Sora火了，通用人工智能要来了？

　　只需一段提示文本，就能生成60秒连贯性视频——

　　Sora火了，通用人工智能要来了？

　　2024年开年，Sora的横空出世，给AI界投下一枚重磅炸弹。

　　这个由美国人工智能公司OpenAI发布的文生视频模型，只需要一段提示文本，就能生成具有多个角色和特定动作类型，且主题和背景基本准确的高清视频。相较于Runway Gen 2、Pika等AI视频生成应用几秒钟连贯性的视频产出，Sora可生成长达60秒的连续、稳定、高品质视频，且提示文本越充分、细节越精确，生成的视频越真实。

　　不过，出于可能遭滥用的担忧，OpenAI表示目前并没有公开发布Sora的计划。模型有限的访问权限只遭授予小部分研究人员和创意人士等群体，以便OpenAI获取他们的使用反馈。

　　目前，官网上已更新了48个Sora生成的演示视频。这些视频清晰且真实的细节和超高的精度不禁引发人们思考：这是否意味着具备人类同等智能或超越人类智能的通用人工智能(AGI)的到来？

　　对研究AGI意义重大

　　Sora问世后，360集团创始人周鸿祎发表了看法：Sora的出现让AGI到来的时间提前了。原来估计需要十来年，现在可能只要两三年。他认为，Sora虽然看起来只是个文生视频工具，但实际上是AI认知世界并与之进行交互的里程碑，会给整个产业带来巨大进步。

　　“实现AGI的技术路线多样，涉及不同的研究方法和应用方向。”中国科学院自动化研究所副总工程师、紫东太初大模型中心常务副主任王金桥向科技日报记者介绍，目前，学术界和工业界广泛讨论的AGI技术路线主要有三条。一是信息智能，即“大数据+自监督学习+大算力”。这种方法依赖大量数据，通过自监督学习算法来训练模型，同时需要巨大的计算能力来处理复杂任务。二是博弈智能。这种技术路线强调在人机交互中通过强化学习的方式训练智能体，使其能进行自主学习和决策。三是类脑智能。这种方法试图通过模仿人脑的运行方式实现AGI。

　　在王金桥看来，根据官网的演示视频，Sora至少在画质、长视频生成、多镜头一致性、学习世界规律、多模态融合等方面实现突破。

　　“Sora能引发如此轰动，并不只是因为它生成的视频时间更长、清晰度更高，而是因为它能在一定程度上模拟物理世界中的物体运动和交互。”王金桥说，“这种能力对于AGI的研究具有重要意义，因为它涉及机器对现实世界的深入理解和高度模拟，而这些是实现AGI的核心挑战。”

　　记者了解到，为了准确模拟物理世界，Sora遭投喂了极大规模的训练数据，并使用了扩散模型等先进的算法。“对于AGI而言，Sora让大家看到，规模效应不只在文字模态上成立，在视频模态上也成立。”北京月之暗面科技有限公司(Moonshot AI)联合创始人周昕宇认为，“通过扩展视频生成模型可以建立通用物理世界模拟器。这是实现AGI的必要过程。”

　　距真正实现AGI仍有距离

　　虽然进步显著、令人惊艳，但Sora仍然存在一些技术缺陷。

　　从目前Sora生成的视频来看，它在处理某些细节时可能会出错，例如混淆物体的左右方向。同时，它也无法完全理解复杂的因果关系，融易新媒体消息，或在长时间跨度内保持故事线的高度一致连贯。这些技术缺陷导致生成的视频内容可能出现与逻辑错误，或与常识、真实情形不符的情况。

　　“Sora模拟真实物理世界的方式，是通过对给定的文字、图像、参考视频进行建模，然后预测想要生成的视频数据的条件概率分布。这与语言模型的原理没有本质区别，同样是在做无损压缩。”周昕宇说，“只要压缩得足够好，就可以模拟出足够真实的物理世界。”

　　王金桥强调，尽管Sora能够通过学习了解表层的运动和交互关系，但是还没有学习到物理规律的本质。比如，它不知道多大的风能吹灭蜡烛，不了解玻璃掉到地上会碎、掉到地毯上不会碎的本质原因。这也是Sora目前最为人诟病之处。

　　“从Sora为数不多的公开资料来看，它仍是数据驱动下的拟合，也就是模拟人类所能看到的物理世界。但真实的物理世界远不仅包含人类视觉信息。”北京中关村科金技术有限公司技术副总裁张杰认为，Sora的创意来自大数据量下的概率拟合，它并没有产生新知识，距离“深度模拟真实物理世界”这一目标还有很长的路要走。

　　中国社会科学院哲学研究所科技哲学研究室主任、研究员段伟文同样表达了审慎的观点。“Sora这种近乎人类的表达实际上是一种基于现有数据和语料的合成智能。”他说，“它给实现AGI找到了一种可行的路径，但距真正的AGI还有很长的距离，且对实现AGI的价值相对有限。”