@阑夕：花了好多时间，把解释Sora运作原理的那几篇论文和第三方分析一点点的啃完，结果发现真就不如OpenAI自己在官方博客里写的一句话：
「图片只是单帧的视频。」
用最简单的词句把最复杂的技术讲清楚，很久没有见到科技行业有着如此从容的公共表达了，于我而言也是醍醐灌顶。
我之所以这几天疯狂补课，是因为想要找到自己之前提问的答案：OpenAI是怎么实现断层式领先的？
领先不意外，意外的是断层之大，完全超出了均值分布的常识，不可能天下英雄都在OpenAI那儿吧，补完那些材料才发现，就跟GPT主要建立在Transformer的暴力美学之上一样，OpenAI现在就认准了一个力大砖飞，既然Transformer好用，那就他妈的用到底，到了和文本毫无关系的扩散模型领域也继续套圈，最后采用了一个和Runway和Pika完全不同的Diffusion Transformer方案。
可能只有长期使用过Runway或者Pika的人才会对Sora的横空出世感到彻底震惊，这完全脱离了渐进式积累的规律，人家还在3秒3秒的往上加，你出来就是60秒连续性的能力，这要怎么玩嘛？
Sora的这些演示出来之前，AI生成视频经常被嘲讽「那不叫视频，充其量只能算动图」，也真的没办法反驳，因为事实就是如此，甚至运动笔刷稍微圈大一点，画面变形就必然产生了，绝大多数的展示作品都是靠烟雾、光影这种没有固定形体的动效取巧，实现镜头的运动感。
哪怕是需要大量训练的开源的SVD——效果相对最好——前几天本来也更新了1.1版本，结果正好跟Sora撞车，然后SVD官推直接把推文给删了，删了⋯⋯
就说这要别人怎么玩啦？
回到「图片只是单帧的视频」这个点，本来主流的方案都是基于一张图片去让AI发挥想象空间，继而延伸/填补出多个图片，叠加在一起才成了视频，大家的竞争方向都是谁的AI视觉能力更有效率，可以理解并创造用户要的内容。
但在Sora眼里，其实是没有——或者说极大弱化了——图片概念的，Transformer本身就是文本模型，强在前后文的理解和保持连续性，没有多少人意识到文本模型还能用在视频上，但OpenAI发现完全可以利用Transformer的编码能力，配合扩散模型去为视频「配锚」。
顺便说一句，Sora基于的论文，又有好几篇都是来自谷歌的贡献，甚至根据@宝玉xp 的考证，是谷歌的论文发表之后，Sora这个项目才启动的⋯⋯
「Attention Is All You Need」的历史重演了啊这是[允悲]
继续来说吧，「图片只是单帧的视频」这个思路的缺点是什么，是画面精度不太够，就像和Midjourney比起来，DALLE-3的图片都显得很「土」。
问题在于，AI视频现在根本还没有到追求美观性和艺术性的地步，所有公司都挤在AI根本不懂图片里各个元素运动逻辑的瓶颈里出不来，就好比说，在饥荒年代推销减肥药，是毫无意义的，不是肥胖不值得重视，而是市场需求不在这里。
Sora的视频目前来看走的也是还原路线，尽可能的复现指令，但不会过多关照审美，而是对视频内容所处的时空关系做出准确判断，确保AI知道自己在构建什么。
所以已经有很多内测用户发现了，Sora在时间轴上的延伸性非常出色，就像我转来的这个演示（图2），你可以生成开头不同但结尾完全一致的视频片段，这就是「图片只是单帧的视频」的绝妙之处，图片的创建绝不会脱离于时间轴而存在，Sora实际上是提前给视频写了脚本的，这个脚本甚至也和用户的Prompt无关，是由AI自己的构图思维决定的。
四两拨千斤，太高明了。
补课的过程里，我也看到一个做大模型的老哥提前预测到了Sora这条技术路线的合理性，他在1月就发了这一条推文：
I think the transformer framework and LLM route will be a breakthrough and new paradigm for AI videos to be more coherent, consistent, and a little bit longer. The current diffusion + Unet route (the likes of Runway, Pika etc) is only a temporary solution.
* 我认为Transformer框架和LLM路线将是AI视频更加连贯、一致、更长一点的突破和新范式。目前的扩散+Unet路线（如Runway、Pika等）只是一个临时解决方案。
怎么说呢，虽然在夸赞OpenAI的时候，觉得大力出奇迹的价值很高，但是看到Runway和Pika们在闭塞的路线里使劲浑身解数，总还是隐约感觉到，如果方向错了，越是辛苦反而越是损失⋯⋯
当然也希望Diffusion Model能够实现突破打脸回来吧，OpenAI太顺了不是什么好事啊，多上点压力，求求了，这AGI还没有到来的破日子，是一天都过不下去了！