一文帶你了解OpenAI Sora
最近AI圈最火的無(wú)疑是OpenAI在2月15日發(fā)布的Sora。Sora可以根據(jù)文本生成一分鐘的高清視頻，生成的視頻畫(huà)質(zhì)、連續(xù)性、光影等都令人嘆為觀止，Sora無(wú)疑將視覺(jué)生成推到新的高度。本文將重點(diǎn)回答三個(gè)問(wèn)題：
- Sora的原理是什么？
- Sora到底是不是世界模型？
- Sora會(huì)影響哪些行業(yè)？
一、背景
在國(guó)內(nèi)外大多數(shù)AI廠商還在卷大語(yǔ)言模型之際，OpenAI悄無(wú)聲息地發(fā)布了文生視頻（text-to-video，簡(jiǎn)稱(chēng)t2v）模型Sora [1]，僅僅幾個(gè)視頻demo，就讓整個(gè)AI圈子從驚訝到恐懼，驚訝于Sora生成的視頻已經(jīng)到達(dá)工業(yè)應(yīng)用級(jí)別，恐懼于現(xiàn)有的t2v模型與Sora的差距竟然如此之大。先看個(gè)Sora官方博客展示的demo，當(dāng)你向Sora輸入：“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則根據(jù)該文本生成了長(zhǎng)達(dá)1分鐘的高清視頻。
這個(gè)demo展現(xiàn)了Sora至少有以下突破：
- 畫(huà)質(zhì)突破：視頻非常高清，細(xì)節(jié)極其豐富；
- 幀率和連續(xù)性突破：視頻幀率高、連續(xù)性好（無(wú)閃爍或明顯的時(shí)序不一致）；
- 時(shí)長(zhǎng)突破：相比之前t2v模型僅能生成幾秒的時(shí)長(zhǎng)，Sora可以生成長(zhǎng)達(dá)1分鐘的視頻，這是之前t2v模型不敢想象的；
- 物理規(guī)則理解突破：視頻中物體的運(yùn)動(dòng)、光影等似乎都非常符合自然世界的物理規(guī)則，整個(gè)視頻看上去都非常自然和逼真。
那么OpenAI到底用了什么魔法能讓Sora如此驚艷？接下來(lái)我們通過(guò)OpenAI給出的??Sora技術(shù)報(bào)告??來(lái)解答。PS：該技術(shù)報(bào)告非常簡(jiǎn)陋，技術(shù)細(xì)節(jié)幾乎沒(méi)有，只給了大致的建模方法。
二、Sora原理解讀
1. Sora要解決的任務(wù)
Sora要解決的任務(wù)其實(shí)非常好理解，就是給定一段文本，模型需要根據(jù)該文本生成相應(yīng)的視頻，簡(jiǎn)單說(shuō)就是text-to-video（t2v）。t2v本身并不是一個(gè)新問(wèn)題，很多廠商都在研究t2v模型，只是當(dāng)前的t2v模型生成的視頻普遍質(zhì)量較差，很難到達(dá)工業(yè)應(yīng)用級(jí)別。在Sora出現(xiàn)前大家的普遍認(rèn)知是：t2v是一個(gè)很難的任務(wù)，工業(yè)級(jí)別t2v模型（或者說(shuō)能真正實(shí)用的t2v模型）短時(shí)間內(nèi)應(yīng)該很難實(shí)現(xiàn)。然而，OpenAI又又又一次打了所有人的臉，Sora的發(fā)布意味著，這一天已經(jīng)來(lái)了。
2. Sora原理
如果用一句話(huà)來(lái)描述Sora訓(xùn)練建模過(guò)程，可以是：將原始視頻通過(guò)一個(gè)視覺(jué)編碼器（visual encoder）編碼到隱空間（latent space）形成隱時(shí)空塊（spacetime latent patches），這些隱時(shí)空塊（結(jié)合text信息）通過(guò)transformer做diffusion [2, 3, 4]的訓(xùn)練和生成，將生成的隱時(shí)空塊再通過(guò)視覺(jué)解碼器（visual decoder）解碼到像素空間（pixel space）。所以整個(gè)過(guò)程就是：visual encoding -> latent diffusion with diffusion transformer (DiT) [4] -> visual decoding。
(1) Visual Encoding
