解密OpenAI超级视频模型Sora技术报告 虚拟世界涌现了

“这就是电影制作的未来”！

Google的Gemini Pro 1.5还没出几个小时的风头，天一亮，全世界的聚光灯就集中在了OpenAI的Sora身上。

Sora一出，众视频模型臣服。

就在几小时后，OpenAI Sora的技术报告也发布了！

其中，“里程碑”也成为报告中的关键词。

报告地址：https://openai.com/research/video-generation-models-as-world-simulators

技术报告主要介绍了两个方面：

（1）如何将不同类型的视觉数据转化为统一的格式，以便于对生成模型进行大规模训练的方法；

（2）对Sora的能力和局限性的定性评价。

不过遗憾的是，报告不包括模型和实现细节。嗯，OpenAI还是那个“OpenAI”。

就连马斯克都被Sora生成效果震撼到，并表示“gg人类”。

打造虚拟世界模拟器

此前，OpenAI的研究者一直在探索的一个难题就是，究竟怎样在视频数据上，应用大规模训练的生成模型？

为此，研究者同时对对持续时间、分辨率和宽高比各不相同的视频和图片进行了训练，而这一过程正是基于文本条件的扩散模型。

他们采用了Transformer架构，这种架构能够处理视频和图片中时空片段的潜代码。

随之诞生的最强大模型Sora，也就具备了生成一分钟高质量视频的能力。

OpenAI研究者发现了令人惊喜的一点：扩展视频生成模型的规模，是构建模拟物理世界通用模拟器的非常有希望的方向。

也就是说，顺着这个方向发展，或许LLM真的能够成为世界模型！

Sora的独到之处在于哪里？

要知道，以前的许多研究，都是通过各种技术对视频数据进行生成模型建模，比如循环网络、生成对抗网络、自回归Transformer和扩散模型等方法。

它们往往只关注于特定类型的视觉数据、较短的视频或者固定尺寸的视频。

而Sora与它们不同，它是一种通用的视觉数据模型，能够生成各种持续时间、宽高比和分辨率的视频和图片，甚至长达一分钟的高清视频。

有网友表示，“Sora虽然有一些不完美之处（可以检测出来），例如从物理效果可以看出它是人工合成的。但是，它将会革命性地改变许多行业。

想象一下可以生成动态的、个性化的广告视频进行精准定位，这将是一个万亿美元的产业”！

为了验证SORA的效果，业界大佬Gabor Cselle把它和Pika、RunwayML和Stable Video进行了对比。

首先，他采用了与OpenAI示例中相同的Prompt。

结果显示，其他主流工具生成的视频都大约只有5秒钟，而SORA可以在一段长达17秒视频场景中，保持动作和画面一致性。

随后，他将SORA的起始画面用作参照，努力通过调整命令提示和控制相机动作，尝试使其他模型产出与SORA类似的效果。

相比之下，SORA在处理较长视频场景方面的表现显著更出色。

看到如此震撼的效果，也难怪业内人士都在感叹，SORA在AI视频制作领域确实具有革命性意义。

将视觉数据转化为patch

LLM之所以会成功，就是因为它们在互联网规模的数据上进行了训练，获得了广泛能力。

它成功的一大关键，就是使用了token，这样，文本的多种形态——代码、数学公式以及各种自然语言，就优雅地统一了起来。

OpenAI的研究者，正是从中找到了灵感。

该如何让视觉数据的生成模型继承token的这种优势？

注意，不同于LLM使用的文本token，Sora使用的是视觉patch。

此前已有研究表明，patch对视觉数据建模非常有效。

OpenAI研究者惊喜地发现，patch这种高度可扩展的有效表征形式，正适用于训练能处理多种类型视频和图片的生成模型。

