文零态 LT 吴狄编辑胡展嘉运营陈佳慧
周鸿祎又口出狂言了。
他说，"AGI（通用人工智能）的实现将从 10 年缩短到 1 年"，而背后的原因，仅仅是因为一个 1 分钟的短视频。
注意看，这个女人叫小美，她正向我们走来。虽然身处日本某条热闹的大街，小美却总是不停地回头张望，似乎在暗示观众镜头之外隐藏了不为人知的秘密。
图：主角出场
镜头拉近，可以清晰看到小美修长的脖子和优美的下颌线，让整个画面充满了令人无法抗拒的神秘和美感。
实际上，整个短视频中，从街景到行人，包括小美，在现实中根本不存在。这是 OpenAI 最新产品 Sora 制作的演示视频，而正是这个视频，让周鸿祎做出了 AGI 发展将会 10 倍提速的预言。
传统方式制作这样一段 1 分钟的视频成本非常高。除了需要选址，选演员，提前进行分镜构图，架设机位外等，想要碰上如此理想的天气，还需要赌一赌运气。落日转瞬即逝，一旦失误就只能第二天重头来过。
拍摄完成后，是非常耗时的后期制作。不仅要调整画面色调，还要仔细核对画面中是否有瑕疵，比如眼镜反射的画面会不会导致穿帮、路人中是否出现不协调元素等等。
但 Sora 出马，全部流程就是（字面意义上的）一句话的事。
Sora 官网上公布了十几段"制作"精良的高清演示短片， 从现实人物到 3D 动画，所有短片都是通过一句话生成的。
看过这些短片后，我科技圈的朋友集体表示"炸裂"；大众圈的朋友表示"AI 都到了这种程度了吗"；而摄影圈的朋友表示，尽管还是能看出和人类摄影师有一点点差距，但依然被 Sora 的效果震撼了，进而纷纷开始和我讨论起失业以后，除了送外卖还可以从事什么工作。
但如果我们抛开网上铺天盖地、对 Sora 近乎玄幻的赞誉，跳出官网演示视频的魅惑就会发现，Sora 本质上是生成式 AI 在视频领域的一个应用，一个 diffusion transformer 模型。
而官方宣传的 Sora 所有功能，例如通过文字或者图片生成高清短视频，在此基础上进行扩展生成一段更长的视频等，其实很多公司都在做。比较知名的产品包括已经商用的 Runway，免费的 Pika，以及还在完善阶段的 Google Lumiere、Meta Make-A-Video，还有一些知名度稍低的产品如 Leonardo，FinalFrame 等等。
这里就有一个很大的疑问：凭什么出圈的又是 Sora，它真有网上说的那么神吗？
01 凭借更逼真的效果，OpenAI 再次出圈
1 月 24 日，谷歌研究人员公布了一段 Lumiere 的演示视频。画质非常高清，且真实。
图：由 Lumiere 生成的游泳海龟视频
Lumiere 除了可以生成真实图片外，还可以实现一键换装、根据图片和提示词生成动态视频等功能。
图：一键换装
2 月 15 日，刚刚过完情人节的谷歌在疯狂星期四又重磅推出了下一代 AI 产品 Gemini 1.5。在此前的演示视频中，Gemini 已经展现了其在图像识别和多轮对话中的逆天能力。
演示视频中，演示人员画了一个类似鸭子的轮廓让 Gemini 辨认，Gemini 表示它觉得像个鸟。
图：Gemini 演示
但是当演示人员画上了波浪后，Gemini 表示通过长脖子长嘴又会游泳这几个依据，判断这是只鸭子。
图：Gemini 演示
随后演示人员拿了个玩具小鸭子问 Gemini 这个东西是什么材质做的，Gemini 表示看起来可能是橡胶也可能是塑料。而当演示人员捏响橡胶鸭子后，Gemini 立刻判断出是用柔软的橡胶做成的。
图：Gemini 演示
就在圈内很多人认为谷歌将要凭借 Lumiere 和 Gemini 拿下今年头条的时候，OpenAI 仅仅用 Sora 就轻松获得了更高的关注度。
Sora 这个词很有意思，它在韩语中表示海螺壳，在日语中表示天空，在芬兰语中表示砂砾。这就很难不让人想到《海底两万里》的鹦鹉螺号，《沙丘》，以及"我们的目标是星辰大海"的豪情壮志。
而且 Sora 是一个比较常见的名字，比 Lumiere（法语，光）更短、更好读。
和 GPT 当年的故事如出一辙，Sora 也是踩着竞争对手以碾压式的优势胜出。相比同类产品，Sora 能抓住提示词的精髓，巧妙地生成具有多个角色和特定动作的场景。
