2月18日，在科技界知名主播Dr.KnowItAll发布的一条题为“OpenAI重磅炸弹验证特斯拉理论”的视频下，马斯克评论称，特斯拉早在一年前就已经掌握了利用精确物理原理创建真实世界视频的技术。他随之转发了一段2023年的视频，展示了特斯拉自动驾驶总监Ashok Elluswamy如何借助AI模拟真实驾驶场景。视频揭示了特斯拉AI能同步生成七个不同视角下的驾驶视频，只需输入简单的指令如“直行”或“变道”，七路视频便能实时联动变化。
尽管如此，并不意味着特斯拉当时已经具备了Sora级别的技术实力，毕竟特斯拉的生成技术仅限于模拟车辆行驶环境，而Sora则能够处理更为复杂的环境、场景、提示及物理规律信息，二者难度上不可同日而语。但值得关注的是，特斯拉AI和Sora在训练理念上的共通之处：它们都在尝试训练AI理解和构建真实的场景乃至世界，而非单纯地生成视频，视频只是从单一视角观察这个虚拟世界的时空片段。特斯拉和OpenAI这两家业务领域迥异的公司，正以各自独特的路径探索真实世界的感知，共同追求的目标指向了AGI（通用人工智能），具体而言，则是对具身智能和智能体的深度开发。
理解这一核心观点的关键在于洞悉OpenAI赋予Sora的使命——它不仅仅是为了取代视频创，而是将视频生成作为一种工具，帮助AI理解现实世界，成为一个“世界模拟器”。这一点在OpenAI官网上关于Sora的研究论文《将视频生成模型作为世界模拟器》中得到了突出体现。“世界模拟器”一词，较之单纯的视频生成，显得尤为重要。
追溯至特斯拉发布FSD V12之际，这家以汽车为核心产品的AI公司，也展示了类似的能力。工程师删除了超过30万行定义驾驶规则的代码，使得系统能够通过学习海量驾驶视频来应对真实驾驶情境，而不是按照预设规则机械执行命令。虽然FSD与作为“生成式模型”的Sora存在差异，其目标专注于自动驾驶，无需生成具体的视频画面，但特斯拉FSD同样体现了对周围环境的理解能力和对未来趋势的判断力。现在，特斯拉和OpenAI这两家风格迥异的企业，正分别采用独特的方法和途径，朝着“通过视频生成技术使AI理解物理世界”这一共同目标挺进。其中，Sora运行机制的核心在于结合Transformer和Diffusion两种关键模型。Transformer模型广泛应用于诸如ChatGPT、Gemini、LLaMA等语言模型中，用于词语预测；而Diffusion模型则是“文生图”领域的代表作。
从“理解世界”的角度审视Sora，其视频生成的质量评判标准并非画质本身，甚至官网展示的60秒连续镜头也不是最关键的部分。真正的亮点在于，生成的视频可以被剪辑并在多个机位下保持高度一致，无论广角、中景、近景还是特写，人物与背景的关系都能精准匹配，这正是Sora接近真实世界并遥遥领先同行之处。
这一特性与特斯拉FSD采用的“纯视觉方案”相辅相成。特斯拉摒弃了多数车企依赖的激光雷达，转而依靠高清摄像头采集数据并通过神经网络学习来判断距离关系。无论是对于特斯拉还是OpenAI，这都是巨大的挑战，因为他们需要基于二维输入画面去理解和输出三维世界的信息。
规模和质量构成了训练模型的基础。特斯拉的数据源于实际道路上搭载传感器的车辆，而OpenAI的大量数据则主要来源于网络资源。特斯拉曾与Uber合作获取“五星司机”素材训练FSD，以此确保高质量数据输入；与此同时，OpenAI创始人奥特曼近期筹集万亿资金的动作，显示了对算力和数据规模的重视。
计算资源直接影响生成视频的质量，资源投入量的不同会带来显著的视频效果差异。回到最初的问题，为何我们会认为Sora与FSD v12具有相似性？Sora以及OpenAI未来的发展空间何在？它们与AGI又存在着怎样的联系？
在马斯克眼中，当人工智能真正能够解决物理、数学、化学等各种问题时，就意味着AGI的到来。然而，另一个维度的理解聚焦于具身智能，即AI能否像现实中拥有一定智商的生物一样，通过运动与物理世界进行互动。过去受限于二维信息输入的AI难以做到这一点，而Sora的出现，正如马斯克在X平台上评价的那样，“GG Humans”，因为它打破了次元壁，让AI拥有了理解并继续学习真实世界的能力，从而进一步影响现实世界。
如同特斯拉利用生成能力训练自动驾驶车辆，Sora的价值远不止于作为一个强大的影视创作生产力工具（尽管这是个极具挑战性和需求旺盛的场景）。周鸿祎指出，“Sora展现出的不仅仅是视频制作能力，更是大模型对真实世界理解和模拟后可能带来的全新成果与突破。”
