科技云報道原創(chuàng)。

“跟不上的可能就要被淘汰了。”看到Sora演示視頻后，從業(yè)10多年的動畫制作師黃斌得出了這樣的判斷。

隨著影視業(yè)***呼聲漸起，Sora的誕生也給中國AI行業(yè)帶來了巨大的焦慮。

360集團創(chuàng)始人周鴻祎認為，Sora模型展現(xiàn)出了超越當前中國同類產品的性能和技術水平，這不僅體現(xiàn)在Sora可能實現(xiàn)通用人工智能（AGI）的時間表上，還體現(xiàn)在其實際應用效果和創(chuàng)新能力上。

更有甚者，網(wǎng)上流傳著“Sora的誕生是牛頓時刻”的說法，認為Sora代表了新一輪產業(yè)革命的興起。

事實上，國內在經(jīng)過“百模大戰(zhàn)”之后，才剛剛在文本模型上取得顯著成果，達到或超過GPT-3.5的水平，并正朝著GPT-4的方向努力追趕。

但Sora的誕生，展示了OpenAI在多模態(tài)模型而非單一文本領域的突破性進展，讓國內AI廠商追上甚至超越OpenAI，幾乎成了不可能完成的任務。

由此不少網(wǎng)友對中國AI發(fā)出質問：

為什么Sora沒有誕生在中國？中國跟美國的AI差距越來越大，Sora這波國內慢了十年吧？永遠都是在追趕路上，為啥沒有原創(chuàng)？

在一句句靈魂版的拷問中，中國AI廠商集體陷入了沉默。

那么，在Sora這樣的多模態(tài)大模型上，中美到底有多大差距？追趕的難點在哪兒？在種種限制之下，中國是否有自己的優(yōu)勢？

中美AI差距幾何？

盡管OpenAI承認Sora仍處于開發(fā)的早期階段，需要進一步完善，但業(yè)界已形成一個共識——Sora的推出標志著生成人工智能領域的一個重要里程碑。

這是因為Sora不僅僅是一個文生視頻的工具，更是AGI的一個關鍵節(jié)點，它驗證了一條通向AGI的可行技術路線。

和之前的GPT-3一樣，Sora再次驗證了Scaling Law可以在這個技術方向上繼續(xù)發(fā)揮作用實現(xiàn)涌現(xiàn)。

而這背后，不僅是驚人的資本和算力支持的結果，更是通過無數(shù)工程實驗試錯和強大技術力量支持的結果。

不少人推斷，OpenAI手里應該已經(jīng)有一個基本完整的多模態(tài)GPT-5，可以根據(jù)需要隨時釋放其中的某一部分打擊對手，或者引導輿論。

360集團創(chuàng)始人周鴻祎更是直接斷言，Sora的出現(xiàn)，意味著AGI（人工通用智能）的實現(xiàn)將從10年縮短到1年。

事實上，在Sora面前，無論是現(xiàn)有的頂級AI模型如Pika、Runway等，還是在多模態(tài)AI上有投入的國內廠商，基本上都被“吊打”了。

這也側面反映出中美在AI技術研發(fā)深度和資源投入上的差距。

首先，門檻來自算力。

雖然有學者認為Sora只是一個大約30億參數(shù)的模型，訓練成本并沒有想象的高，但視頻數(shù)據(jù)本身的處理、標注等成本，加上長視頻在推理階段注定的巨大token數(shù)量和算力消耗，顯然對任何公司都是難以承受的挑戰(zhàn)。

即便Sora真的只有30億參數(shù)，視頻分析對算力的消耗應該也是遠遠超過一個千億模型的。在國內GPU被卡脖子之后，算力是一個巨大的挑戰(zhàn)。

其次，是高質量的數(shù)據(jù)。

根據(jù)OpenAI發(fā)布的技術報告，Sora強大能力歸功于兩點：其一是使用了基于Transformer的擴散模型（Diffusion Model）；其二是將不同類型視覺數(shù)據(jù)轉化為統(tǒng)一格式——像素塊（patch），從而能利用數(shù)量龐大、質量過硬且算力性價比高的數(shù)據(jù)。

