OpenAI Sora核心技术，被曝缝合自DeepMind和谢赛宁论文？机器模拟人类世界迈出第一步

为何Sora会掀起滔天巨浪？Sora的技术，就是机器模拟我们世界的下一步。而且今天有人扒出，Sora创新的核心秘密时空Patches，竟是来自谷歌DeepMind和谢赛宁的论文成果。

OpenAI，永远快别人一步！

像ChatGPT成功抢了Claude的头条一样，这一次，谷歌核弹级大杀器Gemini 1.5才推出没几个小时，全世界的目光就被OpenAI的Sora抢了去。

100万token的上下文，仅靠一本语法书就学会了一门全新的语言，如此震撼的技术进步，在Sora的荣光下被衬得暗淡无光，着实令人唏嘘。

这次，不过也是之前历史的重演。

为什么ChatGPT会提前诞生？

《这就是ChatGPT》一书对此进行了揭秘：当时OpenAI管理层听说，从OpenAI「叛逃」的前员工创立的公司Anthropic Claude有意提前推出Chatbot。

管理层立马意识到这个产品潜力巨大，于是先下手为强，第一时间改变节奏，出手截胡Anthropic。

11月中旬，在研发GPT-4的OpenAI员工收到指令：所有工作暂停，全力推出一款聊天工具。两周后，ChatGPT诞生，从此改变人类历史。

或许，这也就揭示了为什么一家公司可以永载史册的原因：领导者能够发现有市场潜力的新产品，全面拦截所有成功的可能性。

对于谷歌被截胡一事，网友锐评道：OpenAI用Sora对抗Gemini发布的方式简直了，谷歌从没有受过这样的打击。

这不得不让人怀疑，OpenAI手里是不是还攥着一堆秘密武器，每当竞争对手发布新技术，他们就放出来一个爆炸级消息。

要知道，现在才刚刚是2024年2月，想想接下来要发生的事，不免觉得毛骨悚然。

为何Sora掀起滔天巨浪

Sora一出，马斯克直接大呼：人类彻底完蛋了！

马斯克为什么这么说？

OpenAI科学家Tim Brooks表示，没通过人类预先设定，Sora就自己通过观察大量数据，自然而然学会了关于3D几何形状和一致性的知识。

从本质上说，Sora的技术，就是机器模拟我们世界的一个里程碑。

外媒Decoder直言：OpenAI令人惊叹的视频模型处女作Sora的诞生，感觉就像是GPT-4时刻。

更有人表示，在Sora之中，我切实感受到了AGI。

这也就是为什么Sora会在全世界掀起滔天巨浪的原因。

要了解Sora如此强大的能力从何而来，除了OpenAI官方给出的技术报告，行业大佬也进行了进一步的解读。

LeCun转发了华人学者谢赛宁的推文，认为Sora基本上是基于谢赛宁等人在去年被ICCV 2023收录的论文提出的框架设计而成的。

而和谢赛宁一起合著这篇论文的William Peebles之后也加入了OpenAI，领导了开发Sora的技术团队。

所以谢赛宁的对于Sora的技术解读，具备极高的参考价值。

谢赛宁：Sora很厉害，不过好像是用了我的论文成果

AI大神谢赛宁，针对Sora的技术报告谈了自己的看法。

项目地址：https://wpeebles.com/DiT

– 架构：Sora应该是基于他和Bill之前在ICCV 2023上提出的以Transformer为主干的扩散模型（DIT）

其中，DIT=[VAE编码器+VIT+DDPM+VAE解码器]。

根据技术报告，好像没有其他特别的设计了。

-「视频压缩网络」：似乎是一个VAE，但训练的是原始视频数据。

在获得良好的时间一致性方面，tokenize可能起了很重要的作用。

VAE是一个ConvNet。所以从技术上讲，DIT是一个混合模型。

谢赛宁表示，他们在DIT项目没有创造太多的新东西，但是两个方面的问题：简单性和可扩展性。

这可能就是Sora为什么要基于DIT构建的主要原因。

首先，简单意味着灵活

当涉及到输入数据时，如何使模型更加灵活。

例如，在掩码自动编码器（MAE）中，VIT帮助我们只处理可见的patch，而忽略掉被mask的。

同样，Sora可以通过在适当大小的网格中安排随机初始化的patch来控制生成的视频的大小。

UNet并不直接提供这种灵活性。

猜测：Sora可能还会使用谷歌的Patch n‘Pack（Navit），以使DIT能够适应不同的分辨率/持续时间/长宽比。

其次，可扩展性是DIT论文的核心主题

就每Flop的时钟时间而言，优化的DiT比UNet运行得快得多。

更重要的是，Sora证明了DIT缩放法则不仅适用于图像，现在也适用于视频——Sora复制了DIT中观察到的视觉缩放行为。