有人做过对比，使用同样的提示词，让 AI 生成一个在花园里、似乎正在追逐什么东西、快乐奔跑的黄白相间的猫，最终结果的差距十分明显。
图：不同 AI 产品的效果对比
上面由 Sora 生成的视频看起来非常真实，甚至在奔跑时候，猫腮帮子上的毛都会随着脑袋起伏。而下面通过 Pika, Runway， Leonardo, FinalFrame 生成的视频，猫不仅看起来不像真的，连动作都很诡异。
在生成的视频时长上，Sora 也碾压友商。Sora 可以生成 1 分钟的视频，相对的，Pika 是 3 秒，Runway 是 4 秒，Lumiere 是 5 秒。
最重要的是，Sora 有望解决一个生成式 AI 的痛点，那就是同样的提示词通常不会生成同样的结果，例如"黄白相间的猫"这个提示词，不同的视频里会出现不同模样的黄白相间的猫。导致的结果，就是无法通过拼接来创作更长的视频。
尽管 Sora 一出道就秀出了远超同行的肌肉，但 Sora 并没有选择像 Pika、Runway 一样，开放给大众使用，而是采取了 Google、Meta 类似的保守策略，先官宣来吊足大家胃口，然后慢慢内测，等待一个合适的时机，再向大众开放。
因为，有很多关键问题，大家都没有找到好的解决方案。
02 AI 一调皮，人类就头疼
生成式 AI 天生就有一个"不按物理定律出牌"的老毛病，即便是看起来已经非常接近真实世界的 Sora 也不例外。这个问题过于明显，以至于 OpenAI 都懒得去遮掩，干脆自己先大方的说了出来。
从内测用户流出的视频可以发现，Sora 无视物理法则随意发挥的意愿十分高涨，而这种意愿在"必须还原物理世界"的规则约束下，很容易生成像人类做梦一样的场景。有过做梦经历的朋友应该会这样的体会：明明梦是虚幻的，但在梦里你的感受又很"真实"。
下面就是个很典型的例子。
图：Sora 的梦境物理
注意看，视频中的这个杯子莫名其妙的跳了起来并侧翻在桌面上，杯中的液体在杯子跳起来的一瞬间穿透了杯底铺满桌面，而最终杯子连同里面剩余的液体一起，融进了桌面。
图：融进桌面的杯子
这样的视频显然无法应用在正式的场合，大概率只能出现在B站的鬼畜区，告诉你一个学了 3 年动画的人，是如何因为一个毕业作品被老师轰出门外的故事。
此外，Sora 对算力有很高的要求。下面这个视频演示了低算力和高算力之间的差距能有多可怕。
图：算力差距
而想要高算力，就得花更多的钱。
以 Runway 为例，个人版收费模式分 3 档，标准版为每月 15 美元，可以制作一个 125 秒的 Gen-1 视频，或者 44 秒的 Gen-2 视频，相当于每秒1-2.4 元人民币，超出部分需要额外付费。Pro 版每月 35 美元，至尊版每月 95 美元。而用户如果希望加快视频的产出效率，也需要额外购买"时间"。
03 能力越大，危险越大
生成式 AI 在社会层面有几个老生常谈的问题。
首先就是造假问题。AI 生成的视频越真实，造假就越容易。最直接的解决办法是将 AI 生成的内容打上一个特殊的标签，以便于平台将其和人工拍摄的视频进行区分，OpenAI 和 Google 的确也在做这件事。
但水印的问题在于，它可以在分享的过程中会被人恶意抹除。例如通过截图、录屏的方式获得视频副本，不会带有任何水印。
其次是版权问题。版权问题比造假更加复杂，它既是一个形而上的宏大概念，又和每一个创作者的个人利益息息相关。目前对版权的争论主要集中在 AI 和人类对齐的过程中，比如，AI 通过学习别的艺术家的风格在此基础上进行的创作，和人类以同样方式进行的创作，本质上有没有区别？
而更直白的问题则是，AI 到底是来帮我赚钱的，还是来跟我抢钱呢？
这些问题一个比一个难解决，也就意味着 Sora 们至少在短时间内不会向公众开放。从某种角度来看，这或许对于视频制作者是一个好消息，至少有了更多的缓冲时间，来思考如何应对接下来 Sora 们带来的冲击。
无论如何，Sora 们向公众开放，只是时间问题，至于会不会像周鸿祎预言的那么快，可能还存在疑问。但有一点毫无疑问：
那时候的 Sora 们，将比现在更加强大。
