周鴻祎談Sora模型：中美AI差距可能還在加大

　　2月17日消息，近日，OpenAI 發布了 Sora 模型，該模型可根據用戶輸入的文本提示詞描述，生成一段60秒鐘的視頻內容。從OpenAI公開的演示視頻來看效果非常超現實。
 

　　昨日，360董事長周鴻祎在微博發文，談到OpenAI的文字轉視頻模型Sora。他認為：Sora意味著 AGI實現將從 10年縮短到1年。
 

　　周鴻祎表示，AI不一定那么快顛覆所有行業，但它能激發更多人的創作力。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，但它不一定那么快擊敗 TikTok，更可能成為 TikTok的創作工具。
 

　　同時，周鴻祎還談到中美AI差距，他認為：OpenAl手里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。他們手里的武器并沒有全拿出來。這樣看來中國跟美國的 AI 差距可能還在加大。
 

　　以下為周鴻祎發文全文：
 

　　Sora意味著 AGI實現將從10年縮短到1年
 

　　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，就驗證了好幾個從 Gemini、英偉達的 Chat With RTX到 OpenA!發布 Sora，大家都覺得很炸裂。朋友問我怎么看 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，科技競爭最終比拼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OpenAl 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以后創業公司只需要做個體戶就行，實際今天再次證明這種想法是非常可笑的。
 

　　第二，AI不一定那么快顛覆所有行業，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、臺詞的配合，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，但它不一定那么快擊敗 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面看已經接近 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 OpenAl手里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，他們手里的武器并沒有全拿出來。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，它并沒有真正掌握這個世界的知識?，F在所有的文生圖、文生視頻都是在 2D 平面上對圖形元素進行操作，并沒有適用物理定律。但 Sora 產生的視頻里，它能像人一樣理解坦克是有巨大沖擊力的，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 OpenAl 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 的范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，基于對人類語言的理解，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面，而沒有工作在認知層面。其實人在駕駛汽車的時候，很多判斷是基于對這個世界的理解。比如對方的速度怎么樣，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 只是小試牛刀，它展現的不僅僅是一個視頻制作的能力，它展現的是大模型對真實世界有了理解和模擬之后，會帶來新的成果和突破。
 

　　第五，Open Al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面為主。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。