【机器之心报道】：泽南、蛋酱
引言
近日，一款名为Sora的AI生成视频技术在全球风投界引发热议。在ChatGPT引领的科技军备竞赛中，Sora凭借其出类拔萃的效果和革新性技术路线，成为AI生成视频赛道上备受瞩目的焦点。
Sora横空出世，震撼效果展现无限潜力
Sora所生成的视频生动逼真，以美国西部淘金时代的场景为例，画面质量之高几乎可直接用于专题片制作。其背后的核心技术源自OpenAI研发团队开发的一种基于Diffusion Transformer的新模型，该模型能够对视频和图像潜在代码的时空patch进行高效操作，从而实现前所未有的高清、多角度切换的视频生成能力。
核心团队与关键技术
Sora的研发团队由13位关键成员组成，其中联合领导者Tim Brooks和William Peebles均出自UC Berkeley人工智能研究所，并师从著名教授Alyosha Efros。值得注意的是，Peebles等人发表的一篇论文《Scalable diffusion models with transformers》入选计算机视觉顶会ICCV 2023，被认为是支撑Sora技术创新的重要基石。
技术背后的科研积累
Sora的成功并非一蹴而就，它建立在计算机视觉、自然语言处理等多个领域近年来的技术积淀之上。其中包括：
- Ha, David等人的World Models研究，为强化学习环境建模提供新思路；
- Yan, Chenfei等人的VideoGPT工作，将VQ-VAE和Transformer结合应用于视频生成；
- 来自微软亚洲研究院及北京大学的研究者提出的NÜWA模型，展示了统一多模态预训练的强大能力；- 李飞飞博士提及的预测模块加入的重要性，以及众多其它关于扩散模型、Transformer架构等方面的研究成果。
此外，诸如Meta的MAE、Window Attention Latent Transformer等研究也为Sora带来了灵感和技术支持。
未来探索方向
Meta研究科学家田渊栋指出，Sora不采用传统的下一帧预测方法，这一新颖视角吸引了业界关注。虽然目前Sora已取得显著成就，但AI生成视频领域的未来发展仍存在诸多待解之谜。全球的AI社区正积极挖掘更多创新路径，期望在这一充满挑战与机遇的领域中取得新的突破。
