OpenAI的视频生成模型Sora令影视业倍感惶恐？

图片来源：视觉中国

北京时间2月16日凌晨，没有任何预告，全球明星AI创业公司OpenAI发布了文生视频模型Sora，首次由AI生成了长达1分钟的多镜头长视频，其对于真实人类世界的高模拟度画面、精细的画质、多镜头拍摄、多角度运镜，表明AI对人类世界的理解、AI生成的创造性内容又上了新台阶。

多方评论认为，科技界与影视界或将迎来新一轮革命。

OpenAI首席执行官Sam Altman顺势在社交平台X上开始招聘：“OpenAI是我在一个地方见过的最有才华、最友善的一群人，致力于解决最困难、最有趣和最重要的问题，所有关键资源均已到位，非常专注于打造 AGI（通用人工智能），你也许应该考虑加入我们。”

而OpenAI的消息还不止于此。2月17日，据《纽约时报》和彭博社等媒体报道，OpenAI已完成一项允许员工出售公司股份的最新交易，使得这家AI明星公司的估值达到了860亿美元。

对电影行业的影响只是时间问题

远隔重洋，中国影视从业者也感到了巨大冲击。一位青年导演在2月16日发朋友圈说：“今日，大家正为AI的进步会在不远的将来抢走饭碗而倍感惶恐。”

Sora生成的视频中，主角脸上的雀斑清晰可见。图片来源：OpenAI官网

中国香港青年导演朱智立告诉蓝鲸财经记者，“它（Sora）对电影行业的影响只是一个时间问题，因为它已经把画面做到非常真实、有细节，包括一个女人在东京街头的画面，连脸上的雀斑都能做到非常真实。”

朱智立向蓝鲸财经表示，Sora对宣传片、广告片的影响会更大，“电影还有剧本、情节、台词等复杂因素，而在广告、宣传片行业，冲击可能会更快到来。如果提示词可以细节到分镜，那AI不仅仅是帮助导演画分镜和视觉参考图了，而是直接可以做成更高效的动态分镜预览，或者等技术更成熟时可以直接用来做成影视作品。”

虽然朱智立仍能在Sora生成的视频中发现一些bug（问题），但他认为修复这些bug只是时间问题，“有个视频是一个老奶奶吹蜡烛，但是蜡烛没有熄灭，意味着在情节的因果关系上有些bug。但几个月前Pika（另一家AI视频生成创业公司）才只能生成几秒钟的视频，当时我申请Pika账户，现在还没申请下来，几个月后Sora就出来了，能生成一分钟的视频。这些bug修复、技术迭代只是时间问题，可能比我们想得还要早。”

目前在影视界，特别是动画电影中，用文生图模型Midjourney来画前期动态分镜预览已很广泛。Previz（Previsualization，动态预览）是指在正式拍摄之前将拍摄内容简单制作一遍，用简单动画展示出演员走位、取景、摄影机角度与运动大方向，这原本是要一笔不小的预算和时间的，但AI可以低成本快速产出。

目前，朱智立正在筹拍的新电影就使用了Midjourney画分镜，对一些电影场景如七八十年代的香港码头、上海理发店的还原度很高，放到了他的电影项目书里，作为重要场景的视觉参考，“比导演用嘴巴去讲、自己用手画分镜要好很多。”

朱智立用Midjourney生成的电影场景图。图片来源：受访者提供

据《财经十一人》报道，目前不少视频创作者在以周为单位学习AI软件，全流程用AI制作视频，甚至拿到品牌商单。动画导演、兔斯基作者王卯卯强迫自己每周学2-3个AI软件，在学习了4个月AI后，她动手用AI制作视频了，从开始有创作想法，到生成主视觉图、生成动画，再到剪辑、加字幕，一个30秒的预告片只用了3个小时。

据报道，小红书博主@吴志气已经用AI制作多条商业广告，已经有品牌在接触AI视频创作者。他收到的最高报价是8000元/秒，听过的最高报价达到了10000元/秒。不过目前报价的底线也可以很低，有的只有500元/秒。