从宏观角度来看，研究者首先将视频压缩到一个低维潜空间中，随后把这种表征分解为时空patch，这样就实现了从视频到patch的转换。

视频压缩网络

研究者开发了一个网络，来减少视觉数据的维度。

这个网络可以接受原始视频作为输入，并输出一个在时间上和空间上都进行了压缩的潜表征。

Sora在这个压缩后的潜空间中进行训练，之后用于生成视频。

另外，研究者还设计了一个对应的解码器模型，用于将生成的潜数据转换回像素空间。

潜空间patch

对于一个压缩后的输入视频，研究者提取看一系列空间patch，作为Transformer的token使用。

这个方案同样适用于图像，因为图像可以被视为只有一帧的视频。

基于patch的表征方法，研究者使得Sora能够处理不同分辨率、持续时间和纵横比的视频和图像。

在推理时，可以通过在一个合适大小的网格中适当排列随机初始化的patch，从而控制生成视频的大小。

扩展Transformer

因此，视频模型Sora是一个扩散模型；它能够接受带有噪声的patch（和条件信息，如文本提示）作为输入，随后被训练，来预测原始的“干净”patch。

重要的是，Sora是基于Transformer的扩散模型。在以往，Transformer在语言模型、计算机视觉和图像生成等多个领域，都表现出卓越的扩展能力。

令人惊喜的是，在这项工作中，研究者发现作为视频模型的扩散Transformer，也能有效地扩展。

下图展示了训练过程中使用固定种子和输入的视频样本比较。

随着训练计算资源的增加，样本质量显著提升。

视频的多样化表现

传统上，图像和视频的生成技术往往会将视频统一调整到一个标准尺寸，比如4秒钟、分辨率256x256的视频。

然而，OpenAI研究者发现，直接在视频的原始尺寸上进行训练，能带来诸多好处。

灵活的视频制作

Sora能够制作各种尺寸的视频，从宽屏的1920x1080到竖屏的1080x1920，应有尽有。

这也就意味着，Sora能够为各种设备制作适配屏幕比例的内容！

它还可以先以较低分辨率快速制作出视频原型，再用相同的模型制作出全分辨率的视频。

更优的画面表现

实验发现，直接在视频原始比例上训练，能够显著提升视频的画面表现和构图效果。

因此，研究者将Sora与另一个版本的模型进行了比较，后者会将所有训练视频裁剪为正方形，这是生成模型训练中的常见做法。

与之相比，Sora生成的视频（右侧）在画面构成上则有了明显的改进。

深入的语言理解

训练文本到视频的生成系统，需要大量配有文本说明的视频。

研究者采用了DALL·E 3中的重新标注技术，应用在了视频上。

首先，研究者训练了一个能生成详细描述的标注模型，然后用它为训练集中的所有视频，生成文本说明。

他们发现，使用详细的视频说明进行训练，不仅能提高文本的准确性，还能提升视频的整体质量。

类似于DALL·E 3，研究者也使用了GPT，把用户的简短提示转化为详细的说明，然后这些说明会被输入到视频模型中。

这样，Sora就能根据用户的具体要求，生成高质量、准确无误的视频。

图像和视频的多样化提示

虽然展示的案例，都是Sora将文本转换为视频的demo，但其实，Sora的能力不止于此。

它还可以接受图像或视频等其他形式的输入。

这就让Sora能够完成一系列图像和视频编辑任务，比如制作无缝循环视频、给静态图片添加动态、在时间线上扩展视频的长度等等。

为DALL·E图像赋予生命

Sora能够接受一张图像和文本提示，然后基于这些输入生成视频。

下面即是Sora基于DALL·E 2和DALL·E 3图像生成的视频。

一只戴贝雷帽和黑高领衫的柴犬。

一家五口怪物的插画，采用了简洁明快的扁平设计风格。其中包括一只毛茸茸的棕色怪物，一只光滑的黑色怪物长着天线，还有一只绿色的带斑点怪物和一只小巧的带波点怪物，它们在一个欢快的场景中相互玩耍。

