模擬一切實現AGI？OpenAI Sora核心成員最新演講+專訪來了
通過什么方式夠實現通用人工智能？
近期由AGI House組織的一場主題演講給出了解答。
OpenAI Sora團隊核心成員Tim Brooks和Bill Peebles對通用人工智能的實現分享了一些他們的看法，作為Sora研究負責人，他們表示：「視頻生成技術將通過模擬一切來實現AGI」。
這不禁引發了網友們的驚嘆：模擬一切！兄弟，我好怕……
也有網友對其所稱的「模擬一切」進行調侃，認為AGI是不可能實現的。
從Sora發布以來，就吸引了眾多人的關注，其功能的強大也讓人嘆為觀止，同時對其所存在的問題也成為人們熱議的焦點。
兩位負責人以一分鐘的高清視頻作為開場，從宏觀角度對Sora的功能、如何開辟內容創作的新機遇、背后的技術原理進行介紹，以及它為實現真正的通用人工智能（AGI）目標邁出的重要一步。
Sora的功能
Tim表示，這段視頻對他們來說意義非凡，因為它實現了他們的一個重要目標：創造出1080p高清、時長一分鐘的視頻內容。
Sora研究團隊一直在探尋，怎樣才能在視頻生成方面實現真正的飛躍？
這個視頻做到了這一點！它展示了極高的復雜度，比如精細的反射和陰影效果。
一個特別值得一提的細節是視頻中藍色的標志牌，當視頻中的人物經過它時，標志牌仍舊清晰可見。
這在視頻生成中是一個極大的挑戰，因為涉及到如何在較長時間內保持物體的持久性和一致性。
此外，他們還能創造出多種不同風格的視頻內容，比如充滿想象力的紙藝世界。
Sora能夠深入學習并理解整個三維空間。比如，當攝像機在三維空間中移動并捕捉人物動作時，能夠精確把握世界的幾何結構和物理復雜性。
由此可見，Sora不僅能夠生成各種內容，它還從視頻訓練中學習到了大量關于物理世界的知識。
開辟內容創作的新機遇
正如Tim所提到的，我們對Sora為對象創造帶來革命性的機遇充滿期待。
不僅因為它是實現通用人工智能（AGI）的關鍵一步，也因為它在短期內將為內容創作帶來突破。
Bill Peebles以一個宇航員冒險的電影預告片為例，表示視頻制作中最困難的部分是讓素材與視頻整體協調。
這個例子的特別之處在于，視頻中的宇航員在Sora生成的多個鏡頭中都能夠出現。
也就是說，我們不必拍攝大量的花絮片段，最后創建一個合成鏡頭。
Sora決定了它想要將鏡頭轉向何處，同時，它會把同一個宇航員放在許多不同的環境中。
因此，他們認為這項技術在之后特效制作上或許將帶來巨大的變革。
另一個示例展示了一個外星人自然融入紐約市的情景，采用35mm膠片效果，展示了充滿派拉蒙驚悚片風格。
這項技術已經展示出Sora能夠創造出令人驚嘆的奇幻效果，而這些效果如果使用傳統的CGI技術，成本將會非常高昂。
因此，在短期內這項技術所帶來的影響是深遠的。
當然，還可以利用Sora制作其他類型的效果。
比如充滿科幻氛圍的場景：一位潛水員發現了一個隱藏的、充滿機械化海洋生物和高級外星技術的未來式船舶殘骸。
此外，互聯網上有很多創意無限的人們，他們可能沒有Sora這樣的工具來實現他們的創意。
想象一下，如果這些人能將他們的創意通過Sora進行實現，他們將創造出多么絢爛的作品！
Sora的酷炫之處在于，可以實現傳統好萊塢設施難以實現的拍攝場景，比如同時充當珠寶店和動物園的店鋪，展示了帶有亮麗的珠寶裝飾的劍齒虎和烏龜等動物。
這種鏡頭十分逼真，但現實中的動物很難出現在這樣的場景中，因此就不得不利用CGI。
Sora讓這些場景的制作變得非常簡單，只需一小時就能完成。
Sora與藝術家的合作
Tim Brooks表示，他們近期新推出了一個用于研究的平臺，該平臺目前僅向少數藝術家開放使用權限，處于早期階段，不是面向大眾的產品。
該平臺致力于生成逼真和超現實的內容，并與小規模的紅隊、藝術家和潛在用戶合作，以確保技術的安全性。
其中，藝術家Shy Kids表達了對該技術的興奮之情，認為其不僅能生成逼真的內容，還能創造全新的超現實作品。
他們期待人們對全新媒體和娛樂形式的興趣，這些將由Sora和未來版本的視頻生成技術實現。
