各方观点
输入“/”快速插入内容
💡各方观点
各方观点
用户2838用户28382024年2月21日修改
🌐
兼听则明，偏听则暗，独立思考
🌐
李沐-跟李沐学AI
Sora这个工作有点像视频生成界gpt2->gpt3的时刻。模型跟前作DiT比可能变化不大，但使用了几百倍的算力。这个模型基于的ViT，DALL·E，diffusion methods, 和VAE我们之前都讲过。但目前的技术报告缺失了数据、模型训练、和生成1分钟视频的是否需要什么新trick来保证质量。这种demo效果拉满的应用，相信学术界和开源界会很快跟进。等大家对缺失的技术有了一定探索了，我们再来讲一下这个工作。
🌐
陶芳波-心识宇宙CEO
1. Dall-E会被弃用，所有的视觉生成统一到Sora，Sora未来成为世界模型的基础，负责图片、视频、3D。
2. 下一步，Sora 被统一到 LLM，构造下一代 Foundation Model（真正的 GPT-5？），LLM 负责抽象世界，Sora 负责现实世界，但架构统一，参数融合（配上各种特异 decoders，如 diffusion），智力的借用也更融合。
3. 再往后，不再有各种 AIG-X 模型，世界范围内统一一套 Foundation Model 和 Foundation Agent 的标准和参数，每几年迭代一次，成为 World Al Kernel / 世界智能内核。所有人基于该标准，来开发 Al-Native 应用。
结论:
1. OpenAI 可能是世界的福音，但是是当下 AI 创业的噩梦。
2. 比特的大一统，比能量（力）的大一统来的更快。
🌐
谢赛宁-纽约大学任助理教授
1.
简单性和可扩展性：在开发Sora模型时，Bill和我优先考虑了简单性和可扩展性。简单性带来了灵活性，使得模型在处理输入数据时更加灵活，例如在屏蔽自动编码器（MAE）中的应用。可扩展性则是DiT（Vision Transformer）论文的核心主题，它不仅提高了运行速度，而且证明了DiT缩放定律适用于视频，如同在图像处理中一样。
2.
灵活性：ViT（视觉变换器）的一个优点是它在处理输入数据时的灵活性。例如，Sora能够通过在适当大小的网格中排列随机初始化的补丁来控制生成视频的大小，而UNet（一种卷积神经网络架构）并不直接提供这种灵活性。
3.
尺寸推测：我推测Sora可能使用了Google的Patch n'Pack（NaViT），这使得DiT能够适应可变的分辨率、持续时间和长宽比。他还提到，Sora可能使用了较大的模型尺寸，大约有3B（30亿）个参数，这可能意味着训练Sora模型并不需要像预期的那样多的GPU资源。
4.
未来迭代速度：由于Sora的可扩展性和简单性，未来的迭代将会非常快。
🌐
360创始人 周鸿祎
1.
AGI实现时间缩短：由于科技的发展，AGI的实现时间可能会从10年缩短到1年。
2.
科技竞争与人才密度：科技竞争最终取决于人才密度和深度积累。OpenAI等拥有核心技术的公司在AI领域的实力强劲，这表明创业公司不能仅依赖AI技术，还需要有创新和创意。
3.
AI对行业的颠覆：AI可能不会立即颠覆所有行业，但它能激发人们的创造力。例如，Sora可能对广告业、电影预告片和短视频行业产生重大影响，但不太可能迅速击败TikTok，更可能成为其创作工具。
4.
国内AI发展水平：尽管国内大模型的发展水平接近GPT-3.5，但与GPT-4.0相比仍有一年半的差距。OpenAI可能还持有一些未公开的技术优势。
5.
大语言模型的能力：大语言模型不仅仅是填空机，它们能够完整地理解世界知识。Sora通过结合大语言模型（LLM）和Diffusion技术，实现了对现实世界的理解和模拟，这代表了未来AI的发展方向。
6.
AI对物理世界的理解：Sora展示了AI对物理世界的模拟能力，这将对机器人具身智能和自动驾驶等领域产生重大影响，因为这些领域需要对世界有深入的理解。
7.
视频学习的重要性：OpenAI训练Sora时可能会阅读大量视频，这将帮助AI更好地理解世界。通过视频学习，AI对世界的理解将远超文字学习，这可能会加速AGI的实现。