Sora为何这么强大？解读AI视频进化史

当科技巨擘马斯克的预言再度落定，人工智能在影视创作领域的里程碑式突破如约而至。2024年，被誉为“人工智能电影元年”，而新年之初，一款名为Sora的AI视频生成技术以其革新性的表现横空出世，彻底颠覆我们对视频制作的认知。

| 破晓未来：Sora演绎AI视频进化史诗

马斯克曾在GPT技术引发全球AI热浪之后，于2023年11月27日预见性地断言，2024年将成为“人工智能电影”的诞生元年。如今，Sora以实力验证了这一预言。

这款由OpenAI研发的尖端技术，在新春之际，以一键输出一分钟连贯高清视频的形式，展现出了无与伦比的细节刻画力和情境构建能力，无论是复杂多变的背景设计、细腻的情感表达还是多视角切换，均超越了现有所有AI视频技术，尽显王者风范。

Sora的成功秘诀在于融合Transformer与Diffusion两大模型的威力。Transformer家族成员如ChatGPT、Gemini及LLaMA等凭借其对语言的理解和生成能力，已在诸多领域独领风骚；而Diffusion模型则以其“文生图”特性，将文本转化为生动立体的画面。Sora正是将两者的优势相结合，创造了一种全新的视觉叙事模式。

| 理解世界的维度：Sora的独特价值

专业机构评价，Sora的真正强大之处并非仅仅在于静态画面的精美程度，而是体现在对于视频内在逻辑的高度一致性。无论镜头拉远至全景，或是贴近到特写，画面中人物与背景的互动关系始终保持精准协调，这种对物理世界复杂动态关系的理解与呈现，才是Sora在行业内遥遥领先的标志。

尽管Sora所展示的世界模拟能力令人瞩目，但也引来业界争议。图灵奖得主、Facebook首席AI科学家Yann LeCun质疑Sora并未真正理解物理世界，他推荐Meta最新推出的V-JEPA联合嵌入预测架构，强调其在物理模拟上的优势。

同时，前谷歌、Facebook技术主管Hongcheng也提出，AI模型单纯通过观看训练数据视频无法深入理解物理定律。部分专家分析，Sora的视频生成目前更多依靠数据插值和潜在空间拼贴，而非真实的物理仿真过程。

回溯近几年，随着大语言模型和视频生成技术的飞速进步，AI已经深度介入视频创作领域，显著降低创作门槛，激发创作灵感，极大提升了视频内容的生产力。

在Sora之前，诸如Runway、Pika、Descript等AI视频工具各领风骚，，每款产品都在各自的细分市场中留下深刻印记。分别以其独特的文字生成视频、图片生成视频及混合编辑功能赢得了市场青睐。

其中，Runway的技术在奥斯卡获奖影片《瞬息全宇宙》的视觉效果制作中发挥了关键作用，助力打造视觉奇观。

Pika则凭借简单的操作和高质量的3D动画迅速走红

而Descript通过独特的文本同步视频编辑功能，使视频创作变得更加直观易行。

Descript通过编辑文本来编辑视频中的图片颜色

Sora的到来，标志着视频创作步入了一个全新的阶段，它的出现引发了对未来“世界模拟视频生成模型”的热烈探讨，同时也被认为很可能加速通用人工智能（AGI）时代的到来。

ChatGPT中的插件Visla可以根据用户输入的一句话，快速生成有字幕、有语音讲解、有情节的小视频。

一系列类似HourOne、Fliki等创新型公司的涌现，借助大语言模型的力量，将AI视频创作推向更高层次，打造出虚拟主播、自动配音等多种应用场景。

HourOne利用字符生成技术，通过AI将人类的外貌、声音和动作复制创建出"虚拟人"。这些虚拟人可以朗读文本，从而化身为“教师”“新闻播报员”“虚拟代言人” 等角色。

Fliki 则可以根据文本生成逼真的人类语音和视频内容，并配以相应的虚拟人物或动画创造出吸引人的视听内容。

2024年的龙年初始，AI视频技术正在以前所未有的速度实现垂直增长，视频创作迈入便捷化、智能化、高效化的全新纪元。

微软全球资深副总裁张祺博士提出的“垂直增长”理念及其发起的“单人创业家”行动，恰好映射出这一趋势——个人创作者在AI的赋能下，将成为创新的核心驱动力，打开一个任何人都能轻易驾驭视频创作的时代，共同书写AI驱动下的视频艺术新篇章。

在这个充满挑战与机遇的变革时代，让我们一起期待视频创作行业在AI的引导下繁荣发展，开启一个颠覆传统、创造未来的全新创作纪元。