同時Tim Brooks也提到了一些藝術家使用Sora創作的作品，以及他們在博客文章中分享的相關內容和思考。
他們希望這項技術能推動內容創作的大眾化，讓更多有創意的人能夠實現他們的想法并分享給大家。
Sora背后的技術原理
Tim Brooks對Sora背后的技術原理進行了簡要介紹，討了語言模型和視覺模型的相似之處以及其在不斷發展中的潛力。
他認為語言模型之所以如此成功，是因為它們具有擴展的能力，并引用了《苦澀的教訓》中的觀點，
長遠來看，那些隨著規模增長而性能提升的方法，隨著計算能力的增加將最終勝出。
語言模型之所以能夠如此成功，部分原因在于它們采取了所有形式的文本，包括數學、代碼等，并將其轉化為通用的 Token 范圍，然后利用 Transformer 模型對其進行訓練，從而形成了通用模型。
他們想對視覺數據做同樣的事，這也正是他們使用Sora做的事情。
他們將不同類型的視覺數據轉化為小塊，類似于空間時間中的小立方體，并通過Transformer模型進行訓練，以實現模型的可擴展性。
通過在多種縱橫比上訓練，他們實現了多樣化的創作方式，并展示了模型在生成視頻、實現零樣本學習、實現視頻之間過渡等方面的能力。
他們認為，類似于語言模型，這些視頻模型也將為人們帶來許多令人驚嘆的創意效果，并且對于這些可能性的探索才剛剛開始。
Sora實現真正AGI意義重大
文本生成視頻模型，如Sora所展示的復雜場景生成能力，逐漸顯現出對人類互動和身體接觸的詳細理解，這是通用人工智能的重要一步。
Bill Peebles指出，要生成真實逼真的視頻，需要一個內部模型理解所有物體、人類等環境如何運作。
因此，他們認為Sora將為通用人工智能的發展做出貢獻。
此外，他們特別強調了模型的擴展性。
通過創建基于Transformer的框架，并對不同的Sora模型進行比較，他們展示了模型訓練中計算量增加對性能提升的影響。
從基礎模型到增加了32倍計算量的模型，可以看到對場景和物體的理解逐步提升。
接著，他們分享了Sora在動物模擬、3D一致性以及視頻中物體持久性方面的成功之處。
他們認為，Sora不僅能處理短期內的互動，還能實現永久性的改變。
雖然目前Sora在這方面的能力還相對較弱，它并不能每次都實現，但還是有許多的成功例子。
Bill Peebles還強調，Sora模型對于物理規律的自我理解，使其能夠模擬多種世界，如Minecraft等，這表明Sora在模擬現實世界的同時，也具備模擬其他虛擬世界的潛力。
最后，他們認為Sora能夠涵蓋所有世界的知識，實現通用人工智能的目標。
他們憧憬著有朝一日，能夠在文本生成視頻模型上運行像ChatGPT這樣的語言模型，為人工智能的發展開辟更廣闊的前景。
失敗案例
但Sora在一些案例中的失敗也表明其在處理物理互動方面仍存在挑戰。
舉例來說，Sora在處理我們認為非常相似的物理互動方面仍然有很大的困難，比如被附身的椅子不被認為是一個物體。甚至更簡單的物理行為，比如打破一個玻璃杯。
未來，在理解基礎事物方面它還有很長的路要走。
盡管存在挑戰，可以看出他們對這個技術的未來充滿期待。
他們將其視為視頻版的GPT-1，并相信這項技術將在短期內取得巨大進步。
盡管有一些失敗案例，但已經出現了一些積極跡象和吸引人的特性。
他們對此感到非常興奮，并期待看到人們在這一技術基礎上所創造的驚人作品，以及全球對其的反應。
不知大家對此有怎樣的看法？
最后問答環節
在演講的最后，Sora兩位研究負責人也對大家所關注的問題進行了回應并主要回答了以下問題。
Q1：在關于理解AI智能體或讓其在場景中相互作用的問題上，是否已經確切地定義了這一部分信息呢？或者說，這只涉及像素級的處理，然后需要進一步操作？現在，是否可以將這部分信息復制到這里了呢？
Tim Brooks：
在Sora內部，所有這些都是隱式進行的。當我們看到Minecraft的樣本時，并沒有明確的概念來描述它模擬了玩家的何種行為，或者如何在環境中展現出動作。
如果要精確描述正在發生的事情，或以某種方式解讀它，就需要建立一些額外的系統來從Sora當前的基礎上提取那些信息。