一张逼真的云朵照片，上面写着“SORA”。

在一个典雅古老的大厅内，一道巨浪滔天，正要破浪而下。两位冲浪者把握时机，巧妙地滑行在浪尖上。

视频时间线的灵活扩展

Sora不仅能生成视频，还能将视频沿时间线向前或向后扩展。

可以看到，demo中的视频都是从同一个视频片段开始，向时间线的过去延伸。尽管开头各不相同，但它们最终都汇聚于同一个结尾。

而通过这种方法，我们就能将视频向两个方向延伸，创造出一个无缝的循环视频。

图像的生成能力

同样，Sora也拥有生成图像的能力。

为此，研究者将高斯噪声patch排列在空间网格中，时间范围为一帧。

该模型可生成不同大小的图像，分辨率最高可达2048x2048像素。

左：一位女士在秋季的特写照片，细节丰富，背景模糊。

右：一个生机勃勃的珊瑚礁，居住着五颜六色的鱼类和海洋生物。

左：一幅数字绘画，描绘了一只幼年老虎在苹果树下，采用了精美的哑光画风。

右：一个被雪覆盖的山村，温馨的小屋和壮丽的北极光相映成趣，画面细腻逼真，采用了50mm f/1.2镜头拍摄。

视频风格和环境的变换

利用扩散模型，就能通过文本提示来编辑图像和视频。

在这里，研究者将一种名为SDEdit的技术应用于Sora，使其能够不需要任何先验样本，即可改变视频的风格和环境。

视频之间的无缝连接

另外，还可以利用Sora在两个不同的视频之间创建平滑的过渡效果，即使这两个视频的主题和场景完全不同。

在下面的demo中，中间的视频就实现了从左侧到右侧视频的平滑过渡。

一个是城堡，一个是雪中小屋，非常自然地融进一个画面中。

涌现的模拟能力

随着大规模训练的深入，可以发现视频模型展现出了许多令人兴奋的新能力。

Sora利用这些能力，能够在不需要专门针对3D空间、物体等设置特定规则的情况下，就模拟出人类、动物以及自然环境的某些特征。

这些能力的出现，完全得益于模型规模的扩大。

3D空间的真实感

Sora能创造出带有动态视角变化的视频，让人物和场景元素在三维空间中的移动，看起来十分自然。

如下，一对情侣漫步在雪天中的东京，视频的生成和真实的运镜效果大差不差了。

再比如，Sora拥有更加辽阔的视野，生成山水风景与人徒步爬山的视频，有种无人机拍摄出的巨制赶脚。

视频的一致性和物体的持续存在

在生成长视频时，保持场景和物体随时间的连续性一直是个挑战。

Sora能够较好地处理这一问题，即便在物体被遮挡或离开画面时，也能保持其存在感。

下面例子中，窗台前的花斑狗，即便中途有多个路人经过，它的样子依旧保持一致。

例如，它可以在一个视频中多次展示同一个角色，而且角色的外观在整个视频中保持一致。

赛博风格的机器人，从前到后旋转一圈，都没有跳帧。

与世界的互动

甚至，Sora能模拟出影响世界状态的简单行为。

比如，画家画的樱花树，水彩纸上留下了持久的笔触。

又或是，人吃汉堡时留下的咬痕清晰可见，Sora的生成符合物理世界的规则。

数字世界的模拟

Sora不仅能模拟现实世界，还能够模拟数字世界，比如视频游戏。

以“Minecraft”为例，Sora能够在控制玩家角色的同时，以高度逼真的方式渲染游戏世界和动态变化。

而且，只需通过简单的提示，如提及“Minecraft”，Sora就能展现这些能力。

这些新能力显示出，持续扩大视频模型规模是一个极有希望的方向，让模型向着精准模拟物理世界和数字世界、以及其中的生物和物体的高级模拟器发展。

局限性

当然，作为一个模拟器，Sora目前还存在不少的局限。

比如，它虽然能模拟一些基础物理互动，比如玻璃的碎裂，但还不够精确。

模拟吃食物的过程，也并不总是能准确反映物体状态的改变。

在网站首页上，OpenAI详细列出了模型的常见问题，比如在长视频中出现的逻辑不连贯，或者物体会无缘无故地出现。

最后，OpenAI表示，Sora目前所展现出的能力，证明了不但提升视频模式的规模是一个令人振奋的方向。

沿这个方向走下去，或许有一天，世界模型就会应运而生。

网友：未来游戏动嘴做

OpenAI给出众多的官方演示，看得出Sora似乎可以为更逼真的游戏生成铺路——仅凭文字描述就能生成程序游戏。

这既令人兴奋，又令人恐惧。

FutureHouseSF的联合创始人猜测，“或许Sora可以模拟我的世界。也许下一代游戏机将是“Sora box”，游戏将以2-3段文字的形式发布”。

OpenAI技术人员Evan Morikawa称，“在OpenAI发布的Sora视频中，如下的视频让我大开眼界。通过经典渲染器渲染这个场景是非常困难的。Sora模拟物理的方式和我们不同。它肯定仍然会出错，但是我之前没有预测到它能做得这么逼真”。

有网友称，“人们没有把『每个人都会成为电影制作人』这句话当回事”。

我在15分钟内制作了这部20年代的预告片，使用了OpenAI Sora的片段，David Attenborough在Eleven Labs上的配音，并在iMovie上从YouTube上采样了一些自然音乐。

还有人称，“5年后，你将能够生成完全沉浸式的世界，并实时体验它们，“全息甲板”即将变成现实”！

有人甚至表示，自己完全被Sora的AI视频生成的出色效果惊呆了。

“它让现有的视频模型看起来像是愚蠢的玩具。每个人都将成为一名电影制作人”。

“新一代电影制作人即将与OpenAI的Sora一起涌现。再过10年，这将是一场有趣的比赛”！

“OpenAI的Sora暂不会取代好莱坞。它将为好莱坞以及个人电影制作者和内容创作者，带来巨大的推动力。

想象一下，只需3人团队，就能在一周内，完成一部120分钟的A级故事片的初稿创作和观众测试。这就是我们的目标”。

参考资料：

https://openai.com/research/video-generation-models-as-world-simulators?ref=upstract.co