【材料一】
Sora，美国人工智能研究公司Open AI发布的人工智能文生视频大模型（但Open AI并未单纯将其视为视频模型，而是作为“世界模拟器”），于北京时间2024年2月15日正式对外发布。
Sora可以根据用户的文本提示创建最长60秒的逼真视频。该模型了解物体在物理世界中的存在方式，可以深度模拟真实物理世界，能生成具有多个角色、包含特定运动的复杂场景。它继承了DALL-E3（Open AI于2013年9月推出的人工智能图像生成器）的画质和遵循指令能力，能理解用户在提示中提出的要求。
（摘编自网络）
【材料二】
Sora模型的特点可以总结为“真、灵、动”。所谓“真”，是指Sora生成的视频真实感强，能够很好地表现提示词的内容语义，视频细节呈现恰到好处。“灵”是指生成的视频有一定的灵性和艺术性，Sora生成的短视频无论质量还是艺术性，都有一定的保证。“动”就是视频中运动的场景与物体的结构性和时空关联性很好。
那么，从技术角度说，Sora是如何实现上述特点的呢？
Sora通过扩散模型（Diffusion Model）来实现“真”和“灵”。扩散模型是一种借鉴物理热力学中扩散原理的生成模型，通过加噪、去噪，实现由文本驱动图像生成。当然，大数据对扩散模型的训练也非常重要，Sora“看”过大量高质量的图像，“阅图无数”让扩散模型能够掌握很精细的特征，从而根据提示词生成细节精细的图像。
Sora的“动”有赖于Transformer（中文通常翻译为“变形金刚”或“变压器”）。Transformer就是GPT里面的T，它本质上是具备“自注意”和“自监督”学习能力的新型神经网络。首先是“自注意”。比如输入“东方明珠是上海的标志性建筑之一”这么一句话，Transformer通过“自注意”机制能够自动学习到“东方明珠”和“上海”的关系，不仅能够注意到“东方明珠”是一个特定的名词，而且还能注意到它与“上海”及其“著名地标”的关联性。“自监督”指的是，在一篇文章中随机遮掉一定比例的单词或者句子，让Transformer自己监督自己，学会做完形填空（填上“东方明珠”这个名字）、句子接龙（接上“东方明珠是上海的标志性建筑之一”这个句子），甚至更复杂的任务。之前的机器学习的主要瓶颈就是学习数据不够，具备了“自监督”学习能力之后，人类所有的语言数据都可以用于训练人工智能模型。GPT、BERT等大语言模型都基于Transformer。在GPT等大语言模型基础上，Sora先将视频表示为图像块（Patch），再用图像块来代替文字输入Transformer，就能够学到物体跟物体、人跟物体、人跟人、光跟影等之间的关系。
（节选自2024年3月10日“上观新闻”报道）
【材料三】
随着深度学习算法日趋成熟以及数据资源的加速增长，人工智能技术有望不断提升，机器视觉和自然语音处理等人工智能技术将迎来发展新机遇。预计2024年，我国人工智能产业规模将达到335.6亿元。
