Sora根据彭博提供的提示词生成的视频。(00:09)

有关文生视频模型Sora是否能理解人类物理世界，近期一直是讨论的热点，一段由Sora生成的视频，似乎可以作为参考。

2月23日，有外媒体验后报道称，由记者提供提示词后，OpenAI帮助生成的演示视频中可以看到明显的局限性。该段视频的提示词为：“俯视图，一只鹦鹉飞过青翠的哥斯达黎加丛林，然后降落在树枝上，与一群猴子一起吃一块水果。黄金时刻，35毫米胶片。”

在10秒的视频中，一只鹦鹉飞过丛林，乍看起来没有明显异常。但再看一遍时，却能发现很多问题——鹦鹉飞过猴子时翅膀扭曲了；虽然提示词写的是一只，但却生成了多只鹦鹉；一只猴子在最后的画面中似乎有着鹦鹉的尾巴。

视频生成能力有了明显飞跃，但仍有很长的路要走

“你会在该片段的不同阶段发现一些奇怪的动作，”OpenAI Sora团队研发负责人Bill Peeble表示，“但Sora能够对如此复杂的场景进行建模这一事实表明，视频生成能力有了明显的飞跃。”

OpenAI表示，Sora距离黄金时期还有很长的路要走。

在Sora亮相之时，OpenAI就表示，目前Sora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的具体实例。例如，一个人可能咬了一口饼干，但之后饼干可能没有咬痕。还可能会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。

Sora生成的视频中，一只大鸭子把人踩没了。

Meta首席科学家杨立昆（Yann LeCun）、AI科学家马库斯（Gary Marcus）等近期也都指出Sora并不能理解人类物理世界。杨立昆认为，仅仅根据提示词生成逼真视频并不能代表一个模型理解了物理世界，生成视频的过程与基于世界模型的因果预测完全不同， “这里存在‘巨大’的误导”。

马库斯对于Sora则表示：“如果你只看一秒钟（的视频片段），你会觉得它太神奇了。但如果你仔细看看，就会发现（这个人工智能系统）仍然不太懂常识。”

Sora视频并非即时生成，何时公众发布仍未知

与文生图相比，Sora需要更长的时间和计算来生成每段视频。

OpenAI没有给出Sora处理每个请求需要多长时间，但Peebles表示“绝对不是即时的”，“在等待这些东西运行时，你可以去吃点东西”。

Sora生成的视频中，蚂蚁有四只脚。

OpenAI目前仅向评估关键的危害或风险的红队成员（red teamers），以及一些视觉艺术家、设计师和电影制作人提供访问权限，以获取有关如何改进该模型以对创意专业人士最有帮助的反馈。OpenAI也没有公布训练Sora的数据等基础细节以及向公众发布的日期。

OpenAI发言人Natalie Summers表示，Sora没有设定发布时间表，是因为公司希望确保它能降低与选举相关的安全风险。2024年世界上很多地区都将进行选举，许多政治家、虚假信息研究人员和技术专家，都担心超现实人工智能的深度伪造技术被用来欺骗选民。因此，现在推出功能强大的新型视频生成工具时机并不是很好。