虽然很多影视、广告从业者感到了被AI抢饭碗的危机，但360公司创始人周鸿祎则发文表示：“今天很多人谈到Sora对影视工业的打击，我倒不觉得是这样，因为机器能生产一个好视频，但视频的主题、脚本和分镜头策划、台词的配合，都需要人的创意，至少需要人给提示词。一个视频或者电影是由无数个60秒组成的。今天 Sora 可能给广告业、电影预告片、短视频行业带来巨大的颠覆，但它不一定那么快击败TikTok，更可能成为 TikTok的创作工具。”

也有些内容生产领域对AI持审慎态度。刘先生目前在北京一家电视台担任视觉创意设计师，他在工作中不会用到AI，一方面是不能使用VPN，一方面单位会顾虑存在黑客盗取AI数据库的风险，“任何事情要首先考虑安全。”

力大砖飞的技术

Sora可以生成长达60秒的视频，此前文生视频时长最长的是另一家人工智能公司Runway，支持最多18s视频生成，镜头相对固定。由中国上市公司之女创立、曾引起A股轰动的Pika，此前生成视频长度在3秒左右，是单镜头，与其说是视频，更像是动图。

而OpenAI此次发布的Sora生成的视频有丝滑的移动运镜、场景转换，还可以自行分镜、切换景别，这意味着Sora可能让普通人以极低的门槛制作自己的电影。

另外，此前的文生视频模型，由于是生成单镜头，一旦输入新提示词，就会生成新镜头，主角就会变换，在实际的视频创作中有困难。而Sora生成的视频，在视角转换、镜头景别切换后，仍保持主体的一致性。

OpenAI官网介绍，“Sora能够生成具有多个角色、特定类型的运动以及主体和背景的准确细节的复杂场景。该模型不仅了解用户在提示中提出的要求，还了解这些东西在物理世界中的存在方式。”这意味着，如果说GPT能通过人类的语言来理解世界，那么Sora则能通过视频、图片等多模态数据来理解世界。

Sora模型的patches示意图。图片来源：OpenAI

Sora把视频和图像分解为较小的数据单元——“patches（小块）”，每个“patches”相当于GPT中的一个token（语句），这种编码十分灵活，通过patches来训练Sora模型。Sora使用了Diffusion扩散模型，它最初生成的视频看起来像静态噪声的视频，然后通过一步步消除噪声，来转换成清晰视频。据知危报道，相比于GAN生成对抗网络，Diffusion扩散模型像是一个勤奋且聪明的画家，并不是机械的仿作，在学习大量先作的时候，学会了图像内涵与图像之间的关系。

根据OpenAI的技术报告，Sora的强大得益于足量的数据、灵活的编码、优质的标注和Transformer+diffusion的架构。

据互联网程序编程算法领域博主宋博宁分析，以往此类模型对视频的处理往往会分解为时间域和空间域，用处理时间域的模型处理时间域，比如RNN、自回归模型等。但从报告来看，这次OpenAI直接把整个视频看做一个整体，一次性输入到diffusion模型中，让模型一次性生成出整个视频的每个细节。这样需要对视频进行压缩，但一次输入的数据量仍远远超过目前大模型支持的上下文长度。训练这样一个Diffusion Transformer模型需要巨大的计算成本。

既然训练模型这么烧钱，而芯片又是AI成本的大头，一直狂飙猛进的OpenAI也试图下场布局芯片了。不久前，据华尔街日报2月8号报道，Sam Altman正在与包括阿联酋在内的投资者进行谈判，以筹集数万亿美元资金，旨在提高全球芯片制造能力。其中一位知情人士表示，该项目可能需要筹集多达5万至7万亿美元的资金。据华盛顿邮报1月底报道，Sam Altman与美国国会议员讨论芯片制造业务，或与台积电等芯片制造公司合作。

芯片巨头英伟达在2024年开年短短一个半月时间，股价已经上涨46.63%，近一年更是上涨351.76%。截至2月16日，英伟达总市值接近1.8万亿美元，超过亚马逊和谷歌，仅次于微软、苹果和沙特阿美，为全球市值第四大公司。