這一步其實(shí)很好理解，就是通過(guò)一個(gè)變分自編碼器（VAE）[5]的encoder將高維的原始視頻映射（壓縮）到較為低維的隱空間（注意：不僅僅是空間上壓縮了，時(shí)間上也進(jìn)行了壓縮），即得到該視頻的低維隱空間特征（可以看成一個(gè)大的3D tensor），為了后續(xù)transformer計(jì)算方便，將這個(gè)特征切成不重疊的3D patches，再將這些patches拉平成一個(gè)token序列，這個(gè)token序列其實(shí)就是原始視頻的表征了（即visual token序列）。
(2) Latent Diffusion with DiT
在得到視覺(jué)表征（上述visual token序列）后，Sora借鑒了DiT [4]，使用transformer來(lái)做diffusion model的訓(xùn)練，使用transformer的好處在于可以輸入任意長(zhǎng)度的token序列，這樣就不再限制輸入視頻的尺寸和時(shí)長(zhǎng)，并且模型很容易scale up（OpenAI表示這個(gè)我熟）。同時(shí)，因?yàn)镾ora想解決t2v的問(wèn)題，所以Sora會(huì)將text的表征以某種形式condition到visual tokens上（Sora技術(shù)報(bào)告中未披露，但后文我會(huì)分析最可能的實(shí)現(xiàn)方法）來(lái)約束生成。
在diffusion transformer的訓(xùn)練中，給定噪聲輸入（e.g., 噪聲patches）并conditioned on text特征，模型被訓(xùn)練去預(yù)測(cè)原始視頻的patches（預(yù)測(cè)過(guò)程又叫denoising過(guò)程，具體可以參考DDPM [2]中的訓(xùn)練算法），示意圖如下：
(3) Visual Decoding
第（2）步中，diffusion transformer可以生成的其實(shí)不是像素空間的視頻，而是隱空間的視頻表征（denoised patches），這些patches reshape成視頻3D特征再經(jīng)過(guò)第（1）步中的VAE的decoder，就可以映射回像素空間，得到最后生成的視頻。
3. Sora的重要性質(zhì)
(1) Sora可以靈活地采用不同時(shí)長(zhǎng)、分辨率和長(zhǎng)寬比的視頻
OpenAI發(fā)現(xiàn)之前的方法大多采用固定尺寸的視頻（比如4s的256x256視頻）去訓(xùn)練模型，和現(xiàn)實(shí)中任意長(zhǎng)度、長(zhǎng)寬比有較大gap，而采用原始尺寸的視頻訓(xùn)練模型效果更好。得益于Sora采用的transformer結(jié)構(gòu)，Sora可以輸入任意多個(gè)visual patches（初始為noise patches），即可生成任意尺寸的視頻。
(2) Sora有很強(qiáng)的語(yǔ)言理解能力
訓(xùn)練t2v模型需要大量帶有文本標(biāo)注的視頻，OpenAI采用DALL·E 3 [6] 中的re-captioning技術(shù)來(lái)解決。首先訓(xùn)練一個(gè)高質(zhì)量的視頻標(biāo)注模型（captioner model），然后它為訓(xùn)練集中的所有視頻生成文本字幕。另外，進(jìn)一步利用GPT將視頻標(biāo)注模型生成的簡(jiǎn)短文本擴(kuò)展成更長(zhǎng)的文本有利于還利用Sora準(zhǔn)確遵循用戶(hù)文本提示生成高質(zhì)量視頻。
4.重要細(xì)節(jié)推測(cè)
Sora的技術(shù)報(bào)告沒(méi)有任何細(xì)節(jié)，僅僅告知大家大致的建模方法，但有一些細(xì)節(jié)的實(shí)現(xiàn)是可以推測(cè)or猜測(cè)的。
