在人工智能领域，视频数据的生成建模一直是一个极具挑战和创新的研究方向。从循环网络到生成对抗网络，再到自回归变换器和扩散模型，无数的尝试为我们展现了这一技术的日新月异。而今，OpenAI带来了其最新研究成果——Sora视频生成模型，重新定义了我们对AI生成内容的认知。

不能只观望 AIGC ，随着潮流狂欢，更应该走进去了解它，成为它的主人！

---

今天，我们来根据OpenAI官方的文章，深入了解 Sora 背后的技术。

Sora不止是模型，是世界模拟器

据OpenAI官方网站发布，Sora不仅是一个具有通用性的视觉数据模型，它更是一个世界模拟器。具备生成不同持续时间、宽高比和分辨率视频和图像的能力，Sora能产出长达一分钟的高清视频，开启了视频生成领域的新纪元。

Sora的核心优势在于其高度的适应性和多样性。无论是简短的动画还是复杂丰富的场景视频，Sora均能通过简易的文本提示实现创作。这一技术的推出为内容创作者提供了极大的便捷，同时也让模拟真实世界的可能性得以扩展。

这是OpenAI 官方放出的 Sora视频，长达55s： openai.com/research/vi…

Sora 背后的技术

在Sora之前也有许多的视频生成模型，例如Runway、PiKa，这些工作通常专注于狭窄范围的视觉数据、较短的视频或固定大小的视频。Sora是一种通用的视觉数据模型——它可以生成持续时间、纵横比和分辨率各异的视频和图像，长达一分钟的高清视频。

它背后到底有什么秘密？

把视觉数据转化为补丁（Turning visual data into patches）

大型语言模型通过训练超大规模的数据而获得强大的能力，而这些语言的模型的程度很大程度上归功于 Token。

基于这个灵感，Sora 由此使用了视觉 Patch，在高层次上，我们首先通过将视频压缩到一个低维潜在空间来将视频转换为小Patch，随后将这个表示分解为时空Patch。

视频压缩网络（Video Compression Network）

该网络通过降维技术把原始视频转换成一个压缩的潜在表示。这个网络使得模型能够在一个更简洁的空间内操作，提升了处理视频时的效率。

时空潜在补丁（Spacetime Latent Patches）

Sora模型将视频划分为一系列的时空补丁，这些补丁作为变换器网络的令牌。补丁化的处理方式提供了一种有效的视觉数据表示，便于网络捕捉视频的时空特征。

视频扩展变换器（Scaling Transformers）

变换器网络（Transformers）在许多领域，如语言、视觉和音频处理中展现出卓越的性能。Sora使用这种架构来扩展视频生成能力，这些变换器被训练用来预测原始的“干净”补丁，从而生成清晰的视频输出。

条件扩散模型（Conditional Diffusion Models）

Sora作为一个扩散模型，基于输入的噪声补丁和条件信息（如文本提示）生成视频。通过这种方式，Sora能够从带有一定随机性的输入中逐步生成出清晰、有意义的视频内容。

并且随着训练计算量的增加，样本质量明显提高，如下图所示。

可变持续时间、分辨率、宽高比（Variable Durations, Resolutions, Aspect Ratios）

过去生成图像和视频的方法通常会将视频调整大小、裁剪或裁切到标准尺寸——例如，4秒长的视频，分辨率为256x256。我们发现，以原始尺寸对数据进行训练反而带来了几个好处。

Sora训练时不限制视频的尺寸，因此它能够生成各种尺寸的视频。这意味着Sora不仅能生成标准大小的视频，还能创建更为多样化的视频格式，以适应不同的播放设备和用途。

总的来说，这让Sora能够实现灵活取样，并且改善构图，最终实现不错的视频效果。

语言理解（Language Understanding）

训练文本到视频生成系统需要大量带有相应文字标题的视频。OpenAI将在DALL·E 3中引入的重新标注技术应用于视频。首先训练一个高度描述性的标注模型，然后使用它为训练集中的所有视频生成文字标题。研究结果发现，在高度描述性的视频标题上进行训练可以提高文本的准确性以及视频的整体质量。Sora利用高度描述性的视频标题进行训练，提高对文本的理解。类似于DALL·E，Sora也能将简短的用户提示转换成更详细的说明，提高视频输出与文本提示的一致性。

通过以上这些高级技术的结合，Sora模型能够生成高质量的视频内容，同时在视频生成的效率和多样性上取得了显著的进步。

展望未来

Sora作为一个模拟器，其能力的展示虽有局限，但已昭示出扩大视频模型规模是一个有前途的发展方向。它的新兴能力展现了模拟现实世界和数字世界的潜能，而对物理交互的模拟尚需精进。

在AI 视频领域，Sora模型的推出确实是一个里程碑事件。随着技术的迭代更新，我们有理由期待在不久的将来，Sora能为我们带来更加逼真、更具沉浸感的数字体验。让我们拭目以待，更多的可能正在被解锁。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