财联社2月16日电，OpenAI公布了一种新的人工智能系统，该系统可以根据用户的文本提示创建逼真的视频，使其成为最新一家采用生成视频技术的人工智能公司。该公司周四在一篇博客文章中表示，这款名为Sora的人工智能系统可以快速制作长达一分钟的视频，这些视频可以呈现“具有多个角色、特定类型的动作、以及主题和背景的准确细节的复杂场景”。
　　
　　奥特曼发布OpenAI首个视频生成模型Sora。
　　完美继承DALL·E 3的画质和遵循指令能力，能生成长达1分钟的高清视频。

　　AI想象中的龙年春节，红旗招展人山人海。
　　有紧跟舞龙队伍抬头好奇观望的儿童，还有不少人掏出手机边跟边拍，海量人物角色各有各的行为。 6park.com

　　雨后东京街头，潮湿地面反射霓虹灯光影效果堪比RTX ON。 6park.com

　　行驶中的列车窗外偶遇遮挡，车内人物倒影短暂出现非常惊艳。 6park.com

　　也可以来一段好莱坞大片质感的电影预告片： 6park.com

　　竖屏超近景视角下，这只蜥蜴细节拉满： 6park.com

　　网友直呼game over，工作要丢了： 6park.com

　　甚至有人已经开始“悼念”一整个行业： 6park.com

　　AI理解运动中的物理世界
　　OpenAI表示，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需要现实世界交互的问题
　　根据文本提示生成视频，仅仅是整个计划其中的一步。 6park.com

　　目前Sora已经能生成具有多个角色、包含特定运动的复杂场景，不仅能理解用户在提示中提出的要求，还了解这些物体在物理世界中的存在方式。
　　比如一大群纸飞机在树林中飞过，Sora知道碰撞后会发生什么，并表现其中的光影变化。
　　一群纸飞机在茂密的丛林中翩翩起舞，在树林中穿梭，就像候鸟一样。
　　Sora还可以在单个视频中创建多个镜头，并依靠对语言的深入理解准确地解释提示词，保留角色和视觉风格。
　　美丽、白雪皑皑的东京熙熙攘攘。镜头穿过熙熙攘攘的城市街道，跟随几个人享受美丽的雪天并在附近的摊位购物。绚丽的樱花花瓣随着雪花随风飘扬。
　　对于Sora当前存在的弱点，OpenAI也不避讳，指出它可能难以准确模拟复杂场景的物理原理，并且可能无法理解因果关系。
　　例如“五只灰狼幼崽在一条偏僻的碎石路上互相嬉戏、追逐”，狼的数量会变化，一些凭空出现或消失。 6park.com

　　该模型还可能混淆提示的空间细节，例如混淆左右，并且可能难以精确描述随着时间推移发生的事件，例如遵循特定的相机轨迹。
　　如提示词“篮球穿过篮筐然后爆炸”中，篮球没有正确被篮筐阻挡。 6park.com

　　技术方面，目前OpenAI透露的不多，简单介绍如下：
　　Sora是一种扩散模型，从噪声开始，能够一次生成整个视频或扩展视频的长度，
　　关键之处在于一次生成多帧的预测，确保画面主体即使暂时离开视野也能保持不变。
　　与GPT模型类似，Sora使用了Transformer架构，有很强的扩展性。
　　在数据方面，OpenAI将视频和图像表示为patch，类似于GPT中的token。
　　通过这种统一的数据表示方式，可以在比以前更广泛的视觉数据上训练模型，涵盖不同的持续时间、分辨率和纵横比。
　　Sora建立在过去对DALL·E和GPT模型的研究之上。它使用DALL·E 3的重述提示词技术，为视觉训练数据生成高度描述性的标注，因此能够更忠实地遵循用户的文本指令。
　　除了能够仅根据文本指令生成视频之外，该模型还能够获取现有的静态图像并从中生成视频，准确地让图像内容动起来并关注小细节。
　　该模型还可以获取现有视频并对其进行扩展或填充缺失的帧，请参阅技术论文了解更多信息（晚些时候发布）。
　　Sora 是能够理解和模拟现实世界的模型的基础，OpenAI相信这一功能将成为实现AGI的重要里程碑。
　　奥特曼在线接单
　　目前已有一些视觉艺术家、设计师和电影制作人（以及OpenAI员工）获得了Sora访问权限。
　　他们开始不断po出新的作品，奥特曼也开始了在线接单模式。
　　带上你的提示词@sama，就有可能收到生成好的视频回复。 6park.com

责任编辑：刘鹏林