備受推崇的人工智慧研究實驗室OpenAI 於2024 年2 月推出了Sora，在生成式AI 領域取得了非凡的里程碑。2 月16 日，OpenAI 在其X 平台（前身為Twitter）上發佈公告，吸引了全球觀眾，說，“介紹 Sora，我們創新的文本到視頻模型。Sora 可以生成長達 60 秒的視頻，具有高度詳細的場景、複雜的攝像機運動以及表現出生動情感的多個角色。”這項公告標誌著人工智慧影片生成新時代的到來。 Sora 讓大眾能夠輕鬆地將他們的想像轉化為影片。Sora 是一種文字到影片生成人工智慧模型，展示了根據文字提示創建逼真或富有想像力的影片場景的卓越能力。這一突破性的發展標誌著人工智慧透過動態模擬來理解物理世界並與之互動的能力的里程碑。最近，一篇題為「Sora：大視覺模型的背景、技術、局限性和機會的回顧」的論文提出了對 Sora 細節的許多見解以及為什麼它是一項突破。Sora 與之前的視頻生成模型的區別在於，它能夠生成長達一分鐘的視頻，同時保持高視覺質量並遵守用戶指令。該模型能夠熟練地解釋複雜的提示並產生具有多個角色和複雜背景的詳細場景，證明了人工智慧技術的進步。Sora 的核心是一個預先訓練的擴散 Transformer，它利用 Transformer 模型的可擴展性和有效性，類似於 GPT-4 等強大的大型語言模型。 Sora 解析文字和理解詳細使用者指令的能力透過使用時空潛在補丁而進一步增強。這些從壓縮視訊表示中提取的補丁可作為模型有效建構視訊的構建塊。Sora 中的文字轉影片產生過程是透過多步驟細化方法執行的。從充滿視覺噪音的畫面開始，模型迭代地將影像去噪，並根據提供的文字提示引入具體細節。這種迭代細化確保生成的影片與所需的內容和品質緊密結合。Sora 的功能在各個領域都具有深遠的影響。它有潛力透過加速設計過程並更快地探索和完善創意來徹底改變創意產業。在教育領域，Sora 可以將文字課程計劃轉化為引人入勝的視頻，從而增強學習體驗。此外，該模型能夠將文字描述轉換為視覺內容，為可訪問性和包容性內容創建開闢了新途徑。然而，Sora的發展也面臨著需要解決的挑戰。確保產生安全且公正的內容是首要問題。必須持續監控和監管模型的輸出，以防止有害或誤導性訊息的傳播。此外，訓練和部署此類大規模模型的計算要求帶來了技術和資源相關的障礙。儘管面臨這些挑戰，Sora 的出現標誌著生成人工智慧領域的飛躍。隨著研究和開發的不斷進展，文字轉視訊模型的潛在應用和影響預計將擴大。人工智慧社群的協作努力，加上負責任的部署實踐，將塑造視訊生成技術的未來格局。OpenAI 的 Sora 代表了邁向能夠理解和模擬物理世界複雜性的先進人工智慧系統之旅的一個重要里程碑。隨著技術的成熟，它有望改變各個行業、促進創新並釋放人機互動的新可能性。