Sora其實(shí)并不單是文生視頻，它其實(shí)是一個(gè)世界模型。在3D內(nèi)容的生成成本被大模型拉下來(lái)以后，真正應(yīng)該瑟瑟發(fā)抖的，正是現(xiàn)在如火如荼的短視頻世界。

Sora發(fā)布也不少天了，按說(shuō)，作為一名二手科學(xué)家，咱也得蹭熱度聊聊。可是看著各路自媒體花式的震驚、反思和賣(mài)課，我有點(diǎn)不知所措，這都是扯啥呢？

我對(duì)這些不感興趣，不過(guò)，那幾段demo視頻擼了一遍又一遍，再想起在MSRA做AI時(shí)的一些經(jīng)歷，我有點(diǎn)醒攢兒了：您還真以為這東西是為了幫大家水視頻用的么？不是！照這個(gè)路數(shù)下去，以視頻為主的社交網(wǎng)絡(luò)媒介形式，可能要被連鍋端了！

這并非危言聳聽(tīng)，咱們先從大家熱議的“世界模型”說(shuō)起。

一、“世界模型”到底是啥

看了Sora，您有什么最深切的感受？我在擼了九九六十四遍以后，突然感到有點(diǎn)毛骨悚然：與Runway、Pika那些競(jìng)品“帕金森”風(fēng)格的視頻相比，這些視頻里的物理結(jié)構(gòu)，也太TM穩(wěn)定真實(shí)了！

您看看下面這段無(wú)人機(jī)穿越大斗獸場(chǎng)遺跡的視頻：所有的建筑物幾何結(jié)構(gòu)，全程沒(méi)有扭曲、沒(méi)有變型、沒(méi)有坍塌。

再看看這段咖啡杯里的海盜船視頻，多么流暢自然的流體運(yùn)動(dòng)！一點(diǎn)兒也看不出跟我們熟悉的物理規(guī)律不符之處！做過(guò)計(jì)算機(jī)圖形學(xué)的都知道，水、霧、風(fēng)這些非剛體的運(yùn)動(dòng)畫(huà)面模擬，那是多么困難的任務(wù)。

這說(shuō)明了什么？Sora絕不是在二維框里做建模，把像素生成出來(lái)了事！它一定是通過(guò)大模型，對(duì)世界和物體的三維形態(tài)、運(yùn)動(dòng)規(guī)律有了統(tǒng)計(jì)意義上的理解，并且具備了不錯(cuò)的泛化能力。然后，將它再投射回二維平面中，得到一段視頻的。這就是我理解的“世界模型”。當(dāng)然，這里的投射，是通過(guò)大模型的推理，而非傳統(tǒng)的CG渲染。

也就是說(shuō)，Sora腦子里的世界，是三維的、立體的、運(yùn)動(dòng)的。而平面的視頻框，其實(shí)限制了它的表達(dá)力！

不信，您看看下面這段demo，同一個(gè)場(chǎng)景，生成了五段多機(jī)位下的視頻，您說(shuō)說(shuō)Sora背后對(duì)世界的理解，能是一個(gè)框一個(gè)框分別往里填的么？

那位說(shuō)了，你扯這些有卵用？我管Sora背后咋看世界的，反正最后不還是生成一段視頻么！這么想，格局真的小了！既然它腦子里的世界是立體的，那就存在對(duì)現(xiàn)有的短視頻形態(tài)降維打擊的可能！

二、Sora真正的顛覆意義

世界模型有啥用？對(duì)短視頻有啥影響？這跟得從前些日子的另一個(gè)熱點(diǎn)產(chǎn)品說(shuō)起——蘋(píng)果的VisionPro。

這東西，酷倒是挺酷，但是目前很難普及。因?yàn)椋?strong>VR世界對(duì)內(nèi)容的巨大渴求，靠傳統(tǒng)的3D內(nèi)容生產(chǎn)方式，根本就滿(mǎn)足不了！

