2月15日，OpenAI推出的创新视频生成模型Sora，以令人惊艳的表现震撼了用户。该模型依托于强大的文生图模型DALL-E 3技术，能够将短短的文字描述转化为长达一分钟的高清视频。对比测试中，当主流工具如Pika、RunwayML和Stable Video面对相同的提示输入时，它们生成的视频通常仅有5秒左右，而Sora却能在一段长达17秒的视频场景中保持动作与画面的连贯一致性，这一卓越性能得到了业界大佬Gabor Cselle的高度认可，并将其比喻为视频生成领域的“GPT-3时刻”。
英伟达人工智能研究院首席研究科学家Jim Fan更是对Sora的能力发出赞叹，认为它如同一个“数据驱动的物理引擎”，是一个可学习的模拟器或称“世界模型”。360集团创始人、董事长周鸿祎则预测，随着Sora的诞生，人类距离实现AGI（通用人工智能）已不再遥远，可能在一两年内就能看到实质性的突破。
OpenAI随后发布的技术报告深入剖析了Sora的强大性能及其背后的关键技术支持，并客观分析了其局限性。《每日经济新闻》记者梳理总结出Sora六大核心优势：
1. 准确多样：Sora能精准诠释用户的文本输入，生成涵盖丰富主题、多样场景和人物的高质量视频片段，从人物动物到自然风光、都市景象乃至水下纽约城，都能根据用户需求提供多样化的，甚至可以处理多达135个单词的长篇提示。2. 强大语言理解：通过应用Dall-E模型的re-captioning技术和GPT技术，Sora不仅能提高文本解释的准确性，还提升了整体视频质量，使其能够依据用户简短提示创作出细节丰富的高品质视频。
3. 多模态输入：除了接受文本输入，Sora还能处理图像和现有视频等其他类型提示，具备广泛的能力，包括制作循环视频、将静态图片转为动画、延伸视频时间线等，展示了其在图像和视频领域广阔的应用前景。
4. 视频扩展功能：Sora可以根据图像或现有视频进行扩展，作为基于Transformer的扩散模型，能够沿时间轴向前或向后延展视频，展现了灵活多变的时间线操控能力。
5. 优异设备适配性：Sora支持多种视频尺寸输出，无论是宽屏1920x1080p还是竖屏1080x1920，都能轻松应对，保证生成的与各种设备原始纵横比完美匹配。此外，它还可在生成高分辨率前快速创建小尺寸原型。
6. 场景连续性和物体一致性：Sora生成的视频拥有动态视角变化，场景中的三维元素运动表现得更为自然，且能有效处理遮挡问题，即使主体暂时离开视野也能确保画面一致性。
外媒报道指出，Sora的推出标志着AI研究的重要里程碑，其模拟和理解现实世界的能力为迈向AGI奠定了基础。伊利诺伊大学厄巴纳-香槟分校信息科学教授Ted Underwood表示，Sora展现的持续、连贯视频制作水平超乎预期，相较于其他文本到视频工具，“容量显著提升”。
目前，Sora已面向红队成员及部分创意人士开放使用。英伟达的Jim Fan强调，不应将Sora视为简单的生成式工具，而应视作一个数据驱动的物理引擎和可学习的模拟器，它的出现象征着文本生成视频的GPT-3级突破。马斯克也在社交媒体上回应道，AI加持的人类将在未来几年创造最优秀的作品。
然而，Sora的革新力量也将给影视、广告制作、教育、游戏、新闻和动画等多个行业带来巨大变革，甚至可能产生颠覆性影响。尽管如此，Sora对于复杂场景物理原理的理解仍有不足，可能出现违背物理常识的现象。同时，由于可能存在的滥用风险，监管机构也正加强对这类技术的管理，例如美国联邦贸易委员会提出禁止利用AI工具冒充个人的新规。
综上所述，Sora不仅预示着视频生成技术的巨大飞跃，更揭示了AI在未来理解和模拟真实世界方面所蕴含的巨大潜力，同时也提醒我们关注技术创新所带来的伦理挑战和社会影响。
