【安恒观察】开年王炸Sora：炸在哪里？有何风险？

信息量大、细节生动、场景逼真、镜头切换流畅自然......

近日，OpenAI发布了首个文生视频模型Sora，可以用文字指令生成长达1分钟的高清视频。Sora重新定义了AI文生视频在现阶段的技术极限，给2024年开年后的AI生成世界扔了个“王炸”，在全社会引发热议，媒体关注不断。

在OpenAI官方出具的技术报告中，对Sora的定位为“作为世界模拟器的视频生成模型”。近日，安恒信息CTO刘博，安恒研究院院长、高级副总裁王欣等多位技术专家接受媒体采访，针对Sora是什么？国内的Sora什么时候出现？大模型的实现技术逻辑是什么？可能的安全风险在哪里？等多个问题进行了详细解答与回复，系统阐述了Sora以及大模型技术带来的里程碑式改变。

简单来说，Sora可以理解为具备视频生成、视频合成、图片生成三大核心功能的世界模拟器。

它能够理解用户的文字提示，直接生成长达一分钟不同尺寸的视频，且这一分钟的视频并非单一场景，而是由多个镜头组成。且能够确保多个镜头之间的人物、场景等整体3D效果与细节的一致性，并实现不同主题和场景组成的视频之间的无缝过渡。

它的强项在于：

它能依据背后复杂的逻辑体系，仅通过文字精准分析出你想要视频是什么样子。

它生成的图或视频包含复杂的多角度镜头和富有情感的多角色，但都很合理，也很贴合实际生活。比如视频中看到的下雪、反光等复杂自然系统中的场景，符合现实逻辑。

生成视频背景细致入微，动物的毛发都非常清晰，可以真正把你想表达东西具像化呈现，甚至比你想要的还更真实更炫酷。

主要的技术突破点在于生成式基础——通用人工智能（AGI），采用游戏、无人驾驶和机器人领域验证的世界模型，构建出的文生视频模型，达到模拟世界的能力。它可以模拟生成图片、一首诗或一首歌。但是，视频远比图片、文字要复杂。究其原因，视频的逻辑性、连贯性、对细节的关注度非常看重。

文生视频，需要依托大模型，对海量现有图片和视频数据进行训练。只有充分了解背后的逻辑，才能生成更合理的逻辑。以GPT为例，它要生成一首七言绝句，就必须得见过足够多的七言绝句样本。

文生视频的难度在于，视频本身数据量大且非常复杂。大语言模型如果要捕捉到视频数据的逻辑，会面临巨大的挑战。但是，Sora可以做到。它不仅能捕捉到视频中的细节信息，也能涵盖宏观场景化信息，进而生成非常合理、看上去都找不到破绽的视频。

一方面是对数据量的考验。一张1000×1000像素的图片可以将图片内容表达得较为清晰。但是视频的转换逻辑不同。每一秒钟都要处理几十帧或者上百帧高清图片，才能保证视频的逻辑性和连贯性。以海洋生物骑自行车为例，要想显得合理，动物要长脚，还要穿鞋。类似这样逻辑性、连贯性很强的视频，要比图片复杂100倍甚至1000倍。这种复杂度背后便是对模型算力的要求。

另一方面，Sora使用了Transformer架构，建立在DALL·E 3和GPT模型之上。尤其是要生成长达1分钟的有运动、多机位的视频，需要穿梭表达这些信息，至少是10倍或者100倍复杂度的提升。

无论是视频、图片还是语言，都是基于多种技术进行编码，进而转化成矢量矩阵，最终用数字来呈现。

我们可以称其为跨媒体的转换，例如语音转换视频、视频转换文字等。所以它的底层编码过程是屏蔽不同媒体介质差别的过程，最终将其变成统一的表达方式。

不管通过什么样的方式，都可以通过transformer技术计算相似度、逻辑性。因此，无论是语言，还是文字、图片、音频还是视频，对于大模型来讲，底层表达逻辑区别并不大，区别主要在于计算的复杂度，以及如何构造你的编码和transformer技术，从而更好地表达所承载的介质及其关系。