生產(chǎn)3D內(nèi)容的經(jīng)典方法，是參數(shù)建模：建模師在電腦上進(jìn)行參數(shù)和特征輸入，生成對(duì)應(yīng)的模型對(duì)象，簡(jiǎn)單理解就是在電腦上“捏泥人”。“泥人”是捏出來(lái)了，但是一顰一笑極其僵硬，跟提線(xiàn)木偶戲一樣。而且，弄一個(gè)模型，得累死兩個(gè)設(shè)計(jì)師。

有沒(méi)有簡(jiǎn)單自然點(diǎn)的方法？動(dòng)作捕捉。像下圖這樣，演員穿著一身數(shù)字盔甲，完成一串動(dòng)作，再通過(guò)計(jì)算機(jī)視覺(jué)和運(yùn)動(dòng)模型完成3D內(nèi)容生產(chǎn)?？墒沁@成本依然很高，沒(méi)設(shè)備你還玩不了。

有沒(méi)有高科技一點(diǎn)的方法呢？看過(guò)超級(jí)碗(superbowl)的朋友應(yīng)該知道，人家轉(zhuǎn)播時(shí)有個(gè)“全視角回放”，這是咋弄的呢？簡(jiǎn)單來(lái)說(shuō)，就是在比賽場(chǎng)地360度無(wú)死角安一堆高清攝像頭，再基于幾何拼接重建3D視頻。當(dāng)年，我在微軟研究院上班時(shí)，當(dāng)時(shí)的院長(zhǎng)沈向洋博士，就對(duì)這項(xiàng)技術(shù)有不少貢獻(xiàn)。

那么現(xiàn)在有了Sora，情況有什么根本變化呢？再也不用架那么多攝像機(jī)，無(wú)死角地捕捉圖像用于拼接了！從演示來(lái)看，大模型見(jiàn)過(guò)的東西太多，已經(jīng)有了類(lèi)似于人類(lèi)的泛化能力：咱們看到金字塔的正面，背面是啥樣大概也能猜出來(lái)，大模型對(duì)各種概念、物體得形態(tài)和細(xì)節(jié)的把握，也接近這個(gè)程度了。那您想想，將來(lái)3D內(nèi)容的生產(chǎn)，是不是只要幾張照片、一兩個(gè)攝像頭，交給世界模型自個(gè)腦補(bǔ)，就搞定了？如此一來(lái)，3D內(nèi)容的爆發(fā)也就不遠(yuǎn)了，您說(shuō)這玩意有沒(méi)有用？

有人跟我抬杠：我沒(méi)有Vision Pro，就一個(gè)手機(jī)，3D內(nèi)容有啥意義呢？其實(shí)，手機(jī)這樣的平面媒介上，三維內(nèi)容也好玩，而且有用！

比如您要買(mǎi)房，網(wǎng)站上要是有VR看房，能在房子里轉(zhuǎn)悠的，是不是內(nèi)部情況一覽無(wú)余？這比對(duì)著圖片和視頻腦補(bǔ)方便多了吧！再比如電商購(gòu)物，想換個(gè)沙發(fā)，對(duì)著干巴巴的圖文越看越眼暈?？墒乾F(xiàn)在，電商網(wǎng)站的部分產(chǎn)品有了3D物品展示功能，是不是跟去線(xiàn)下實(shí)體店看沙發(fā)差不多了？

所以說(shuō)，如果您還認(rèn)為Sora只是高效生成視頻的工具，那么只能說(shuō)格局小了。視頻，本來(lái)就是Sora世界模型的副產(chǎn)品。未來(lái)，算力更強(qiáng)大，模型更完善，它可以真正實(shí)現(xiàn)低成本、高還原度地提供三維內(nèi)容，這才是顛覆性的新場(chǎng)景！

將來(lái)，房產(chǎn)銷(xiāo)售隨手拍幾張照片，就可以生成流暢的VR看房模型，或者再虛擬裝修一些生成演示視頻；導(dǎo)演拿相機(jī)拍幾張分鏡圖，完整的3D電影片段就自動(dòng)生成出來(lái)了。