業(yè)內人士認為，數(shù)據(jù)質量和數(shù)量上的顯著優(yōu)勢，很可能是Sora成功的最關鍵因素之一。

在算力方面，雖然OpenAI訓練Sora模型使用的GPU卡數(shù)量并非無法企及，但其他公司在具備足夠硬件資源的情況下，仍然難以復制OpenAI的成功，主要瓶頸還是在于如何獲取和處理大規(guī)模高質量的視頻數(shù)據(jù)。

2022年，OpenAI曾宣布以創(chuàng)新方法來訓練AI模型，省去標注大量資料的訓練過程。

據(jù)報道，OpenAI所公布的視頻預訓練模型（VPT），讓AI學會了在《我的世界》里從頭開始造石鎬。

研究人員首先收集一波數(shù)據(jù)標注外包們玩游戲的數(shù)據(jù)，其中包含視頻和鍵鼠操作的記錄。

然后，利用這些數(shù)據(jù)制作逆動力學模型（IDM），從而推測出視頻里每一步在進行的時候，鍵鼠都是怎么動的。這樣只需比原來少很多的數(shù)據(jù)就可以實現(xiàn)目的。

這項研究發(fā)表于2022年6月，同時文中還注明這個工作已經(jīng)進行了一年之久，也就是說，OpenAI至少從2021年起就開始進行這項研究。

Logenic AI聯(lián)合創(chuàng)始人李博杰認為，OpenAI的先發(fā)優(yōu)勢決定了早期的數(shù)據(jù)壁壘，對于后進入市場的公司來說，增加了追趕的難度。

“即使是谷歌這樣全球數(shù)據(jù)量最大的公司，在訓練大模型時，訓練數(shù)據(jù)也未必能比OpenAI更好”，李博杰表示。

相比之下，國內公司在數(shù)據(jù)上的積累和利用上也存在一定差距：一方面，由于政策變化和其他限制，后來者可能無法獲取之前可用的一些關鍵數(shù)據(jù)；另一方面，隨著AI生成內容越來越多地充斥互聯(lián)網(wǎng)，原始的真實世界數(shù)據(jù)被“污染”，使得獲取高質量、無偏見的訓練數(shù)據(jù)更加困難。

最后，是創(chuàng)新的訓練方法。

Sora實現(xiàn)了將Transformer和擴散模型結合的創(chuàng)新，首先將不同類型的視覺數(shù)據(jù)轉換成統(tǒng)一的視覺數(shù)據(jù)表示（視覺patch），然后將原始視頻壓縮到一個低維潛在空間，并將視覺表示分解成時空patch（相當于Transformer token），讓Sora在這個潛在空間里進行訓練并生成視頻。

接著做加噪去噪，輸入噪聲patch后，Sora通過預測原始“干凈”patch來生成視頻。

OpenAI發(fā)現(xiàn)，訓練計算量越大，樣本質量就會越高，特別是經(jīng)過大規(guī)模訓練后，Sora展現(xiàn)出模擬現(xiàn)實世界某些屬性的“涌現(xiàn)”能力。

總的來說，Sora是好的架構+好的數(shù)據(jù)，然后把模型做大，達到量變到質變。

盡管Sora在方案設計上大部分是已有的技術，但能夠做出驚艷效果的也只有Sora，這也說明在訓練過程中有很多訓練技巧的問題要解決。

中國AI廠商能否 追趕OpenAI？

Sora的技術突破讓AI焦慮在國內蔓延開來，但中國AI并非完全無招架之力。在Sora出現(xiàn)并占據(jù)大眾視野之前，國內也曾有多家上市公司在多模態(tài)AI方面展開過布局。

2023年12月18日，東方證券在一份研報中提及，國內的?？低?/u>、大華股份、螢石網(wǎng)絡等視頻分析行業(yè)領先廠商，紛紛投入到多模態(tài)大模型研究和行業(yè)應用落地進程。