(1) visual encoder可能的結(jié)構(gòu)：因?yàn)镾ora在visual encoding時(shí)也壓縮了時(shí)間維度，所以Sora可能采用從零開(kāi)始訓(xùn)練的3D conv版的VAE。Sora這里沒(méi)有像之前工作那樣，簡(jiǎn)單地采用Stable Diffusion（SD） [3]預(yù)訓(xùn)練好的2D conv版的VAE。現(xiàn)成的SD的VAE encoder用來(lái)壓縮視頻最大的問(wèn)題在于時(shí)間維度沒(méi)有下采樣，SD的VAE承擔(dān)了將原本sparse的數(shù)據(jù)壓縮到compact的latent domain再進(jìn)行diffusion過(guò)程，從而大幅度提高training和inference的效率。然而，直接運(yùn)用2D VAE缺乏了在時(shí)間維度的壓縮，使得其對(duì)應(yīng)的latent domain不夠緊湊。實(shí)際上，這是一個(gè)歷史遺留問(wèn)題，大部分研究工作受算力等因素影響選擇直接利用SD的預(yù)訓(xùn)練權(quán)重（Unet部分）、保留了2D VAE。
(2) visual encoding中視頻的patches如何flatten成token序列？大概率借鑒DiT，先f(wàn)latten這些patches，然后過(guò)一個(gè)linear層，將patches embed成tokens。
(3) diffusion中如何將text信息引入？大概率還是借鑒DiT和SD，在每個(gè)transformer block中，將visual tokens視為query，將text tokens作為key和value，進(jìn)行cross attention，不斷地conditioned on text tokens。
5. 尚未披露關(guān)鍵信息
（1）模型：模型的具體結(jié)構(gòu)、模型的參數(shù)量、關(guān)鍵參數(shù)（patch size、token數(shù)目等）如何？
（2）數(shù)據(jù)：用了哪些數(shù)據(jù)？規(guī)模如何？
（3）資源：用了多少算力？訓(xùn)練了多久？
（4）如何處理高幀率、時(shí)間長(zhǎng)、高分辨率的視頻？目前主流的視頻生成模型都是cascade結(jié)構(gòu)，也就是先生成低分辨率、低幀率的視頻，再不斷地在時(shí)間和空間維度上upsample。不知道Sora是否是直接一次性輸出其展示的結(jié)果，如果是那樣，那又會(huì)有多少token呢？（5）如何解決motion的問(wèn)題？目前的視頻生成模型普遍生成的motion都不太好，最簡(jiǎn)單的例子就是“人走路”，大部分模型無(wú)法生成連貫的、長(zhǎng)時(shí)間的、合理的人行走的過(guò)程。而Sora生成的結(jié)果在連貫性、合理性上相比之前的模型都有著斷代的領(lǐng)先。那到底是什么促使了這樣的結(jié)果呢？是模型尺寸的scale up嗎？需要scale up到什么size？還是數(shù)據(jù)的收集和清洗呢？以及要做到什么程度呢？
6. Sora的應(yīng)用
- 視頻創(chuàng)作：用戶(hù)可以根據(jù)文本生成高質(zhì)量視頻；
- 擴(kuò)展視頻：可以在給定的視頻或圖片基礎(chǔ)上，繼續(xù)向前或向后延申視頻；
- Video-to-video editing：例如將SDEdit [7]應(yīng)用于Sora，可以很容易改變?cè)曨l的風(fēng)格；
- 視頻連結(jié)/過(guò)渡/轉(zhuǎn)場(chǎng)：可以將兩個(gè)視頻巧妙地融合到一起，使用Sora在兩個(gè)輸入視頻之間逐漸進(jìn)行插值，從而在具有完全不同主題和場(chǎng)景構(gòu)成的視頻之間創(chuàng)建無(wú)縫過(guò)渡；
- 文生圖：圖像可以視為單幀的視頻，故Sora也能實(shí)現(xiàn)文生圖。
7. Sora的局限性
原本中提到：“Sora 目前作為模擬器（simulator）表現(xiàn)出許多局限性。例如，它不能準(zhǔn)確地模擬許多基本相互作用的物理過(guò)程，例如玻璃破碎。其他交互過(guò)程（例如吃食物）也不總是能正確預(yù)測(cè)。我們?cè)诘顷戫?yè)面中列舉了模型的其他常見(jiàn)故障模式，例如長(zhǎng)時(shí)間樣本中出現(xiàn)的不連貫性或?qū)ο蟮膽{空出現(xiàn)。”
總結(jié)一下主要是：