等VR世界的內(nèi)容大規(guī)模爆發(fā)的那一天，長(zhǎng)腿小姐姐可以繞著你跳舞了，不坐飛機(jī)就能漫游吳哥窟了，甚至人人都可以根據(jù)自己的想象，創(chuàng)造出有趣的場(chǎng)景和物品讓人觀賞。您想想，這是不是比二維世界里的短視頻，要聲色犬馬、紙醉金迷得多？在荒淫娛樂(lè)方面，一向覺(jué)悟甚高的人民群眾，會(huì)選擇哪個(gè)、拋棄哪個(gè)，您心里沒(méi)點(diǎn)數(shù)么？

所以，在3D內(nèi)容的生成成本被大模型拉下來(lái)以后，真正應(yīng)該瑟瑟發(fā)抖的，正是現(xiàn)在如火如荼的短視頻世界。

三、普通人的機(jī)會(huì)在哪里

本來(lái)，聊到這兒就該收尾了，但是老有些焦慮的同行來(lái)問(wèn)：AI這么牛逼了，我們還有出路么？所以再多說(shuō)兩句。

先說(shuō)說(shuō)影視、游戲、廣告這些創(chuàng)意行業(yè)。Sora的出現(xiàn)，帶來(lái)了很大的想象空間?，F(xiàn)在，只要給一段文字描述，或幾張圖片，就可以自動(dòng)生成一條視頻素材。但是，目前來(lái)看，要在商業(yè)領(lǐng)域大規(guī)模應(yīng)用，還要有點(diǎn)“最后一公里”的工具。

這是因?yàn)?，大模型還不能很好的建模因果性和邏輯性較強(qiáng)的場(chǎng)景。比如，這個(gè)女子走在大街上的視頻，可以看到她身后的廣告牌和店鋪招牌都是鬼符，而第二個(gè)視頻里，杯子打碎的情況明顯違反物理規(guī)律。因此，實(shí)用中，必須要有一個(gè)視頻修改和元素替換的AI工具，解決品牌形象植入，文字和形象替換等問(wèn)題，才能得到真正有用的素材。當(dāng)然，我覺(jué)得這工具很快就會(huì)有的。

然后呢？咱們就可以混吃等死了么？有什么新技能要培養(yǎng)呢？

我真心覺(jué)得，大家沒(méi)必要追著AI工具走。因?yàn)锳I的目的，就是要降低這些工具的使用門(mén)檻，隨著它們不斷迭代，你學(xué)的那些使用技巧，很快就不需要了。

比如，電腦剛在中國(guó)普及的時(shí)候，興起了一波五筆輸入法的培訓(xùn)和學(xué)習(xí)狂潮，可是隨著技術(shù)發(fā)展，中文輸入法越來(lái)越成熟，現(xiàn)在你看，還有人專(zhuān)門(mén)學(xué)五筆么？

還有，零幾年那會(huì)兒Google剛興起時(shí)，市面上可是有很多“精通搜索引擎”的培訓(xùn)班的！現(xiàn)在再回頭看，簡(jiǎn)直有點(diǎn)行為藝術(shù)了。

我的觀點(diǎn)，大家更應(yīng)該培養(yǎng)“與AI垂直的能力”。比如您是視頻相關(guān)從業(yè)者，那么您需要培養(yǎng)的是，還是劇本創(chuàng)作、場(chǎng)景規(guī)劃這些策略性的能力——工具發(fā)展得越快，這些能力就越寶貴。

當(dāng)然，當(dāng)下最重要的大策略，還是如何理解和把握AI帶來(lái)的趨勢(shì)性機(jī)會(huì)。其實(shí)，如同第一次工業(yè)革命的蒸汽時(shí)代，和第二次工業(yè)革命的電力時(shí)代，當(dāng)產(chǎn)能更高、效率更高的革命性產(chǎn)品出現(xiàn)的時(shí)候，潮流是不可逆的。

在信息時(shí)代，信息傳播載體經(jīng)歷了由文字到圖像到視頻變遷過(guò)程，當(dāng)Sora這樣跨時(shí)代的產(chǎn)品出現(xiàn)的時(shí)候，互聯(lián)網(wǎng)的信息傳播的載體也必將會(huì)拉開(kāi)由二維內(nèi)容向三維內(nèi)容升級(jí)的序幕。以此為契機(jī)，在其中尋找工具、平臺(tái)和內(nèi)容的新機(jī)會(huì)，只有我們想不到，沒(méi)有什么不可能。