在3月10日的一次创新突破中，硅谷初创公司Pika lab（简称Pika）推出了一项革新性功能，利用自研视频生成模型，能够同时创作画面和声音。此前，全球所有AI生成的视频均无声音，而这一尚未向公众开放的功能，无疑展示了AI技术发展的惊人速度。
2月16日，OpenAI震撼发布文字生成视频模型Sora，凭借简短文本提示，Sora就能精准解析并创造出长达一分钟的视频，引发全球科技界的广泛关注，被部分业内人士称为视频生成领域的“ChatGPT时刻”。3月8日，在历经数月的内部调整后，OpenAI创始人山姆·奥特曼重归董事会，继续引领公司朝着实现通用人工智能（AGI）的目标迈进。
Sora的横空出世预示着什么？我们离AGI还有多远？AI的下一步发展趋势又将指向何方？
OpenAI此次在文生视频赛道的突然发力并不令人意外，其始终坚持追求通用AGI的目标。刘子纬，新加坡南洋理工大学计算机学院助理教授指出，迈向AGI的过程中，AI不仅要具备海量文本理解能力，还需洞察物理世界的种种现象，因此OpenAI必然会在图像、音频、视频等多模态领域持续拓展，而视频生成则是至关重要的一步，因为它承载了世界运行的基本规律。
Sora之所以能惊艳四座，关键在于其采用了Diffusion Transformer（DiT）这一融合了Transformer架构与扩散模型的新颖设计。DiT架构虽非OpenAI独创，但在Sora上的成功应用验证了暴力美学——即通过大规模数据训练和强大的算力支持实现技术突破。此外，OpenAI对视频数据处理的独特方式，如将不同尺寸和分辨率的视频拆分成patch，并为训练集生成字幕以提高文本保真度及视频整体质量，也为其赢得了显著优势。
然而，Sora并非完美无缺，它仍存在生成不符合常识的、可控性差等问题。尽管如此，Sora在短短一分钟内展现的视频生成能力，已标志着该领域的重大飞跃。OpenAI更将其定义为“世界模拟器”，强调经过大规模数据训练后的Sora展现出模拟物理世界某些方面的能力，但这是否意味着真正实现了世界模拟器，业内尚存争议。从Sora的诞生到对AGI未来的探讨，各界普遍认为，AI正逐步揭示真实世界的物理规律，但尚未上升至理性建构世界的层面。对于如何走向真正的AGI，有科学家提出除了依靠数据驱动外，还需要探索其他路径，比如让模型学习理论知识，建立更为理性的认知体系。
同时，Sora的出现再次引发了对深度伪造技术和AI安全性问题的关注。随着AI生成视频技术门槛降低，真实性增强，鉴伪难度加大，社会对AI安全性的认识亟待提升，科研人员也在寻求诸如数字水印等技术手段来加强视频认证的安全性。
面对OpenAI的快速进步，中国及其他国家的科技公司纷纷意识到追赶的重要性。虽然在人才储备、科研成果以及算力资源等方面存在差距，但近年来中国的追赶步伐并未停歇。多位专家强调，国内企业不应仅盯着眼前的成功案例，如Sora，而应在正确的方向上持之以恒地投入底层技术研发，形成自身的技术壁垒，才能在未来的竞争中占据一席之地。
朱松纯教授在科技创新讨论中提出了一个深刻的比喻，即放弃盲目跟随科技热点的“打篮球”模式，转而采取“下围棋”的战略思维，注重全局布局，不局限于当下热门的大数据、大算力、大模型，而是开辟一条属于自己的创新道路，最终在AI领域实现超越与领先。
本文首发于2024年3月18日《中国新闻周刊》第1132期杂志，标题为《Sora将把AI带向何方？》，杨智杰，杜玮。
