通过模拟一切视频生成将带我们走向通用人工智能，终有一天你可以在视频模型上运行 ChatGPT [译]
内容提要
OpenAI团队开发的通用人工智能项目SOAR可以生成高清视频，具有多种复杂元素和特效。与艺术家合作使用SOAR的案例以及技术原理也被介绍。团队希望通过SOAR推动内容创作的民主化，让更多有创意的人实现他们的想法。文章还讨论了SOAR的局限性和未来发展的可能性。
延伸解读
从语言模型到视觉模型：统一范式
Sora 将视频和图像切割成时空小块，并训练 Transformer 模型，这与语言模型处理文本 token 的方式类似。这种统一范式使得模型能够利用大量原始格式的数据，并具备良好的扩展性。文章强调，随着计算量增加，模型性能持续提升，这符合《苦涩的教训》中的观点。
零样本视频编辑与风格转换
Sora 具备零样本学习能力，可以将一段视频转换为另一段视频，例如改变风格或主题，同时保留原视频的结构。模型甚至能理解语义，比如在中世纪主题中自动将汽车替换为马车。这种能力为创意表达提供了新的可能性，但文章也指出模型仍存在局限性。
通向 AGI 的世界模拟器
OpenAI 认为视频模型是通向通用人工智能的关键路径。Sora 通过生成逼真视频，隐式地学习物理规律、3D 几何和物体持久性，从而构建对世界的内部模型。随着规模扩大，模型可能涌现出更复杂的模拟能力，最终甚至能在视频模型上运行 ChatGPT。
当前局限与未来挑战
尽管 Sora 取得了显著进展，但在理解基本物理互动（如打碎玻璃杯）和物体持久性方面仍有不足。模型运行速度较慢，且对生成过程的控制有限。OpenAI 正与艺术家和红队合作，以改进模型并确保安全，但距离完美模拟现实世界还有很长的路。
Q&A
SOAR项目的主要功能是什么？
SOAR项目可以生成高清视频，具有复杂元素和特效，能够理解三维空间的几何和物理复杂性。
SOAR如何推动内容创作的民主化？
SOAR与艺术家合作，允许更多有创意的人实现他们的想法，从而推动内容创作的民主化。
SOAR的技术原理是什么？
SOAR的技术原理基于语言模型，能够处理各种形式的视觉数据，并具备零样本学习能力。
SOAR在视频生成方面有哪些局限性？
SOAR在物体持久性和复杂场景模拟方面仍有局限性，无法完美处理所有物理互动。
SOAR如何实现视频的风格转换？
SOAR使用SD编辑技术，可以将一段视频转换为另一种风格，同时保持其结构。
未来SOAR的发展方向是什么？
未来SOAR将继续扩展，模拟更复杂的环境和人类互动，推动视频生成技术的进步。
