一文带你了解OpenAI Sora

作者：torresyu

最近AI圈最火的无疑是OpenAI在2月15日发布的Sora。Sora可以根据文本生成一分钟的高清视频，生成的视频画质、连续性、光影等都令人叹为观止，Sora无疑将视觉生成推到新的高度。本文将重点回答三个问题：（1）Sora的原理是什么？（2）Sora到底是不是世界模型？（3）Sora会影响哪些行业？

1. 背景

在国内外大多数AI厂商还在卷大语言模型之际，OpenAI悄无声息地发布了文生视频（text-to-video，简称t2v）模型Sora [1]，仅仅几个视频demo，就让整个AI圈子从惊讶到恐惧，惊讶于Sora生成的视频已经到达工业应用级别，恐惧于现有的t2v模型与Sora的差距竟然如此之大。
先看个Sora官方博客展示的demo，当你向Sora输入：“A stylish woman walks down a Tokyo street filled with warm glowing neon and animated city signage. She wears a black leather jacket, a long red dress, and black boots, and carries a black purse. She wears sunglasses and red lipstick. She walks confidently and casually. The street is damp and reflective, creating a mirror effect of the colorful lights. Many pedestrians walk about.”，Sora则根据该文本生成了长达1分钟的高清视频。

这个demo展现了Sora至少有以下突破：（1）画质突破：视频非常高清，细节极其丰富；（2）帧率和连续性突破：视频帧率高、连续性好（无闪烁或明显的时序不一致）；（3）时长突破：相比之前t2v模型仅能生成几秒的时长，Sora可以生成长达1分钟的视频，这是之前t2v模型不敢想象的；（4）物理规则理解突破：视频中物体的运动、光影等似乎都非常符合自然世界的物理规则，整个视频看上去都非常自然和逼真。

那么OpenAI到底用了什么魔法能让Sora如此惊艳？接下来我们通过OpenAI给出的Sora技术报告来解答。PS：该技术报告非常简陋，技术细节几乎没有，只给了大致的建模方法。

2. Sora原理解读

2.1 Sora要解决的任务

Sora要解决的任务其实非常好理解，就是给定一段文本，模型需要根据该文本生成相应的视频，简单说就是text-to-video（t2v）。t2v本身并不是一个新问题，很多厂商都在研究t2v模型，只是当前的t2v模型生成的视频普遍质量较差，很难到达工业应用级别。在Sora出现前大家的普遍认知是：t2v是一个很难的任务，工业级别t2v模型（或者说能真正实用的t2v模型）短时间内应该很难实现。然而，OpenAI又又又一次打了所有人的脸，Sora的发布意味着，这一天已经来了。

2.2 Sora原理

如果用一句话来描述Sora训练建模过程，可以是：将原始视频通过一个视觉编码器（visual encoder）编码到隐空间（latent space）形成隐时空块（spacetime latent patches），这些隐时空块（结合text信息）通过transformer做diffusion [2, 3, 4]的训练和生成，将生成的隐时空块再通过视觉解码器（visual decoder）解码到像素空间（pixel space）。所以整个过程就是：visual encoding -> latent diffusion with diffusion transformer (DiT) [4] -> visual decoding。

（1）Visual Encoding

这一步其实很好理解，就是通过一个变分自编码器（VAE）[5]的encoder将高维的原始视频映射（压缩）到较为低维的隐空间（注意：不仅仅是空间上压缩了，时间上也进行了压缩），即得到该视频的低维隐空间特征（可以看成一个大的3D tensor），为了后续transformer计算方便，将这个特征切成不重叠的3D patches，再将这些patches拉平成一个token序列，这个token序列其实就是原始视频的表征了（即visual token序列）。

（2）Latent Diffusion with DiT

在得到视觉表征（上述visual token序列）后，Sora借鉴了DiT [4]，使用transformer来做diffusion model的训练，使用transformer的好处在于可以输入任意长度的token序列，这样就不再限制输入视频的尺寸和时长，并且模型很容易scale up（OpenAI表示这个我熟）。同时，因为Sora想解决t2v的问题，所以Sora会将text的表征以某种形式condition到visual tokens上（Sora技术报告中未披露，但后文我会分析最可能的实现方法）来约束生成。

