尽管OpenAI尚未公布Sora对公众开放的确切日期，目前仅向安全团队、视觉艺术家、设计师及电影制作人等特定群体开放了使用权限，但其官网已上线了技术报告并不断释出内部人士的演示片段。据悉，Sora沿用了与GPT模型类似的Transformer架构，这一关键技术被广泛认为是支撑其强大能力的核心所在。深入探究，Sora与Pika、Runway等同类文生视频模型采用了底层相同的Diffusion扩散模型，但独特之处在于Sora对其实现逻辑进行了革新，创造性地用Transformer架构替换了原有的U-Net架构。北京邮电大学智能交互设计专业副教授谭剑在接受澎湃新闻采访时指出，相较于其他AI模型架构，Transformer架构具有两大显著理论优势：一是能够自动生成跨维度、多层次的知识网络或信息网络，犹如一张无缝对接的思维导图；二是其权重关联机制（attention机制）使其能根据任何数据的上下文环境理解相关高低维度信息，而这要求输入数据量足够庞大且维度丰富。
一位不愿具名的AI大模型从业人士透露，Sora的技术核心思路在于运用视觉块编码方式将不同格式的视频统一编码后，通过Transformer架构进行训练，并引入类似Diffusion的Unet方式在降维和升维过程中实现加噪与去噪处理。通过巧妙的设计细节，Sora不仅解决了视频“闪烁”问题，还能直接生成高分辨率1080p图像以及长达60秒的高质量视频，显示其训练序列较长，训练窗口至少为五秒。
然而，OpenAI发布的Sora技术报告仍留有诸多悬念。浙江大学百人计划研究员、博士生导师赵俊博表示，尽管Sora所采用的扩散Transformer架构可能是其成功的关键之一，但当前公开的并未详尽揭示更多的技术细节。他强调，从最基础的原理出发，学术界对于Transformer神经网络架构的理解尚处于初级阶段，尤其是对其在扩大规模后展现出的强大效能感到惊叹。
此外，关于Sora的训练数据来源也成为业界热议焦点。据推测，Sora可能利用了游戏引擎生成的大规模数据进行训练，但具体的数据收集、生产加工过程以及如何将其喂给Sora进行预训练管线化的过程仍然成谜。
谈及Sora对AI业界及学界的影响，赵俊博认为，由于该模型在技术上仍有待验证和完善，故应保持审慎乐观的态度：“Sora无疑会对AI视频领域的研究者及竞品带来重大冲击，但在生成模型的实际应用层面，可控性仍然是一个亟待解决的重大问题。要谈论产业影响，就必须明确目标用户、应用场景以及解决何种痛点需求，这些产业化落地的思考同样适用于此。”
谭剑进一步指出，OpenAI借助ChatGPT和Sora的成功案例有力验证了纳什嵌入定律，即高维信息世界可以无缝兼容低维世界，实现所谓的“降维打击”。尽管构建此类高维AI模型需要跨越极高的数据和硬件门槛，但随着OpenAI的成功先例，后续或将有更多团队有望取得突破。
值得注意的是，在OpenAI发布Sora的数小时前，谷歌亦推出了其Gemini 1.5版本的多模态通用模型，其中的Gemini 1.5 Pro将稳定处理上下文的能力上限提高到了100万tokens。然而，Sora的横空出世瞬间盖过了Gemini 1.5的风头，加之OpenAI在Sora报告中引用的多篇核心论文均出自谷歌科研团队，使得这两家科技巨头之间的“恩怨情仇”再度成为话题焦点，甚至有人戏称OpenAI是“站在谷歌肩膀上”。
对此，赵俊博表示，虽然理论共享至关重要，但在现代科技发展环境中，单靠个人智慧和灵感实现重大技术突破的时代已经过去。他认为，关键在于人才团队的组建、算力和数据资源的积累，以及时间上的沉淀，将这样的系统视为一个庞大的“工艺装置”，其中的探索和形成过程才是最为关键的。
最后，针对Sora的出现是否与AGI（通用人工智能）有关联的问题，赵俊博在朋友圈撰文表达了反对意见，他认为目前我们距离AGI还有很长一段路要走。他解释道，一个真正的世界模型应当具备输出动作、预测未来以及判断当前状态的能力。尽管Sora可能已经学习到了一些世界运行的模式，但它是否拥有上述全部能力尚不得而知。不过，如果有一天能解开其embedding的秘密，或许我们将能更深入地了解Sora的本质。
