使用反馈。
目前，官网上已更新了48个Sora生成的演示视频。这些视频清晰且真实的细节和超高的精度不禁引发人们思考：这是否意味着具备人类同等智能或超越人类智能的通用人工智能（AGI）的到来？
对研究AGI意义重大
Sora问世后，360集团创始人周鸿祎发表了看法：Sora的出现让AGI到来的时间提前了。原来估计需要十来年，现在可能只要两三年。他认为，Sora虽然看起来只是个文生视频工具，但实际上是AI认知世界并与之进行交互的里程碑，会给整个产业带来巨大进步。
“实现AGI的技术路线多样，涉及不同的研究方法和应用方向。”中国科学院自动化研究所副总工程师、紫东太初大模型中心常务副主任王金桥向科技日报记者介绍，目前，学术界和工业界广泛讨论的AGI技术路线主要有三条。一是信息智能，即“大数据+自监督学习+大算力”。这种方法依赖大量数据，通过自监督学习算法来训练模型，同时需要巨大的计算能力来处理复杂任务。二是博弈智能。这种技术路线强调在人机交互中通过强化学习的方式训练智能体，使其能进行自主学习和决策。三是类脑智能。这种方法试图通过模仿人脑的运行方式实现AGI。
在王金桥看来，根据官网的演示视频，Sora至少在画质、长视频生成、多镜头一致性、学习世界规律、多模态融合等方面实现突破。
“Sora能引发如此轰动，并不只是因为它生成的视频时间更长、清晰度更高，而是因为它能在一定程度上模拟物理世界中的物体运动和交互。”王金桥说，“这种能力对于AGI的研究具有重要意义，因为它涉及机器对现实世界的深入理解和高度模拟，而这些是实现AGI的核心挑战。”
记者了解到，为了准确模拟物理世界，Sora被投喂了极大规模的训练数据，并使用了扩散模型等先进的算法。“对于AGI而言，Sora让大家看到，规模效应不只在文字模态上成立，在视频模态上也成立。”北京月之暗面科技有限公司（Moonshot AI）联合创始人周昕宇认为，“通过扩展视频生成模型可以建立通用物理世界模拟器。这是实现AGI的必要过程。”
距真正实现AGI仍有距离
虽然进步显著、令人惊艳，但Sora仍然存在一些技术缺陷。
从目前Sora生成的视频来看，它在处理某些细节时可能会出错，例如混淆物体的左右方向。同时，它也无法完全理解复杂的因果关系，或在长时间跨度内保持故事线的高度一致连贯。这些技术缺陷导致生成的视频内容可能出现与逻辑错误，或与常识、真实情形不符的情况。
“Sora模拟真实物理世界的方式，是通过对给定的文字、图像、参考视频进行建模，然后预测想要生成的视频数据的条件概率分布。这与语言模型的原理没有本质区别，同样是在做无损压缩。”周昕宇说，“只要压缩得足够好，就可以模拟出足够真实的物理世界。”
王金桥强调，尽管Sora能够通过学习了解表层的运动和交互关系，但是还没有学习到物理规律的本质。比如，它不知道多大的风能吹灭蜡烛，不了解玻璃掉到地上会碎、掉到地毯上不会碎的本质原因。这也是Sora目前最为人诟病之处。
“从Sora为数不多的公开资料来看，它仍是数据驱动下的拟合，也就是模拟人类所能看到的物理世界。但真实的物理世界远不仅包含人类视觉信息。”北京中关村科金技术有限公司技术副总裁张杰认为，Sora的创意来自大数据量下的概率拟合，它并没有产生新知识，距离“深度模拟真实物理世界”这一目标还有很长的路要走。
中国社会科学院哲学研究所科技哲学研究室主任、研究员段伟文同样表达了审慎的观点。“Sora这种近乎人类的表达实际上是一种基于现有数据和语料的合成智能。”他说，“它给实现AGI找到了一种可行的路径，但距真正的AGI还有很长的距离，且对实现AGI的价值相对有限。”
事实上，实现AGI这一目标可谓道阻且长。王金桥谈到了几大挑战。首先是数据瓶颈。尽管像GPT-4这样的预训练语言模型在数据标注上取得了进展，但数据依然是深度学习中的一个关键限制因素；其次是泛化瓶颈。目前的AI系统往往在特定任务上表现出色，但在面对新任务时难以有效适应；最后是能耗瓶颈。随着AI模型变得越来越复杂，所需的计算资源和能源消耗也越来越大。这对硬件设备提出了更高要求。
或将率先落地传媒领域
Sora的发布不仅推动了技术的发展，也引发了对AI治理和伦理的探讨。
段伟文提到，OpenAI采取了相关手段来阻止不当视频的发布。王金桥进一步解释道， Sora内置的文本提示过滤器可筛选发送给模型的所有提示，阻止对暴力、色情内容、仇恨言论以及名人肖像等敏感或不适当内容的请求。视频内容过滤器能检查生成的视频帧，屏蔽违反OpenAI安全政策的内容。
另外，OpenAI团队可能会定期对Sora进行优化和更新，以改进其过滤机制，确保模型能够更好地识别和处理敏感内容。同时，团队可能会监控系统的使用情况，以便及时发现并解决新出现的问题。
“从技术上看，Sora避免极端暴力、色情、名人肖像等内容出现的方式，主要依靠的是模型的对齐能力。”周昕宇说，“这一点和语言模型的区别不大，也已经有比较多的实践经验。”
据国际数据公司预测，Sora将率先在短视频、广告、互动娱乐、影视制作和媒体等传媒领域得到应用。Sora的诸多能力，可以辅助这些领域的工作者更高效地进行视频创作，加快生产速度，提高产出数量。这将助力相关行业降低成本、提升效率，进一步优化用户体验。（记者 崔爽）