現在，一切都是隱含的。比如說，3D的概念是隱含的，你所見到的所有內容都是隱含的。在其中沒有任何明確的參與者。
Q2：你能談談微調的可能性嗎？你如何看待將這些插件或功能整合到整個過程中？
Tim Brooks:
藝術家們希望在創作過程中擁有更多的控制權，包括能夠使用他們自己設計的角色。
我們正在積極考慮如何實現這一點。可以通過對模型進行微調，使其適應特定的數據集或內容。
目前，我們正在收集反饋并探索實現這個目標的可能性。
Q3：在語言Transformer中，預測是按順序進行的。而在視覺Transformer中，我們按照掃描線的順序或者其他方式進行預測，可能會像蛇一樣或者以空間結構的方式。這是否是視覺Transformer的基本限制？預測的順序是否影響了對空間結構的關注？
Tim Brooks：
在這種情況下，我們使用的是擴散模型，而不是像語言模型那樣的自回歸Transformer。
我們對生成的視頻進行降噪，從一個完全充斥噪聲的視頻開始，通過迭代運行模型逐步去除噪聲。
通常情況下，我們是同時對整個視頻進行去噪處理，而不是按照掃描線的順序。我們也提到了另一種方法，即先生成一個較短的視頻，然后根據需要進行延長。
Q4：你們生成視頻的幀率是每秒30幀嗎？或者，你們更傾向于對幀持續時間進行插值處理？我知道，所有核心處理的速度都遠不及動畫渲染的速度。
Tim Brooks：
我們是以30幀每秒的速度生成的。
Q5:你們嘗試過進行汽車碰撞或旋轉等動作，來測試圖像生成是否能夠符合物理模型或基礎動作類型嗎？
Bill Peebles：
我們嘗試了幾個例子，旋轉效果基本還算合理，但并不完美。
關于汽車照明的樣本，我認為Sora還沒能完全掌握牛頓的三個運動定律。
Q6:你們現在正試圖解決哪些用戶反饋的Sora存在的問題？
Tim Brooks：
我們目前主要關注與外部藝術家和紅隊成員的互動反饋。
藝術家希望有更多控制權，包括相機和路徑控制。
對安全問題的關注主要涉及負責任和安全性，以防止濫用和假信息傳播，這些都是我們需要考慮的。
Q7：是否可能制作用戶可以互動的視頻，例如通過VR設備？如果我在播放視頻時中途停止并進行編輯，視頻是否能夠響應這些更改？
Bill Peebles：
目前，Sora的運行速度還比較慢，主要是因為存在一些延遲。
通常情況下，生成視頻所需的時間取決于參數設置，比如持續時間和分辨率。但要制作出你描述的那種互動體驗，至少需要幾分鐘。
所以，我們離這個目標還有一段路要走，但我認為這個想法很棒。
Q8：在構建這個第一版時有什么明確的目標嗎？你在過程中遇到了哪些問題，從中學到了什么經驗？
Tim Brooks：
我們的主要目標始終是在至少30秒內生成1080p的高質量視頻，這是我們從項目早期就確定的。
我們意識到視頻生成一直被限制在短暫的幾秒，因此這一點成為整個項目的重中之重。
在這一過程中，我們發現處理視頻數據的挑戰之大。這需要進行大量詳細而枯燥的工程工作，以確保系統能夠正常運行。
盡管我們預料到了這一點，但確實花費了相當多的時間和精力。
Q9：還有其他的發現嗎？
Tim Brooks:
我們一直致力于保持方法的簡單性，盡管有時候實際情況比說起來更具挑戰性。
我們的主要關注點是做出盡可能簡單的事情，然后在此基礎上進行大規模的擴展。
Q10：發布視頻時，你會優化提示詞并評估視頻效果嗎？
Tim Brooks:
評估視頻確實有挑戰，我們采用多種方式。
首先是模型的損失值，低損失值與模型的優良性能相關。
另一種方法是使用圖像指標評估單幀質量。我們也花費大量的時間生成樣本并自行檢查，盡管這需要處理大量樣本以避免噪聲。
Q11：關于訓練數據，你認為我們需要多少才能實現通用人工智能？你覺得互聯網上的數據是否足夠？
Bill Peebles:
我認為我們有充足的數據來實現通用人工智能。
我也相信人們會找到新的方法來改進事物。
當我們遇到困難時，我們總會找到新的方法來提高效果。
所以，不論我們手頭有什么數據，都足以實現通用人工智能。
本文轉自 新智元 ，作者：新智元
