“跟不上的可能就要被淘汰了。”看到Sora演示视频后，从业10多年的动画制作师黄斌得出了这样的判断。
随着影视业失业潮呼声渐起，Sora的诞生也给中国AI行业带来了巨大的焦虑。
360集团创始人周鸿祎认为，Sora模型展现出了超越当前中国同类产品的性能和技术水平，这不仅体现在Sora可能实现通用人工智能（AGI）的时间表上，还体现在其实际应用效果和创新能力上。
更有甚者，网上流传着“Sora的诞生是牛顿时刻”的说法，认为Sora代表了新一轮产业革命的兴起。
事实上，国内在经过“百模大战”之后，才刚刚在文本模型上取得显著成果，达到或超过GPT-3.5的水平，并正朝着GPT-4的方向努力追赶。
但Sora的诞生，展示了OpenAI在多模态模型而非单一文本领域的突破性进展，让国内AI厂商追上甚至超越OpenAI，几乎成了不可能完成的任务。
由此不少网友对中国AI发出质问：
为什么Sora没有诞生在中国？中国跟美国的AI差距越来越大，Sora这波国内慢了十年吧？永远都是在追赶路上，为啥没有原创？
在一句句灵魂版的拷问中，中国AI厂商集体陷入了沉默。
那么，在Sora这样的多模态大模型上，中美到底有多大差距？追赶的难点在哪儿？在种种限制之下，中国是否有自己的优势？
1.中美AI差距几何？
尽管OpenAI承认Sora仍处于开发的早期阶段，需要进一步完善，但业界已形成一个共识——Sora的推出标志着生成人工智能领域的一个重要里程碑。
这是因为Sora不仅仅是一个文生视频的工具，更是AGI的一个关键节点，它验证了一条通向AGI的可行技术路线。
和之前的GPT-3一样，Sora再次验证了Scaling Law可以在这个技术方向上继续发挥作用实现涌现。
而这背后，不仅是惊人的资本和算力支持的结果，更是通过无数工程实验试错和强大技术力量支持的结果。
不少人推断，OpenAI手里应该已经有一个基本完整的多模态GPT-5，可以根据需要随时释放其中的某一部分打击对手，或者引导舆论。
360集团创始人周鸿祎更是直接断言，Sora的出现，意味着AGI（人工通用智能）的实现将从10年缩短到1年。
事实上，在Sora面前，无论是现有的顶级AI模型如Pika、Runway等，还是在多模态AI上有投入的国内厂商，基本上都被“吊打”了。
这也侧面反映出中美在AI技术研发深度和资源投入上的差距。
首先，门槛来自算力。
虽然有学者认为Sora只是一个大约30亿参数的模型，训练成本并没有想象的高，但视频数据本身的处理、标注等成本，加上长视频在推理阶段注定的巨大token数量和算力消耗，显然对任何公司都是难以承受的挑战。
即便Sora真的只有30亿参数，视频分析对算力的消耗应该也是远远超过一个千亿模型的。在国内GPU被卡脖子之后，算力是一个巨大的挑战。
其次，是高质量的数据。
根据OpenAI发布的技术报告，Sora强大能力归功于两点：其一是使用了基于Transformer的扩散模型（Diffusion Model）；其二是将不同类型视觉数据转化为统一格式——像素块（patch），从而能利用数量庞大、质量过硬且算力性价比高的数据。
业内人士认为，数据质量和数量上的显著优势，很可能是Sora成功的最关键因素之一。
在算力方面，虽然OpenAI训练Sora模型使用的GPU卡数量并非无法企及，但其他公司在具备足够硬件资源的情况下，仍然难以复制OpenAI的成功，主要瓶颈还是在于如何获取和处理大规模高质量的视频数据。
2022年，OpenAI曾宣布以创新方法来训练AI模型，省去标注大量资料的训练过程。
据报道，OpenAI所公布的视频预训练模型（VPT），让AI学会了在《我的世界》里从头开始造石镐。
研究人员首先收集一波数据标注外包们玩游戏的数据，其中包含视频和键鼠操作的记录。
然后，利用这些数据制作逆动力学模型（IDM），从而推测出视频里每一步在进行的时候，键鼠都是怎么动的。这样只需比原来少很多的数据就可以实现目的。
这项研究发表于2022年6月，同时文中还注明这个工作已经进行了一年之久，也就是说，OpenAI至少从2021年起就开始进行这项研究。
Logenic AI联合创始人李博杰认为，OpenAI的先发优势决定了早期的数据壁垒，对于后进入市场的公司来说，增加了追赶的难度。
“即使是谷歌这样全球数据量最大的公司，在训练大模型时，训练数据也未必能比OpenAI更好”，李博杰表示。
