本文來自“技術(shù)復(fù)盤與分析：Sora是如何成功的？”，報告深入分析了Sora的各項能力、采用的技術(shù)路線和創(chuàng)新性的工作。我們認(rèn)為Sora是將之前的研究工作上進行了很好的綜合，并在強大的算力、工程能力以及GPT和DALL·E模型技術(shù)積累下誕生的。

隨著OpenAI將這種具有開創(chuàng)性的技術(shù)路徑走通，國內(nèi)模型和應(yīng)用廠商有望快速迭代出類Sora的視頻生成模型和應(yīng)用產(chǎn)品。

Sora的突破可以概括為以下幾點：

? 從生成效果看，突破此前視頻生成模型的時長限制，能夠生成60s時長、分辨率1080p的視頻，可用性極高。

? 從技術(shù)路線看，依舊遵從LLM范式“大力出奇跡”，通過patches向量化與transformer架構(gòu)結(jié)合，使得訓(xùn)練數(shù)據(jù)能夠使用大小、尺寸、分辨率不同的視頻，能夠讓模型學(xué)習(xí)到視頻的規(guī)律乃至世界的規(guī)律；使用GPT生成prompt，在訓(xùn)練和推理過程中解決了模態(tài)之間的對齊問題，大大提升了生成效果。

? 從產(chǎn)業(yè)發(fā)展看，Sora通用性極強，有望統(tǒng)一視頻生成生態(tài)；能夠進一步賦能與促進下游應(yīng)用發(fā)展，未來有望成為真正的“世界模擬器” 。

Sora的誕生無異是產(chǎn)業(yè)的里程碑，以其為代表的“多模型協(xié)同”方式是接近AGI的可行道路。與Gemini這樣的多模態(tài)模型不同，Sora的核心能力依舊在視頻生成領(lǐng)域，且在推理時需要調(diào)用GPT的能力重述prompt。這種方式可能不如Gemini符合直覺，但效果非常顯著，大大加速了產(chǎn)業(yè)走向AGI的過程。

Sora代表LLM的通用和涌現(xiàn)范式在視頻領(lǐng)域的成功復(fù)現(xiàn)，因此算力依舊是模型與應(yīng)用廠商布局的關(guān)鍵。通過巧妙的patches嵌入方法，Sora能夠運用高效的Transformer架構(gòu)在海量的視頻上進行訓(xùn)練，因此也涌現(xiàn)了模擬現(xiàn)實世界的能力。在其他技術(shù)路徑的模型獲得更好的效果之前，這種“大力出奇跡”的訓(xùn)練方式將依舊是產(chǎn)業(yè)的主流，算力需求將持續(xù)迎來更大的爆發(fā)。

Sora可能成為視頻生成領(lǐng)域的Base Model，模型層的競爭格局可能走向收斂。相比其他輕應(yīng)用，Sora的生成時長更長、質(zhì)量更高，能夠完全替代這些輕應(yīng)用。因此在多數(shù)場景下，Sora都能取代其他的生成模型和應(yīng)用，最終使視頻模型格局走向收斂。