- 對(duì)世界的物理規(guī)則的理解還不完美；
- 長(zhǎng)視頻生成時(shí)容易出現(xiàn)不連貫或者物體憑空出現(xiàn)的現(xiàn)象。
三、Sora到底算不算世界模型？
最近，圍繞“Sora是不是世界模型”以及“Sora懂不懂物理世界”等相關(guān)話(huà)題引起了圈內(nèi)熱議。
英偉達(dá)高級(jí)研究科學(xué)家Jim Fan在X平臺(tái)上稱(chēng)：“Sora is a learnable simulator, or "world model".”。而圖靈獎(jiǎng)得主Yann LeCun則表示：“The generation of mostly realistic-looking videos from prompts "does not" indicate that a system understands the physical world.”。
這里談?wù)勎业目捶ǎ瑑H供參考。
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
上述引自系統(tǒng)動(dòng)力學(xué)之父Jay Wright Forrester。我的理解是人類(lèi)其實(shí)無(wú)法記下整個(gè)世界的所有內(nèi)容，我們的大腦僅僅是在有選擇記憶一些概念和相互關(guān)系，利用這些，我們可以表征和理解這個(gè)世界。這里，我們的大腦其實(shí)在充當(dāng)world model，即一個(gè)理解世界（物理）規(guī)律的模型。比如，當(dāng)你看到玻璃杯從桌上掉下水泥地上，你知道接下來(lái)發(fā)生的事自然就是杯子碎了。
那么世界模型到底是啥？
（以下是我個(gè)人對(duì)世界模型的理解，可能不夠嚴(yán)謹(jǐn)，僅供參考）
我將世界模型分為廣義的和狹義的進(jìn)行討論。
【廣義世界模型】廣義的世界模型，其實(shí)就是任何能理解世界潛在物理規(guī)律的模型，比如可以預(yù)見(jiàn)未來(lái)結(jié)果的模型，繼續(xù)以前面那個(gè)例子為例，如果一個(gè)模型能預(yù)測(cè)玻璃杯掉下后的狀態(tài)，說(shuō)明該模型具備這樣的能力；再比如知道世界中實(shí)體或抽象概念之間相互聯(lián)系的模型，比如一個(gè)模型知道玻璃杯的硬度低于水泥地會(huì)導(dǎo)致玻璃破碎。這些其實(shí)在我看來(lái)都是廣義上的世界模型。
【狹義世界模型】狹義的世界模型更強(qiáng)調(diào)理解物理世界的動(dòng)力（dynamics）或者運(yùn)動(dòng)等物理規(guī)律的模型，了解過(guò)RL的朋友們一定特別熟悉這些。在RL中，一大分支便是model-based RL，這里的model，其實(shí)就是典型的狹義世界模型。在此模型中，給定某一時(shí)刻的狀態(tài)s_t和該時(shí)刻做的動(dòng)作a_t，模型可以預(yù)測(cè)出下一個(gè)時(shí)刻的狀態(tài)s_t+1。所以說(shuō)，狹義的世界模型其實(shí)是因果的。回到上面的例子，s_t可以是剛下落的杯子和干凈的水泥地，a_t則是自由落體這個(gè)動(dòng)作，s_t+1則是水泥地上碎掉的杯子這樣一個(gè)狀態(tài)。
2.Sora算不算世界模型？
先給結(jié)論，我覺(jué)得Sora算廣義世界模型，同時(shí)也是隱式的狹義世界模型。
Sora的diffusion過(guò)程其實(shí)是在從噪聲狀態(tài)在text prompts的約束下，預(yù)測(cè)可能的結(jié)果（視頻）。這個(gè)過(guò)程看似跟狹義世界模型沒(méi)有關(guān)系，但其實(shí)可以這么理解：