其底层模型，均为通用的大语言模型。即对于自然语言，甚至于计算技术承载的数字化介质来说，都可以通过统一的数字矩阵方式进行表达，抹掉差别，用统一的模型支撑不同的任务。

首先通过编码，将文字变成数字化矩阵，然后依托该矩阵，从海量视频数据中抓取匹配场景，再自动化生成。视频也是同理，需要通过编码一帧帧生成。

值得一提的是，Sora在视频内容的合理性层面实现重大突破。例如，以前的AI视频经常会产生1个人有6个手指或某根手指突然间比其他手指要粗一点。因为某些大模型很难捕捉到如此细节的画面，导致会出现“常识性错误”。但Sora在很多细节上的处理不错。它的实现主要是human feedback，即通过人的反馈，再持续增强学习。

面对一个未成熟的新技术，我们已经看到它巨大的可能性和潜力。

首先，我们要拥抱它，大量使用它，研究原理，从而助力我们自身技术和产业的升级。

第二，随着AI生成内容的真实性越来越高，如何区分真实视频和AI生成视频，以及如何确保内容的真实性和透明度，将成为社会需要共同面对的挑战。

举个例子，随着文生视频、文生文、文生图操作的便捷化，自然而然就会产生造假等问题，比如未来虚假消息、虚假视频、虚假图片的真伪鉴别。比如诈骗文案、钓鱼诈骗的鉴别，比如未来会不会利用虚假视频、虚假消息等进行舆论战。

第一，从当前来看，国内要大力发展自主可控的芯片，同时希望政府给予更多的算力支持。国家在政策、人才、基础设施方面，对AI产业的投入还是比较大。全国各地在建立AI计算中心，以比较低廉的价格供应给相关企业使用，让我们都可以以较低的成本来使用AI的算力，国家针对AI算力的科研经费及产业的专项支撑，提供了较大的支持，对AI类型想拥抱AI企业来讲，都是一个很好机遇。

第二，国家的监管机构，需要进行全方位的有效监管。例如利用技术手段识别哪些视频的真实性。可以采取在人工生成视频上打水印、加特殊标签等方式，确保视频可以追溯，从而保护个人隐私，保护个人合法权利。

与前三次工业革命类似，每一次工业革命并不是一个应用上的突破，而是基础能力上的突破，这会导致生产力提升，生产成本大幅下降。AI大模型技术有可能会成为第四次工业革命的重要驱动。

我们看到，Sora在媒体领域具备很大潜力。当然，它并非横空出世或一枝独秀。我们更应该将其看成一个重要的里程碑。罗马不是一天建成的，类似研究机构和企业，其实都在逐步推进相关技术和产品的进步。我们每个人都可以抓住这样的机遇，参与到伟大变革中。

第一，从自身出发，很多员工已经开始将AI作为工作助理，例如写代码、报告、PPT等，大幅提升工作效率。

第二，我们充分认识到大模型技术对网络安全技术的推动力。

当前，我们在做的数据安全、威胁检测等，都可以通过大模型技术提升精准度和可理解性。客户在使用我们的产品时，能够大大降低使用成本，同时让我们的产品变得可控。可以说，大模型技术能够帮助我们的产品实现大的跨越。

并且，我们已经推出了网络安全垂直领域的大模型——恒脑，来解决更多的问题。这是我们的一个探索，未来该技术也会不断地拓展其边界，应用到更多领域。

大模型技术的发展基于海量的数据和再加海量的算力。所有信息需要通过大模型技术捕捉，对于算力的要求非常高。因此，要充分调动资源，加快建设相关的算力基础设施。

技术发展过程并非一帆风顺。当前，我们对于大模型、算法有精准了解的人才还是比较稀缺。针对于模型训练全生命周期可以做到全对全、端对端的全流程调优的人才，也非常欠缺。因此，要加快在该领域人才的培养和引进。