在diffusion transformer的训练中，给定噪声输入（e.g., 噪声patches）并conditioned on text特征，模型被训练去预测原始视频的patches（预测过程又叫denoising过程，具体可以参考DDPM [2]中的训练算法），示意图如下：

（3）Visual Decoding

第（2）步中，diffusion transformer可以生成的其实不是像素空间的视频，而是隐空间的视频表征（denoised patches），这些patches reshape成视频3D特征再经过第（1）步中的VAE的decoder，就可以映射回像素空间，得到最后生成的视频。

2.3 Sora的重要性质

（1）Sora可以灵活地采用不同时长、分辨率和长宽比的视频

OpenAI发现之前的方法大多采用固定尺寸的视频（比如4s的256x256视频）去训练模型，和现实中任意长度、长宽比有较大gap，而采用原始尺寸的视频训练模型效果更好。得益于Sora采用的transformer结构，Sora可以输入任意多个visual patches（初始为noise patches），即可生成任意尺寸的视频。

（2）Sora有很强的语言理解能力

训练t2v模型需要大量带有文本标注的视频，OpenAI采用DALL·E 3 [6] 中的re-captioning技术来解决。首先训练一个高质量的视频标注模型（captioner model），然后它为训练集中的所有视频生成文本字幕。另外，进一步利用GPT将视频标注模型生成的简短文本扩展成更长的文本有利于还利用Sora准确遵循用户文本提示生成高质量视频。

2.4 重要细节推测

Sora的技术报告没有任何细节，仅仅告知大家大致的建模方法，但有一些细节的实现是可以推测or猜测的。

（1）visual encoder可能的结构：因为Sora在visual encoding时也压缩了时间维度，所以Sora可能采用从零开始训练的3D conv版的VAE。Sora这里没有像之前工作那样，简单地采用Stable Diffusion（SD） [3]预训练好的2D conv版的VAE。现成的SD的VAE encoder用来压缩视频最大的问题在于时间维度没有下采样，SD的VAE承担了将原本sparse的数据压缩到compact的latent domain再进行diffusion过程，从而大幅度提高training和inference的效率。然而，直接运用2D VAE缺乏了在时间维度的压缩，使得其对应的latent domain不够紧凑。实际上，这是一个历史遗留问题，大部分研究工作受算力等因素影响选择直接利用SD的预训练权重（Unet部分）、保留了2D VAE。

（2）visual encoding中视频的patches如何flatten成token序列？大概率借鉴DiT，先flatten这些patches，然后过一个linear层，将patches embed成tokens。

（3）diffusion中如何将text信息引入？大概率还是借鉴DiT和SD，在每个transformer block中，将visual tokens视为query，将text tokens作为key和value，进行cross attention，不断地conditioned on text tokens。

2.5 尚未披露关键信息

（1）模型：模型的具体结构、模型的参数量、关键参数（patch size、token数目等）如何？

（2）数据：用了哪些数据？规模如何？

（3）资源：用了多少算力？训练了多久？

（4）如何处理高帧率、时间长、高分辨率的视频？目前主流的视频生成模型都是cascade结构，也就是先生成低分辨率、低帧率的视频，再不断地在时间和空间维度上upsample。不知道Sora是否是直接一次性输出其展示的结果，如果是那样，那又会有多少token呢？
（5）如何解决motion的问题？目前的视频生成模型普遍生成的motion都不太好，最简单的例子就是“人走路”，大部分模型无法生成连贯的、长时间的、合理的人行走的过程。而Sora生成的结果在连贯性、合理性上相比之前的模型都有着断代的领先。那到底是什么促使了这样的结果呢？是模型尺寸的scale up吗？需要scale up到什么size？还是数据的收集和清洗呢？以及要做到什么程度呢？

