今天，所有VC的会上都在谈Sora，背后的故事让人大跌眼镜！
就像时间倒流回2023一样。去年头，ChatGPT让大众炸了锅，随后全球的AI界就开始了一场你追我赶的疯狂赛跑。
龙年伊始，OpenAI又来搅局了，这回搞出了个名叫Sora的视频大杀器。2月16日深夜，OpenAI把Sora扔给了世界，这货能根据文字指令捏出视频，延伸视频故事，甚至从照片里蹦出场景。
体验中国版Sora公众号搜：索啦AI创意
这技术以前也见过，但Sora这一出绝对是让人眼前一亮，视频主角稳如老狗，角度切换随心所欲，视频长度也能打破天际，最长能撑到60秒。
不愧是OpenAI的大手笔。虽然Sora还只是个娃娃，但它的出世无疑宣告了生成式AI的一个新纪元。
同时，钱景也传来喜讯。OpenAI在最新的一轮融资后，估值已经飙升到了800亿美元。这次是Thrive Capital出的高招，搞了个要约收购。
虽然OpenAI和Thrive Capital对此三缄其口，但小红书上的Shannon昨天发的帖子激动人心，“明天所有的投资会议上都得聊聊OpenAI的Sora”。
只是，相比去年，投资者的心态已经大变。虽然不是谁都能投到OpenAI，但OpenAI的边界拓展无疑对一大波创业团队和背后的投资人产生了影响。
“水到渠成”和“令人发指”这两句话用在这里再合适不过。
得先搞清楚，这个“视频大模型”并不是什么新鲜玩意。在OpenAI大展拳脚之前，市面上的大佬们差不多都抱着自家的视频大模型玩，比如Google的Lumiere和Stability AI的SVD（Stable Video Diffusion），甚至还有专攻多媒体内容创作的独角兽，像是视频制造机器Gen-2的Runway，2023年6月就在Google、Nvidia、Salesforce的加持下完成了C轮融资，估值直逼15亿美元。
更关键的是，这些现成的“视频大模型”已经开始显露出生产力工具的雏形。
拿Runway来说，不像那些拿着锤子到处找钉子的“技术推动型”创业团队，Runway的三驾马车来自纽约大学的艺术院校，他们看中了AI在创造力上的无限潜能，于是一拍即合，开发出了服务于电影制片人、摄影师的神器。
这股基因，让Runway的成长史更像是“横店影视城的奋斗史”：他们先是开发了一大堆专业到不能再专业的创作者辅助工具，专门满足视频帧插值、背景移除、模糊效果、运动追踪、音频整理等需求；然后跳进图像生成大模型Stable Diffusion的开发，积累了在静态图像生成方面的技能，并且还参与了《瞬息全宇宙》等大片的制作——这些片子的出品人都大加赞赏，说Runway的加入让后期团队保持了超乎常规的小规模，影视界的人也惊呼，很多复杂的特效制作（比如《瞬息全宇宙》里的对话石头），制作时间从几天缩短到几分钟。
等到2023年2月，Runway放出了第一代产品Gen-1，普通人通过iOS就能玩，功能从“真图变黏土”“真图变素描”到“文字变视频”应有尽有，让Gen-1成为了首批商用的视频大模型；到了6月，第二代产品Gen-2出炉，训练数据涨到了2.4亿张图和640万段视频剪辑。
2023年8月，B站上火的不行的AIGC作品《流浪地球3预告片》就是Gen-2造的。根据作者@数字生命卡兹克 在社媒上的吹水，这段视频的制作分为两步——用MidJourney生成分镜，用Gen-2扩散成4秒的视频片段——最后收集了693张图、185段备用剪辑，搞了5天。半年后，@数字生命卡兹克 又用“MJ V6画分镜-Runway跑视频”做了个3分钟的短片《The Last Goodbye》，参加了Runway Studios（Runway为企业客户提供定制服务的部门）组织的第二届AI电影节Gen48。
换句话说，至少一年前，“视频大模型”就已经火了，现在的用户规模被严重低估了。
Runway的联合创始人Valenzuela在C轮融资后透露，除了New Balance这样的大客户，他们还服务了“数百万个人创作者”。
而Sora展示的“精准物理世界复刻技术”，也不是OpenAI独家的玩意儿。就在Sora发布后两天半，也就是2月18日，马斯克在一个科技播客里留言说，“这种精准复刻现实世界物理规律的能力，特斯拉差不多玩了快一年了……只不过因为素材来自车载摄像头，所以视频没那么好玩”。
OpenAI同时发布的技术论文也明确表示，Sora更像是“数据驱动的物理引擎”，通过不断的大模型扩散来高效模拟物理世界或数字世界中的人、动物和其他物体，但也面临着“行业共有”的局限，比如难以精确模拟复杂场景的物理原理，也搞不懂因果关系，比如Sora生成的人咬饼干视频，饼干可能不会有咬痕。
真正压人的，可能是Sora的不可思议的进步速度。
从技术角度看，无论是“精准物理规则的真实世界”、“支持60秒视频生成”还是“多机位视频”，都可以说是水到渠成。但就像之前提到的，现在看起来笨拙、只能生成“4秒视频”且“掉帧严重”的Gen-2，实际上是2023年6月的产物，距离Sora发布只有8个月。
到了2023年11月，Meta放出的视频大模型Emu Video在Gen-2的基础上进一步，能支持512×512分辨率、每秒16帧的“精细化创作”。但三个月后的Sora已能生成任意分辨率和长宽比的视频.
体验中国版Sora公众号搜：索啦AI创意