阿尔特曼表示，未来就在这里。图为动物在海上骑脚车。(互联网照片)

美国人工智能(AI)公司OpenAI推出最新人工智能(AI)模型“Sora”，可经文字指令生成逼真的视频，不仅长度可达1分钟，而且不论画面或拟真程度，影音效果都相当出色，惊艳全球网民。

片长可达1分钟

OpenAI形容此工具“不仅理解用户在指示中提出的要求，还理解有关事物如何存在于现实世界”。

法新社报道，这间获微软支持的公司指出，这个新平台在进行测试，不过释出了几段OpenAI认为已经可行的视频，附上生成视频的文字输入指令。

静态图也可生成视频

OpenAI在部落格贴文中表示：“Sora能生成长达1分钟的视频，同时维持视觉品质，并符合用户的指令。这款模型也能从既有的静态图片生成视频。”

OpenAI CEO阿尔特曼在平台X表示，公司在测试阶段“向数量有限的创作者提供存取权限。”

他也邀请用户在平台X上提出指令建议，几分钟后在这个平台上张贴颇具说服力的视频生成结果，其中包括两只黄金猎犬在山上开串流Podcast、老奶奶在厨房教烹饪、动物在海上骑脚车，以及珠光宝气的动物园。

还有另一支视频显示“半鸭半龙的生物飞驰在美丽的暮色中，背上骑着一只身着探险装备的仓鼠。”

称有弱点 内容或不合逻辑

不过这间总部位于旧金山的新创公司警告说，“目前的模型存有弱点”，像是左右不分，或未能在整段视频中维持视觉连贯性。

OpenAI声明指出，安全性会是一大关键，还说Sora会面临对抗性资安测试，也就是所谓的红队演练(red-teaming)，期间特定用户会试图让平台失灵，产生不恰当的内容或出毛病。

OpenAI指出：“我们会接洽全球政策制定者、教育家和艺术家，以了解他们的顾虑，并找出这种新技术的正面使用案例。”

可呈现多角色多镜头复杂场景

OpenAI表示，Sora能够生成的视频内容，可有多个角色，或是特定类型的动态画面，也将根据提示的主题与背景精准生成视频内容，并可在单一视频中呈现多个镜头，同时也可以为静态图像制作动画，只不过再次强调Sora还是个尚未完成的模型，所以无法处理复杂的物理或空间细节，因此会生成不合逻辑的视频，仍有许多缺陷需要修正。

OpenAI也提到，在建立可以识别Sora生成视频的检测系统，计划在输出视频时把诠释资料嵌入其中，将有助于识别AI生成的内容。

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。

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。

研发阶段仍有明显不足处

《卫报》引述OpenAI报道，Sora以日文的“天空”一词发音命名。Sora目前处于研发阶段，仍有明显不足之处，尤其是在空间细节方面，容易混淆左右等，又或是在短片中可见有人咬了一口曲奇，惟曲奇没有咬痕。

外界关注AI工具的使用安全。OpenAI表示，计划与专家团队合作，对最新模型进行测试，并密切关注虚假资讯，以及涉及憎恨和偏见的内容，并正在开发工具帮助检测误导信息。Sora亦会给予视觉艺术家、设计师和电影制片人试用，以收集他们的意见。

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、解像度和纵横比。

关键词：

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。