“文生视频”模型Sora来了 为何我们总被震撼？
羊城晚报全媒体记者 李钢
近几日，科技圈里最热门的肯定是OpenAI新发布的文生视频模型Sora。
几乎在同时，国内也有某些科技公司推出了所谓的国产版Sora，宣传文案中也号称可以通过文字指令生成真实且自然流畅的视频。但当用户下载打开，映入眼帘的是付费页面。可笑的是，所谓国产版Sora使用的示范视频，直接来自OpenAI的案例——第一时间割韭菜，无所不用其极。
这种让人哭笑不得的反差，不禁让人喟叹：为什么我们总是被AI先进技术所震撼？
Sora不单是一个爆炸性技术。早在2016年，OpenAI就曾明确提出，生成式模型是让计算机理解世界最有潜力的方向，并且引用了物理学家费曼说的话，“我创作不出来的，就是我没有理解的”。
八年后，Sora不仅能够根据文字指令创造出既逼真又充满想象力的场景，还能生成长达1分钟的一镜到底的视频，而且，视频中的人物、背景等都能达到惊人的一致性，各种镜头随意切换。
Sora显然是奔着“世界模型”而去的。OpenAI发布的Sora研究报告也以“视频生成模型成为世界模拟器”为题。
就在OpenAI思考如何让计算机理解世界、掌握物理规律的同时，我们的业界在做些什么？
国内的某些科技大佬曾经在讨论中认为，是否需要让大模型理解世界并不太重要，能用就行，别人如果做出来了，那就照搬照抄套个壳子，这样省事，可以少走不少弯路。
所以，你就可以明白，为什么2022年年底OpenAI推出ChatGPT之后，突然之间，国内的各个厂商仿佛开了窍似的，冒出了“百模大战”甚至“千模大战”。
这里面的差距恐怕并不只是在技术层面，而是存在于思维、眼光，甚至哲学思辨力等形而上的层面上。
这种认知层面上的差距，更让人担心。
这让我想起了另外一个曾经在科技圈热议的话题：特斯拉为什么不用激光雷达？
在一众对无人驾驶趋之若鹜的汽车厂商中，特斯拉显得特立独行，不仅不用激光雷达，CEO马斯克甚至公开说，用激光雷达非常愚蠢。
外界对此的解释往往聚焦在视觉AI与激光雷达的技术特点以及成本的差异上。这种解释确实提供了一种大众可以理解的视角。但真相是，马斯克根本不是在造车。甚至可以说，特斯拉最没有价值的属性，就是作为一种交通工具的那部分。
在马斯克眼中，特斯拉就是一台智能终端，会看、会听、会思考、会交流。当然，它还附带了四个轮子，可以带着你到处遛弯。他想得很明白，视觉技术在未来将拥有着远比激光雷达多得多的应用场景。
每一辆特斯拉汽车在马斯克看来其实都是一个视觉数据源，汇集、传递、归纳关于这个真实世界的种种数据。无法想象，这么些年下来，经过全球几百万辆特斯拉汽车的不间断运行，特斯拉所掌握的视觉数据库有多庞大。在如此庞大的视觉数据投喂之下，或许某一天，特斯拉会突然宣布，特斯拉人工智能网络将会拥有颠覆性的能力。
我们不知道OpenAI或者马斯克的口袋里还有哪些好东西，但是我们知道，如果我们没法在思维和认知层面上有所突破，我们只会一次又一次地被震撼。
正如当讨论人形机器人的时候，我们在想，它如何成为工厂的助手和家庭的保姆。马斯克却说，让它帮我们生孩子吧——你不得不承认，这个“脑洞”的想象力更大。