猜测：在Sora的演示中，第一个视频的质量相当差，谢怀疑它使用的是最基础的模型。

粗略计算一下，DIT XL/2是B/2模型的5倍GFLOPs，因此最终的16倍计算模型可能是DIT-XL模型的3倍，这意味着Sora可能有约30亿个参数。

如果真的是如此，Sora的模型规模可能没有那么大。

这可能表明，训练Sora可能不需要像人们预期的那样，有非常大的算力要求，所以他预测未来Sora迭代的速度将会很快。

进一步的，谢赛宁解释了Sora提供的关键的洞见来自「涌现的模拟能力」这一表现上。

在Sora之前，尚不清楚长期形式的一致性是否会自行涌现，或者是否需要复杂的主题驱动的其他流程，甚至是物理模拟器。

而现在OpenAI已经表明，虽然现在结果还不完美，但这些行为和能力可以通过端到端的训练来实现。

然而，有两个要点还不是很明确。

1. 训练数据：技术报告没有涉及训练的数据集，这可能意味着数据是Sora成功的最关键因素。

目前已经有很多关于游戏引擎数据的猜测。他期待包括电影、纪录片、电影长镜头等。

2. （自回归）长视频生成：Sora的一个重大突破是生成超长视频的能力。

制作一段2秒的视频和1分钟的视频之间的差异是巨大的。

Sora可能是通过允许自回归采样的联合帧预测来实现的，但这里最主要挑战是如何解决误差累积问题，并随着时间的推移保持质量/一致性。

OpenAI Sora的技术，就是机器模拟我们世界的重要下一步

AI究竟如何将静态图形转换为动态、逼真的视频？

Sora的一大创新，就是创新性地使用了时空patch。

通过底层训练和patch，Sora能够理解和开发近乎完美的视觉模拟，比如Minecraft这样的数字世界。这样，它就会为未来的AI创造出训练内容。有了数据和系统，AI就能更好地理解世界。

从此，我们可以解锁VR的新高度，因为它改变了我们看待数字环境的方式，将VR的边界推向了新的高度，创建出近乎完美的3D环境。可以在Apple Vision Pro或Meta Quest上按需与空间计算配对了。

除了谢赛宁的解读之外，AI专家Vincent Koc，也对此展开了详细分析。

Sora的独特方法如何改变视频生成

以往，生成模型的方法包括GAN、自回归、扩散模型。它们都有各自的优势和局限性。

而Sora引入的，是一种全新的范式转变——新的建模技术和灵活性，可以处理各种时间、纵横比和分辨率。

Sora所做的，是把Diffusion和Transformer架构结合在一起，创建了diffusion transformer模型。

于是，以下功能应运而生——

文字转视频：将文字内容变成视频 

图片转视频：赋予静止图像动态生命 

视频风格转换：改变原有视频的风格 

视频时间延展：可以将视频向前或向后延长 

创造无缝循环视频：制作出看起来永无止境的循环视频 

生成单帧图像视频：将静态图像转化为最高2048 x 2048分辨率的单帧视频 

生成各种格式的视频：支持从1920 x 1080到1080 x 1920之间各种分辨率格式 

模拟虚拟世界：创造出类似于Minecraft等游戏的虚拟世界 

创作短视频：制作最长达一分钟的视频，包含多个短片

这就好比，我们正在厨房里。

传统的视频生成模型，比如Pika和RunwayML，就像照着食谱做饭的厨师一样。

他们可以做出好吃的菜肴（视频），但会受到他们所知的食谱（算法）所限。

使用特定的成分（数据格式）和技术（模型架构），它们只擅长烘焙蛋糕（短片）或烹饪意大利面（特定类型的视频）。

而与他们不同的是，Sora是一位基础知识扎实的新型厨师。

它不仅能照着旧食谱做菜，还能自己发明新食谱！

这位住大厨多才多艺，对于食材（数据）和技术（模型架构）的掌握十分灵活，因而能够做出各种高质量的视频。

探寻Sora秘密成分的核心：时空patch

时空patch，是Sora创新的核心。

它建立在Google DeepMind早期对NaViT和ViT（视觉Transformer）的研究之上。

论文地址：https://arxiv.org/abs/2307.06304

而这项研究，又是基于一篇2021年的论文「An Image is Worth 16×16 Words」。

论文地址：https://arxiv.org/abs/2010.11929

传统上，对于视觉Transformer，研究者都是使用一系列图像patch来训练用于图像识别的Transformer模型，而不是用于语言Transformer的单词。