相比之下，国内公司在数据上的积累和利用上也存在一定差距：一方面，由于政策变化和其他限制，后来者可能无法获取之前可用的一些关键数据；另一方面，随着AI生成内容越来越多地充斥互联网，原始的真实世界数据被“污染”，使得获取高质量、无偏见的训练数据更加困难。
最后，是创新的训练方法。
Sora实现了将Transformer和扩散模型结合的创新，首先将不同类型的视觉数据转换成统一的视觉数据表示（视觉patch），然后将原始视频压缩到一个低维潜在空间，并将视觉表示分解成时空patch（相当于Transformer token），让Sora在这个潜在空间里进行训练并生成视频。
接着做加噪去噪，输入噪声patch后，Sora通过预测原始“干净”patch来生成视频。
OpenAI发现，训练计算量越大，样本质量就会越高，特别是经过大规模训练后，Sora展现出模拟现实世界某些属性的“涌现”能力。
总的来说，Sora是好的架构+好的数据，然后把模型做大，达到量变到质变。
尽管Sora在方案设计上大部分是已有的技术，但能够做出惊艳效果的也只有Sora，这也说明在训练过程中有很多训练技巧的问题要解决。
2.中国AI厂商能否追赶OpenAI？
Sora的技术突破让AI焦虑在国内蔓延开来，但中国AI并非完全无招架之力。
在Sora出现并占据大众视野之前，国内也曾有多家上市公司在多模态AI方面展开过布局。
2023年12月18日，东方证券在一份研报中提及，国内的海康威视、大华股份、萤石网络等视频分析行业领先厂商，纷纷投入到多模态大模型研究和行业应用落地进程。
与此同时，百度、阿里、腾讯、华为、字节跳动等大厂也都布局了多模态基础大模型。
据不完全统计，2023年12月至今三个月内，已有包括万兴科技、博汇科技、易点天下、数码视讯、汉王科技、当虹科技、东方国信等在内的十余家A股公司，在投资者互动平台披露过视频生成模型领域的业务情况。
尽管目前国内厂商呈现的“文生视频”效果远不如Sora，但Sora所用到的基础模型LLM、文生图模型DALL·E 3、大规模视频数据集、AI算力体系、大模型开发工具栈等核心基础设施，中国都已经具备。
比如原创的基础大语言模型文心一言、讯飞星火、BAICHUAN等，以及文生图模型文心一格、腾讯混元等，加上过去一年大模型基础设施的突飞猛进，有能力和条件支持中国AI修成正果，在视频生成赛道再现类似ChatGPT式的成功。
腾讯研究院资深专家王鹏认为，Sora的发布进一步明确了DiT（=VAE编码器+ViT+DDPM+VAE解码器）是多模态AI的可行方向，中国AI大厂仍然有可能以现有资源在一年左右接近Sora目前的水平。
3.中国AI的机会
事实上，不仅是技术代际差异并没有想象中的那么大，视频生成模型走向行业的长跑才刚刚开始。大模型的价值需要商业化来证明，Sora也不例外。
首先，相比“人人皆可上手”的大语言模型，视频生成模型的应用门槛更高，受众群体更小。目前OpenAI仅开放给创作者使用，而非像ChatGPT那样开放给大众。
不难看到，视频生成模型从研发到落地，整个过程会更加缓慢，应用潜力与商业出口还有待探索。
其次，Sora虽然强大，但成本确实是一个现实问题。
有人估算，Sora生成一条视频的成本在几美元到几十美元不等，如果普及到大众使用，成本需要降到目前的1%才能接受。
降低成本的同时提高生成质量和逻辑连贯性，是亟待解决的关键挑战。
同时，考虑到无法解决“幻觉”的问题，要想生成真正可控可用的视频，短期内成本高昂。
这些局限性，都为中国AI产学各界留下了较长的追赶窗口期。
目前，Sora能够激活多大的商业价值尚不明确，但是利用大模型找应用场景却是中国市场的优势所在。
中国拥有丰富的行业和场景，如果中国AI厂商能为垂直的行业用户解决具体的场景问题，打磨好工具，做好视频生成模型的提示词工程，以便非专业背景的广大行业用户们上手使用，那么在特定领域超过GPT-4甚至是GPT-5的可能性是非常大的。
不仅如此，中国AI厂商也可以在Sora等大模型的基础上，做进一步的应用创新，例如在Sora之上能够提供更复杂的视频剪辑能力、革新医疗教学与模拟训练等，从而率先探索出商业化之路。
4.结语
Sora作为人工智能视频生成技术的重大突破，显示了中美之间存在显著的技术差距。这对于中国科技界而言，既是警醒也是鞭策。
在承认现实差距的同时，中国AI也不必妄自菲薄，审视自我、调整战略、奋起直追，抓住机会窗口，才是弯道超车的必由之路。