標(biāo)準(zhǔn)的狹義世界模型的狀態(tài)轉(zhuǎn)移過(guò)程為：s_0 -> a_0 -> s_1 -> a_1 -> s_2 -> ... -> a_T-1 -> s_T。對(duì)于一個(gè)視頻來(lái)說(shuō)，每一幀都可以看做一個(gè)狀態(tài)s，但是某一時(shí)刻動(dòng)作其實(shí)很難描述，我們很難用自然語(yǔ)言或者其他形式來(lái)描述相鄰兩幀之間發(fā)生了什么。但是我們可以用自然語(yǔ)言描述視頻在做什么，也就是s_0到s_T發(fā)生了什么，也就是將動(dòng)作序列A={a_0, a_1, ..., a_T-1}一起打包表示成一句話(huà)或者一段話(huà)。在Sora中，text prompts可以看做成這樣的動(dòng)作序列A。而Sora理解世界的過(guò)程也和一般的狹義世界模型不太一樣，s_0不再是第一幀，而是“混沌”狀態(tài)（噪聲），于是乎diffusion的過(guò)程可以理解為：s_0（噪聲） -> A -> s_1 -> ... -> A -> s_T（清晰視頻）。這其中，雖然Sora并沒(méi)有顯式建模世界的dynamics，但其實(shí)在理解自然語(yǔ)言和視頻內(nèi)容之間的關(guān)系，算是一種廣義上的世界模型。
同時(shí)，回看Sora的應(yīng)用可以發(fā)現(xiàn)，Sora其實(shí)可以拓展視頻的！也就是說(shuō)，換一個(gè)角度，給定一張起始圖像（第一幀）和一個(gè)文本描述（描述包含生成視頻內(nèi)容），Sora就能生成出整個(gè)視頻，那這個(gè)過(guò)程其實(shí)可以看做是在隱式的狹義世界模型建模：s_0（第一幀）-> A -> s_{1:T} (整個(gè)視頻)。相當(dāng)于是，給定了初始狀態(tài)和接下來(lái)的所有動(dòng)作A，Sora能預(yù)測(cè)出接下來(lái)的所有狀態(tài)s_{1:T}，所以Sora在我看來(lái)也是一個(gè)非典型的、隱式的狹義世界模型。
值得一提的是，OpenAI官方信息從未表示Sora是world model，而是強(qiáng)調(diào)它是world simulator，我也覺(jué)得world simulator描述比較貼切。
四、Sora對(duì)行業(yè)的影響
- 短視頻內(nèi)容創(chuàng)作可能進(jìn)入新的時(shí)代：Sora可以提供豐富的視頻素材；
- 視頻剪輯和編輯：Sora具備相關(guān)應(yīng)用能力；
- 更逼真的數(shù)字人：用戶(hù)可以得到自己的“理想型”；
- 娛樂(lè)化：從圖像一鍵生成視頻；
- 游戲行業(yè)：游戲引擎受到Sora挑戰(zhàn)；
- 圖形學(xué)：未來(lái)可能不復(fù)存在。
五、Sora成功的關(guān)鍵（粗淺理解，歡迎指正和補(bǔ)充）
- 大規(guī)模訓(xùn)練：這點(diǎn)毋庸置疑。大模型、大數(shù)據(jù)量、使用大規(guī)模算力，OpenAI基本操作。
- 敢于突破常規(guī)、不屑于刷點(diǎn)：之前工作基本都采用SD預(yù)訓(xùn)練的visual encoder，也知道該encoder多少有點(diǎn)不合理（比如只能處理固定size的輸入），但沒(méi)有人真的去重新訓(xùn)練一個(gè)更合理的encoder（當(dāng)然，更可能是算力不支持）。而OpenAI發(fā)現(xiàn)問(wèn)題，就用算力來(lái)解決問(wèn)題（大概率重新訓(xùn)練visual encoder）。
- 實(shí)事求是+絕對(duì)領(lǐng)先的sense：自回歸的建模方式在LLM中大獲成功，GPT系列也出自O(shè)penAI，但這不代表“Autoregressive is everything”，Sora告訴大家，生成視頻無(wú)需采用自回歸，直接3D建模+transformer encoder結(jié)構(gòu)就ok。
- AGI理念從上至下傳播：Sam Altman絕對(duì)是一個(gè)有大格局的人物，其最終目標(biāo)是實(shí)現(xiàn)AGI，我想整個(gè)OpenAI應(yīng)該都會(huì)貫徹這樣的理念，不管是ChatGPT還是Sora，都能看到AGI的影子。
本篇僅僅為個(gè)人的思考和總結(jié)，如有不妥之處，歡迎指正與交流。
【參考文獻(xiàn)】
[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).
本文轉(zhuǎn)載自騰訊技術(shù)工程，作者：torresyu
