效果炸裂！OpenAI首個視頻生成模型發(fā)布，網(wǎng)友：整個行業(yè)RIP

夢晨 西風(fēng) 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

剛剛，奧特曼發(fā)布OpenAI首個視頻生成模型Sora。

完美繼承DALL·E 3的畫質(zhì)和遵循指令能力，能生成長達(dá)1分鐘的高清視頻。

AI想象中的龍年春節(jié)，紅旗招展人山人海。

有緊跟舞龍隊(duì)伍抬頭好奇官網(wǎng)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。

雨后東京街頭，潮濕地面反射霓虹燈光影效果堪比RTX ON。

行駛中的列車窗外偶遇遮擋，車內(nèi)人物倒影短暫出現(xiàn)非常驚艷。

也可以來一段好萊塢大片質(zhì)感的電影預(yù)告片：

豎屏超近景視角下，這只蜥蜴細(xì)節(jié)拉滿：

網(wǎng)友直呼game over，工作要丟了：

甚至有人已經(jīng)開始“悼念”一整個行業(yè)：

AI理解運(yùn)動中的物理世界

OpenAI表示，正在教AI理解和模擬運(yùn)動中的物理世界，目標(biāo)是訓(xùn)練模型來幫助人們解決需要現(xiàn)實(shí)世界交互的問題

根據(jù)文本提示生成視頻，僅僅是整個計(jì)劃其中的一步。

目前Sora已經(jīng)能生成具有多個角色、包含特定運(yùn)動的復(fù)雜場景，不僅能理解用戶在提示中提出的要求，還了解這些物體在物理世界中的存在方式。

Sora還可以在單個視頻中創(chuàng)建多個鏡頭，并依靠對語言的深入理解準(zhǔn)確地解釋提示詞，保留角色和視覺風(fēng)格。

對于Sora當(dāng)前存在的弱點(diǎn)，OpenAI也不避諱，指出它可能難以準(zhǔn)確模擬復(fù)雜場景的物理原理，并且可能無法理解因果關(guān)系。

例如“五只灰狼幼崽在一條偏僻的碎石路上互相嬉戲、追逐”，狼的數(shù)量會變化，一些憑空出現(xiàn)或消失。

該模型還可能混淆提示的空間細(xì)節(jié)，例如混淆左右，并且可能難以精確描述隨著時間推移發(fā)生的事件，例如遵循特定的相機(jī)軌跡。

如提示詞“籃球穿過籃筐然后爆炸”中，籃球沒有正確被籃筐阻擋。

技術(shù)方面，目前OpenAI透露的不多，簡單介紹如下：

Sora是一種擴(kuò)散模型，從噪聲開始，能夠一次生成整個視頻或擴(kuò)展視頻的長度，

關(guān)鍵之處在于一次生成多幀的預(yù)測，確保畫面主體即使暫時離開視野也能保持不變。

與GPT模型類似，Sora使用了Transformer架構(gòu)，有很強(qiáng)的擴(kuò)展性。

在數(shù)據(jù)方面，OpenAI將視頻和圖像表示為patch，類似于GPT中的token。

通過這種統(tǒng)一的數(shù)據(jù)表示方式，可以在比以前更廣泛的視覺數(shù)據(jù)上訓(xùn)練模型，涵蓋不同的持續(xù)時間、分辨率和縱橫比。

Sora建立在過去對DALL·E和GPT模型的研究之上。它使用DALL·E 3的重述提示詞技術(shù)，為視覺訓(xùn)練數(shù)據(jù)生成高度描述性的標(biāo)注，因此能夠更忠實(shí)地遵循用戶的文本指令。

除了能夠僅根據(jù)文本指令生成視頻之外，該模型還能夠獲取現(xiàn)有的靜態(tài)圖像并從中生成視頻，準(zhǔn)確地讓圖像內(nèi)容動起來并關(guān)注小細(xì)節(jié)。

該模型還可以獲取現(xiàn)有視頻并對其進(jìn)行擴(kuò)展或填充缺失的幀，請參閱技術(shù)論文了解更多信息（晚些時候發(fā)布）。

Sora 是能夠理解和模擬現(xiàn)實(shí)世界的模型的基礎(chǔ)，OpenAI相信這一功能將成為實(shí)現(xiàn)AGI的重要里程碑。

奧特曼在線接單

目前已有一些視覺藝術(shù)家、設(shè)計(jì)師和電影制作人（以及OpenAI員工）獲得了Sora訪問權(quán)限。

他們開始不斷po出新的作品，奧特曼也開始了在線接單模式。

帶上你的提示詞@sama，就有可能收到生成好的視頻回復(fù)。