这些patch，能使我们能够摆脱卷积神经网络进行图像处理。

然而，视觉Transforemr对图像训练数据的限制是固定的，这些数据的大小和纵横比是固定的，这旧限制了质量，并且需要大量的图像预处理。

而通过将视频视为patch序列，Sora保持了原始的纵横比和分辨率，类似于NaViT对图像的处理。

这种保存，对于捕捉视觉数据的真正本质至关重要！

通过这种方法，模型能够从更准确的世界表示中学习，从而赋予Sora近乎神奇的准确性。

时空patch的可视化

这种方法使Sora能够有效地处理各种视觉数据，而无需调整大小或填充等预处理步骤。

这种灵活性确保了每条数据都有助于模型的理解，就像厨师可以使用各种食材，来增强菜肴的风味特征一样。

时空patch对视频数据详细而灵活的处理，为精确的物理模拟和3D一致性等复杂功能奠定了基础。

从此，我们可以创建看起来逼真且符合世界物理规则的视频，人类也得以一窥AI创建复杂、动态视觉内容的巨大潜力。

多样化数据在训练中的作用

训练数据的质量和多样性，对于模型的性能至关重要。

传统的视频模型，是在限制性更强的数据集、更短的长度和更窄的目标上进行训练的。

而Sora利用了庞大而多样的数据集，包括不同持续时间、分辨率和纵横比的视频和图像。

它能够重新创建像Minecraft这样的数字世界，以及来自Unreal或Unity等系统的模拟世界镜头，以捕捉视频内容的所有角度和各种风格。

这样，Sora就成了一个「通才」模型，就像GPT-4对于文本一样。

这种广泛的训练，使Sora能够理解复杂的动态，并生成多样化、高质量的内容。

这种方法模仿了在各种文本数据上训练LLM的方式，将类似的理念应用于视觉内容，实现了通才功能。

可变Patches NaVit与传统的视觉Transformer

NaViT模型通过将来自不同图像的多个patch打包到单个序列中，得到了显著的训练效率和性能提升一样。

同样地，Sora利用时空patch在视频生成中实现类似的效率。

这种方法允许模型从庞大的数据集中更有效地学习，提高了模型生成高保真视频的能力，同时降低了与现有建模架构相比所需的计算量。

让物理世界栩栩如生：Sora对3D和连续性的掌握

3D空间和物体的一致性，是Sora演示中的关键亮点。

通过对各种视频数据进行训练，无需对视频进行调整或预处理，Sora就学会了以令人印象深刻的精度对物理世界进行建模，原因就在于，它能够以原始形式使用训练数据。

在Sora生成的视频中，物体和角色在三维空间中令人信服地移动和交互，即使它们被遮挡或离开框架，也能保持连贯性。

从此，现实不存在了，创造力和现实主义的界限被突破。

并且，Sora为模型的可能性设立了全新的标准，开源社区很可能会掀起视觉模型的全新革命。

而现在，Sora的旅程才刚刚开始呢，正如OpenAI所说，扩展视频生成模型是构建物理世界通用模拟器的一条有前途的道路。

前方，就是AGI和世界模型了。

不过好在，OpenAI员工透露说，Sora短期内不会面世。

一位OpenAI员工发推表示，现在Sora只会在有限的范围内试用，现在放出的demo主要是为了获得社会大众对它能力的反应

现在，标榜要开发负责任AGI的OpenAI，应该不会冒着风险给大众抛出一个潘多拉魔盒。

参考资料：

https://twitter.com/sainingxie/status/1758433679238471744

https://towardsdatascience.com/explaining-openai-soras-spacetime-patches-the-key-ingredient-e14e0703ec5b

文章来自于微信公众号 “新智元”，作者 “编辑部”