2.6 Sora的应用

- 视频创作：用户可以根据文本生成高质量视频；

- 扩展视频：可以在给定的视频或图片基础上，继续向前或向后延申视频；

- Video-to-video editing：例如将SDEdit [7]应用于Sora，可以很容易改变原视频的风格；

- 视频连结/过渡/转场：可以将两个视频巧妙地融合到一起，使用Sora在两个输入视频之间逐渐进行插值，从而在具有完全不同主题和场景构成的视频之间创建无缝过渡；

- 文生图：图像可以视为单帧的视频，故Sora也能实现文生图。

2.7 Sora的局限性

原本中提到：“Sora 目前作为模拟器（simulator）表现出许多局限性。例如，它不能准确地模拟许多基本相互作用的物理过程，例如玻璃破碎。其他交互过程（例如吃食物）也不总是能正确预测。我们在登陆页面中列举了模型的其他常见故障模式，例如长时间样本中出现的不连贯性或对象的凭空出现。”

总结一下主要是：

（1）对世界的物理规则的理解还不完美；

（2）长视频生成时容易出现不连贯或者物体凭空出现的现象。

3. Sora到底算不算世界模型？

最近，围绕“Sora是不是世界模型”以及“Sora懂不懂物理世界”等相关话题引起了圈内热议。

英伟达高级研究科学家Jim Fan在X平台上称：“Sora is a learnable simulator, or "world model".”。而图灵奖得主Yann LeCun则表示：“The generation of mostly realistic-looking videos from prompts "does not" indicate that a system understands the physical world.”。

这里谈谈我的看法，仅供参考。

（1）什么是世界模型（world model）[8]？

“The image of the world around us, which we carry in our head, is just a model. Nobody in his head imagines all the world, government or country. He has only selected concepts, and relationships between them, and uses those to represent the real system.” --Jay Wright Forrester, the father of system dynamics

上述引自系统动力学之父Jay Wright Forrester。我的理解是人类其实无法记下整个世界的所有内容，我们的大脑仅仅是在有选择记忆一些概念和相互关系，利用这些，我们可以表征和理解这个世界。这里，我们的大脑其实在充当world model，即一个理解世界（物理）规律的模型。比如，当你看到玻璃杯从桌上掉下水泥地上，你知道接下来发生的事自然就是杯子碎了。

那么世界模型到底是啥？

（以下是我个人对世界模型的理解，可能不够严谨，仅供参考）

我将世界模型分为广义的和狭义的进行讨论。

【广义世界模型】广义的世界模型，其实就是任何能理解世界潜在物理规律的模型，比如可以预见未来结果的模型，继续以前面那个例子为例，如果一个模型能预测玻璃杯掉下后的状态，说明该模型具备这样的能力；再比如知道世界中实体或抽象概念之间相互联系的模型，比如一个模型知道玻璃杯的硬度低于水泥地会导致玻璃破碎。这些其实在我看来都是广义上的世界模型。

【狭义世界模型】狭义的世界模型更强调理解物理世界的动力（dynamics）或者运动等物理规律的模型，了解过RL的朋友们一定特别熟悉这些。在RL中，一大分支便是model-based RL，这里的model，其实就是典型的狭义世界模型。在此模型中，给定某一时刻的状态s_t和该时刻做的动作a_t，模型可以预测出下一个时刻的状态s_t+1。所以说，狭义的世界模型其实是因果的。回到上面的例子，s_t可以是刚下落的杯子和干净的水泥地，a_t则是自由落体这个动作，s_t+1则是水泥地上碎掉的杯子这样一个状态。

（2）Sora算不算世界模型？

先给结论，我觉得Sora算广义世界模型，同时也是隐式的狭义世界模型。

Sora的diffusion过程其实是在从噪声状态在text prompts的约束下，预测可能的结果（视频）。这个过程看似跟狭义世界模型没有关系，但其实可以这么理解：

