Sora為何出道即碾壓主流AI影片模型：文生影片最長紀錄，對世界有全面認知

近日，AI（人工智能）新銳巨頭OpenA推出文生影片模型Sora，將人們的視線再次引到了AI影片生成賽道。

由於在AI生成影片的時長上成功突破到一分鐘，再加上演示影片的高度逼真和高質量，Sora立刻引起了轟動。不過，OpenAI尚未宣佈Sora對公眾正式開放的日期。Sora將首先被提供給安全團隊，以評估產品的危害或風險，一些視覺藝術家、設計師和電影製作人也能獲得Sora的訪問權限。

在Sora推出之前，已經出現了一些用戶認可度較高的AI生成影片模型。為什麼Sora能引發如此大的轟動？多家外媒對三款熱門文生影片模型Runway、Pika Labs和Stable Video進行了分析，並比較了Sora和它們之間的技術差別。

時長：60秒 vs 16秒

在Sora橫空出世之前，Runway一直被視為AI生成影片的預設選擇，尤其是自去年11月推出第二代模型以來，Runway還被稱為「AI影片界的MidJourney」。第二代模型Gen-2不僅解決了第一代AI生成影片中每幀之間連貫性過低的問題，在從圖像生成影片的過程中也能給出很好的結果。

Runway能夠生成已經很逼真的四秒短影片。來源：Runway

而在Sora發佈後，Runway的CEO基斯托瓦爾·巴倫蘇埃拉（Cristóbal Valenzuela）便在X平台上發佈了兩個字：「Game On（比賽開始了）。」

Sora最震撼的技術突破之一在於其輸出的影片時長。Runway能夠生成4秒長的影片，用戶可以將其最多延長至16秒，是AI生成影片在2023年所能達到的最長時長紀錄。Stable Video也提供4秒的影片，Pika則提供3秒的影片。在這一方面，Sora以1分鐘的時長向競爭對手們提出了挑戰。

Sora傳播度最高的時長60秒的影片之一，女子行走在東京街頭。來源：Sora

Sora模型能夠實現影片時長突破，主要功臣是其所採用的擴散Transformer架構，而Sora的創始者之一、現任OpenAI工程師的William Peebles剛在去年和別人一同發佈了針對該架構的研究論文。

本質上，Sora和Pika、Runway採用了相似的底層模型，即Diffusion擴散模型。不同之處在於，Sora把其中的實現邏輯進行了變化，將U-Net架構替換成了Transformer架構。

不過目前，外界尚不清楚Sora提供了哪些功能以供用戶定製輸出影片，因此Runway仍可能是Sora的替代方案之一。今年1月，Runway剛宣佈，用戶將能夠通過多頭運動筆刷（Multi Motion Brush）功能實現對AI生成影片中多個元素的運動控制。此外，Runway也因其提供了集合多種AI工具的影片製作解決方案而備受推崇。

鏡頭語言：運動鏡頭 vs 靜止視角

值得注意的是，X平台上的一些用戶表示，在OpenAI推出Sora的2月15日晚上，AI影片生成初創公司Stability AI也在官網和X平台上發佈了新動態，宣佈了Stable Video Diffusion更新1.1版本。但是，幾分鐘後，這兩條消息都迅速消失了。

被Stability刪掉的文章截屏。來源：X平台

外界無從得知這究竟是由於操作失誤，還是Stability觀察到了兩種AI生成影片之間的巨大質量差異，選擇重新製作廣告。Stable Video和前兩款產品一樣，都沒能脫離現有文生影片的一般模式，即輸出單一的、通常是靜止視角的短影片片段。相比之下，Sora的宣傳影片包括變換攝像機角度、電影式剪輯和場景變換，也就是人們常說的鏡頭語言的使用。

此外，許多分析都指出，Sora帶有世界模型的特質。所謂世界模型便是對真實的物理世界進行建模，讓機器能夠像人類一樣，對世界產生一個全面而準確的認知。這一特性使得AI影片生成更流暢、更符合邏輯，降低了影片模型的訓練成本，提升了訓練效率。