Sora 意味著AGI 實現將從10年縮短到1年
周鴻禕
年前我在風馬牛演講上分享了大模型十大趨勢
預測，沒想到年還沒過完，就驗證了好幾個，M Gemini、英偉達的 Chat With RTX到 OpenAI發布 Sora，大家都覺得很炸裂。朋友問我怎麽看 Sora，我談幾個觀點，總體來說就是我認為
AGI很快會實現，就這幾年的事兒了：
第一，科技競爭最終比拚的是讓人才密度和深厚積累。很多人說 Sora 的效果吊打 Pika和Runway。這很正常，和創業者團隊比，OpenAI 這種有核心技術的公司實力還是非常強勁的。有人認為有了 AI以後創業公司隻需要做個體戶就行，實際今天再次證明這種想法是非常可笑的。
第二，AI不一定那麽快顛覆所有行業，但它能激發更多人的創作力。今天很多人談到 Sora對影視工業的打擊，我倒不覺得是這樣，因為機器能生產一個好視頻，但視頻的主題、腳本和分鏡頭策劃、台詞的配合，都需要人的創意，至少需要人給提示詞。一個視頻或者電影是由無數個60秒組成的。今天 Sora 可能給廣告業、電影預告片、短視頻行業帶來巨大的顛覆，但它不一定那麽快擊敗TikTok，更可能成為TikTok的創作工具。
第三，我一直說國內大模型發展水平表麵看已經接近 GPT-3.5了，但實際上跟4.0比還有一年半的差距。而且我相信OpenAI手裏應該還藏著一些秘密武器，無論是GPT-5，還是機器自我學習自動產生內容，包括 AIGC。奧特曼是個營銷大師，知道怎樣掌握節奏，他們手裏的武器並沒有全拿出來。這樣看來中國跟美國的 AI差距可能還在加大。
第四，大語言模型最牛的是，它不是填空機，而是能完整地理解這個世界的知識。這次很多人從技術上、從產品體驗上分析 Sora，強調它能輸出60秒視頻，保持多鏡頭的一致性，模擬自然世界和物理規律，實際這些都比較表象，最重要的是 Sora的技術思路完全不一樣。因為這之前我們做視頻做圖用的都是 Diffusion，你可以把視頻看成是多個真實圖片的組合，它並沒有真正掌握這個世界的知識。現在所有的文生圖、文生視頻都是在2D 平麵上對圖形元素進行操作，並沒有適用物理定律。但 Sora產生的視頻裏，它能像人一樣理解坦克是有巨大衝擊力的，坦克能撞毀汽車，而不會出現汽車撞毀坦克這樣的情況。所以我理解這次 OpenAI利用它的大語言模型優勢，把LLM 和 Diffusion 結合起來訓練，讓 Sora 實現了對現實世界的理解和對世界的模擬兩層能力，這樣產生的視頻才是真實的，才能跳出2D 的範圍模擬真實的物理世界。這都是大模型的功勞。
這也代表未來的方向。有強勁的大模型做底子，基於對人類語言的理解，對人類知識和世界模型的了解，再疊加很多其他的技術，就可以創造各個領域的超級工具，比如生物醫學、蛋白質和基因研究，包括物理、化學、數學的學科研究上，大模型都會發揮作用。這次 Sora
對物理世界的模擬，至少將會對機器人具身智能和自動駕駛帶來巨大的影響。原來的自動駕駛技術過度強調感知層麵，而沒有工作在認知層麵。其實人在駕駛汽車的時候，很多判斷是基於對這個世界的理解。比如對方的速度怎麽樣，能否發生碰撞，碰撞嚴重性如何，如果沒有對世界的理解就很難做出一個真正的無人駕駛。
所以這次 Sora隻是小試牛刀，它展現的不僅僅是一個視頻製作的能力，它展現的是大模型對真實世界有了理解和模擬之後，會帶來新的成果和突破。
第五，Open AI訓練這個模型應該會閱讀大量視頻。大模型加上 Diffusion 技術需要對這個世界進行進一步了解，學習樣本就會以視頻和攝像頭捕捉到的畫麵為主。一旦人工智能接上攝像頭，把所有的電影都看一遍，把YouTube上和 TikTok的視頻都看一遍，對世界的理解將遠遠超過文字學習，一幅圖勝過千言萬語，而視頻傳遞的信息量又遠遠超過一幅圖，這就離
AGI 真的就不遠了，不是10年20年的問題，可能一兩年很快就可以實現。
由錘子便簽發送 via Smartisan Notes
選擇“Disable on www.wenxuecity.com”
選擇“don't run on pages on this domain”
