大语言模型最牛的是，它不是填空机：而是能完整地理解这个世界的知识

大语言模型最牛的是，它不是填空机：而是能完整地理解这个世界的知识。 这次很多人从技术上、从产品体验上分析Sora，强调它能输出60秒视频，保持多镜头的一致性，模拟自然世界和物理规律，实际这些都比较表象， 最重要的是Sora的技术思路完全不一样，因为这之前我们做视频做图用的都是Diffusion，你可以把视频看成是多个真实图片的组合，它并没有真正掌握这个世界的知识。 大语言模型最牛的是，它不是填空机：而是能完整地理解这个世界的知识。 这次很多人从技术上、从产品体验上分析Sora，强调它能输出60秒视频，保持多镜头的一致性，模拟自然世界和物理规律，实际这些都比较表象， 最重要的是Sora的技术思路完全不一样，因为这之前我们做视频做图用的都是Diffusion，你可以把视频看成是多个真实图片的组合，它并没有真正掌握这个世界的知识。 现在所有的文生图、文生视频都是在2D平面上对图形元素进行操作，并没有适用物理定律。 但Sora产生的视频里，它能像人一样理解坦克是有巨大冲击力的，坦克能撞毁汽车，而不会出现汽车撞毁坦克这样的情况。 所以我理解这次OpenAl利用它的大语言模型优势，把LLM和Diffusion结合起来训练，让Sora实现了对现实世界的理解和对世界的模拟两层能力， 这样产生的视频才是真实的，才能跳出2D的范围模拟真实的物理世界。这都是大模型的功劳。