Sora官方技术报告详解

文章基于OpenAI官方公布的Sora技术文档，从模型能力、训练方式和技术原理三个角度出发，剖析Sora的出现对人工智能的发展，到底意味着什么？

一、什么是Sora

2024年2月16日凌晨（美国时间2月15日）OpenAI推出视频生成模型：Sora，一款文生视频（text-to-video）的模型。

Sora是通过学习视频内容，来理解现实世界的动态变化，并用计算机视觉技术模拟这些变化，从而创造出新的视觉内容。

我们来直观地感受一下什么是Sora？

这是一段提示词（Prompt）：

A Chinese Lunar New Year celebration video with Chinese Dragon

翻译成中文：

与中国龙庆祝中国新年。

文生视频。现在文字有了，我们来看视频效果。

可以发现无论是舞龙的细节表现，还是人群跟着舞龙队伍的真实感，效果是如此的逼真。

当然Sora的能力还远不止如此，除了支持文字生成视频外，还支持文字+图片、文字+视频、视频+视频的方式创作新的视频内容。

二、Sora模型能力介绍

能力一、Sora生成的视频内容，符合现实世界的物理规律

Sora生成的视频内容，符合现实世界的物理规律。

这说明Sora学习的不仅仅是视频中的画面，还在学习视频中元素之间的关系，学习现实世界中的物理规律。

比如：一个人咬一口汉堡后，能够在汉堡上能够留下咬痕。

能力二、Sora能够生成一分钟的高清视频，并且支持生成不同时长、长宽比和不同分辨率的视频与图像

对于视频创作者而言，能够基于不同创作平台视频尺寸要求来生成视频内容。

能力三、Sora支持文字+图片生成视频

能力四、Sora支持连接视频

Sora支持在两个视频之间进行过渡处理，从而实现视频之间的无缝过渡。

能力五、Sora支持文字+视频生成视频

Sora能够基于文本提示，从而改变原视频的风格化和视频中的元素。

能力六、Sora支持拓展视频

Sora能够在原视频的前后延长和拓展视频。

案例中三个视频，它们都是从生成的视频片段开始向前进行了视频的延伸。

因此，这三个视频的开头都不同，但结局都是相同的。

能力七、3D画面的一致性

Sora可以生成带有动态摄像机运动的视频。随着摄像机的移动和旋转，人和场景元素在三维空间中一致移动。

三、Sora模型训练方式

在官方技术报告中，有一段这样的表述：

Sora is a generalist model of visual date

翻译成中文：

Sora是一个“通用模型”。

但要训练一个通用模型的前提条件之一：“大规模的训练数据”。

Sora是怎么训练的呢？

分为一下两步：所有数据皆为“我”所用、帮助AI更好的学习。

1. 所有数据皆为”我”所用

沿用ChatGPT之前大力出奇迹的训练方式：通过互联网的海量数据进行训练后，从而获得了通用的模型能力。

互联网中的庞大数据，之所以能被GPT进行训练，是因为在训练前进行了【数据标记处理】，英文被称之为Tokenization。

大白话说就是：将训练的文本内容转译为计算机能够理解的语言。

Sora沿用了GPT标记训练数据集的思路，对视频内容进行标记。视频标记被称作为visual patches，中文翻译过来叫做：视觉补丁，其核心的作用就是将视频内容，标记后，转译为计算机能够理解的语言。

那有了视频标记后，如何让标记的速度更快？标记的质量更高？

就引出了下面一项技术。

2. 对训练数据集进行处理，助力AI更好的学习

Sora在对数据集处理方式时沿用了DALL-E3的Re-Captioning技术。

Re-Caption技术简单的来说是根据输入的图像生成对应的图像描述的文本内容。

这样做的好处：

AI学习到的不再是抽象的图像元素，并且1000个人有1000个哈姆雷特，通过图像+图像描述的方式，能够指引AI去人类图片的思路。

Sora运用该技术的具体的步骤是：

• 首先训练了一个captioner model，它的作用就是能将视频内容转译为文本的描述内容。
• 然后使用这个模型将训练集中所有的视频，逐个转译为文本内容后，再结合对应的视频进行训练，从而提高AI的学习质量。

四、Sora模型技术原理

Sora目前运用的是Diffusion model（扩散模型）+ Transformer两种技术架构的结合。

1. Diffusion model：是一种生成模型，用于图像的生成。
2. Transformer：是一种深度学习模型，最初用于自然语言处理，可以学习文本之间的依赖关系，也能够处理图片和视频的任务，如图像分类、视频理解。

咱们重点聊一聊Diffusion model（扩散模型）

这个技术路线和文生图的Stable diffusion的技术路线非常类似。

用一句话概括Sora扩散模型的实现过程：将原视频训练素材压缩后给Sora学习，学习如何将压缩后的视频内容还原和生成新的视频。

这里包含了两个关键步骤：Encoder-编码、Decoder-解码。

1）Encoder

Encoder就是将原视频进行压缩，压缩至一个低维度的空间，压缩后视频充满了噪点，Sora就是学习压缩后的数据。

2）Decoder

Decoder就是将压缩后的视频进行还原或创造，恢复至高清的像素空间。

那为什么Sora不直接拿原视频进行训练呢？

我们举个例子。

原视频进行Encoder编码后，整个视频的大小极具降低，所以训练的数据越小，消耗的算力资源越少，可训练的数据规模更大。

五、总结

Sora 建立在过去对 DALL·E 、GPT、Diffusion model 研究之上的，所以技术的爆发并非偶然，而是多项技术共同作用的结果。

那Sora的出现对人工智能的发展，到底意味着什么？

Sora的官方技术文档中有两句话让我印象深刻：

We’re teaching AI to understand and simulate the physical world in motion, with the goal of training models that help people solve problems that require real-world interaction

翻译成中文：

我们正在教AI理解和模拟运动中的物理世界，目标是训练模型来帮助人们解决现实世界中的交互问题。

OpenAI最终想做的，其实不是一个“文生视频”的工具，而是一个通用的“物理世界模拟器”。

而Sora，只是验证了，这条道路可行的一个里程碑。

Sora的出现，短期来看，能够提高创作者、影视从业者的生产效率；长期来看，AI能够更佳全面的理解人类生活中现实世界，AGI通用人工智能正在加速到来。

见字如面，希望文章对你有所帮助～

声明：文章中的视频内容均出自Sora生成

来源自OpenAI官方技术报告

Sora官方技术报告地址：https://openai.com/research/video-generation-models-as-world-simulators