人工智能文生视频大模型Sora的核心技术、运行机理及未来场景.pdfVIP

新疆师范大学学报（哲学社会科学版）第45卷第4期2024年7月

JournalofXinjiangNormalUniversity（PhilosophyandSocialSciences）Vol.45No.4Jul.2024

人工智能文生视频大模型Sora的核心技术、

运行机理及未来场景

朱光辉 王喜文12

（1.北京理工大学人文与社会科学学院，北京100081；2.北京华夏工联网智能技术研究院，北京100085）

摘 要：Sora的出现对人工智能的发展具有重大意义，如推动人工智能技术的普及和应用，革新人机交互方

式，促进跨学科研究和应用。但同时也应注意到，面对人工智能领域的不断革新，会引发一系列伦理和法律问题。

政府有关部门应尽快制定相应的战略、规划、政策和标准，引导新一代人工智能技术更好地服务经济社会发展。

关键词：

文生视频大模型；Sora；扩散模型；世界模型；ChatGPT

中图分类号：文献标识码：文章编号：

TP18A1005-9245（2024）04-0149-08

一、Sora的出现

2024年2月16日，OpenAI发布的人工智能

文生视频大模型Sora具有里程碑意义。Sora将扩

散模型与ChatGPT所用的大型语言模型相融合，

使OpenAI在人工智能视频领域实现了与大型语言

模型类似的突破（见图1）。

如图1所示，在Sora中输入提示词（Prompt），

在其生成的一分钟视频里，实现了多角度的镜头切

换，且物体一致。当其他人工智能视频生成算法还

在努力实现4秒连贯性时，Sora已实现60秒的人

工智能创作，且一个视频画面中有多角度镜头，主

体仍能保证完美的一致性，这在以前是无法想象

的。Sora正在教授人工智能理解并模拟运动中的

物理世界，训练出既能帮助人们解决需要与现实世

界互动的世界模型，又能一次性生成整个视频或延

长已生成视频时长。通过为模型提供一次多帧的预

见性，Sora解决了主体即使暂时消失在视野中也

能保持不变的难题（见图2）。

Sora的出现，意味着大型语言模型向多模态图1 Sora文本生成视频演示图

收稿日期：

2024-03-15

作者简介：朱光辉，北京理工大学人文与社会科学学院研究员；王喜文，北京华夏工联网智能技术研究院院长，高级工程师。

··大数据·人工智能·区块链研究（二十六）

150

推动跨学科研究和应用，例如，在视觉与语言的交

叉应用领域，为人类提供更加全面深入的理解和

认知。

第四，Sora将引发人机交互的革新。文生视

频人工智能技术的成熟将促进人机交互并改善用户

体验。通过文生视频人工智能技术，用户可以利用

文字描述快速生成个性化的视频内容，实现更加智

能化的创作和定制化的体验。这将使人机交互更加

自然和智能，提升用户的参与感和满意度。

第五，Sora将引发有关人工智能的伦理和法