标准的狭义世界模型的状态转移过程为：s_0 -> a_0 -> s_1 -> a_1 -> s_2 -> ... -> a_T-1 -> s_T。对于一个视频来说，每一帧都可以看做一个状态s，但是某一时刻动作其实很难描述，我们很难用自然语言或者其他形式来描述相邻两帧之间发生了什么。但是我们可以用自然语言描述视频在做什么，也就是s_0到s_T发生了什么，也就是将动作序列A={a_0, a_1, ..., a_T-1}一起打包表示成一句话或者一段话。在Sora中，text prompts可以看做成这样的动作序列A。而Sora理解世界的过程也和一般的狭义世界模型不太一样，s_0不再是第一帧，而是“混沌”状态（噪声），于是乎diffusion的过程可以理解为：s_0（噪声） -> A -> s_1 -> ... -> A -> s_T（清晰视频）。这其中，虽然Sora并没有显式建模世界的dynamics，但其实在理解自然语言和视频内容之间的关系，算是一种广义上的世界模型。

同时，回看Sora的应用可以发现，Sora其实可以拓展视频的！也就是说，换一个角度，给定一张起始图像（第一帧）和一个文本描述（描述包含生成视频内容），Sora就能生成出整个视频，那这个过程其实可以看做是在隐式的狭义世界模型建模：s_0（第一帧）-> A -> s_{1:T} (整个视频)。相当于是，给定了初始状态和接下来的所有动作A，Sora能预测出接下来的所有状态s_{1:T}，所以Sora在我看来也是一个非典型的、隐式的狭义世界模型。

值得一提的是，OpenAI官方信息从未表示Sora是world model，而是强调它是world simulator，我也觉得world simulator描述比较贴切。

4. Sora对行业的影响

- 短视频内容创作可能进入新的时代：Sora可以提供丰富的视频素材；

- 视频剪辑和编辑：Sora具备相关应用能力；

- 更逼真的数字人：用户可以得到自己的“理想型”；

- 娱乐化：从图像一键生成视频；

- 游戏行业：游戏引擎受到Sora挑战；

- 图形学：未来可能不复存在。

（讨论区，欢迎大家评论添加）

5. Sora成功的关键（粗浅理解，欢迎指正和补充）

- 大规模训练：这点毋庸置疑。大模型、大数据量、使用大规模算力，OpenAI基本操作。

- 敢于突破常规、不屑于刷点：之前工作基本都采用SD预训练的visual encoder，也知道该encoder多少有点不合理（比如只能处理固定size的输入），但没有人真的去重新训练一个更合理的encoder（当然，更可能是算力不支持）。而OpenAI发现问题，就用算力来解决问题（大概率重新训练visual encoder）。

- 实事求是+绝对领先的sense：自回归的建模方式在LLM中大获成功，GPT系列也出自OpenAI，但这不代表“Autoregressive is everything”，Sora告诉大家，生成视频无需采用自回归，直接3D建模+transformer encoder结构就ok。

- AGI理念从上至下传播：Sam Altman绝对是一个有大格局的人物，其最终目标是实现AGI，我想整个OpenAI应该都会贯彻这样的理念，不管是ChatGPT还是Sora，都能看到AGI的影子。

本篇仅仅为个人的思考和总结，如有不妥之处，欢迎指正与交流。

【参考文献】

[1] OpenAI. "Video generation models as world simulators." OpenAI Blog. 2024.

[2] Ho, Jonathan, Ajay Jain, and Pieter Abbeel. "Denoising diffusion probabilistic models." Advances in neural informaion processing systems 33 (2020): 6840-6851.

[3] Rombach, Robin, et al. "High-resolution image synthesis with latent diffusion models." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2022.

[4] Peebles, William, and Saining Xie. "Scalable diffusion models with transformers." Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023.

[5] Kingma, Diederik P., and Max Welling. "Auto-encoding variational bayes." arXiv preprint arXiv:1312.6114 (2013).

[6] Betker, James, et al. "Improving image generation with better captions." Computer Science. https://cdn.openai.com/papers/dall-e-3. pdf 2.3 (2023): 8.

[7] Meng, Chenlin, et al. "Sdedit: Guided image synthesis and editing with stochastic differential equations." arXiv preprint arXiv:2108.01073 (2021).

[8] Ha, David, and Jürgen Schmidhuber. "World models." arXiv preprint arXiv:1803.10122 (2018).