技术复盘与产业分析：Sora是如何成功的？

中泰证券研究所专业｜领先｜深度｜诚信 ｜证券研究报告｜ Sora是如何成功的？ ——技术复盘与产业分析 2024.02.20 分析师：闻学臣 执业证书编号：S0740519090007 分析师：苏仪 执业证书编号：S0740520060001 联系人：王雪晴 Email：wangxq03@zts.com.cn 核心观点 本篇报告中我们深入分析了Sora的各项能力、采用的技术路线和创新性的工作。我们认为Sora是将之前的研究工作上进行了很好的综合，并在强大的算力、工程能力以及GPT和DALL·E模型技术积累下诞生的。随着OpenAI将这种具有开创性的技术路径走通，国内模型和应用厂商有望快速迭代出类Sora的视频生成模型和应用产品。 Sora的突破可以概括为以下几点： 从生成效果看，突破此前视频生成模型的时长限制，能够生成60s时长、分辨率1080p的视频，可用性极高。 从技术路线看，依旧遵从LLM范式“大力出奇迹”，通过patches向量化与transformer架构结合，使得训练数据能够使用大小、尺寸、分辨率不同的视频，能够让模型学习到视频的规律乃至世界的规律；使用GPT生成prompt，在训练和推理过程中解决了模态之间的对齐问题，大大提升了生成效果。 从产业发展看，Sora通用性极强，有望统一视频生成生态；能够进一步赋能与促进下游应用发展，未来有望成为真正的“世界模拟器”。 推荐关注的方向： 算力：依旧是确定性最强的方向，“大力出奇迹”的路线会持续带动算力的需求，建议关注浪潮信息、中科曙光、神州数码、紫光股份、首都在线等； 应用：强大工具产品和视频模态相关标的有望受益，建议关注万兴科技、焦点科技、金山办公、科大讯飞、萤石网络、中科创达、格灵深瞳、彩讯股份、鼎捷软件、金现代、商汤、云天励飞、云从科技、神思电子、百融云等； 安全：安全是软件应用的基础，公司需要针对更严峻的Deepfakes问题进行安全布局，建议关注启明星辰、三未信安、深信服、美亚柏科、天融信、安恒信息、迪普科技、盛邦安全、永信至诚、安博通、信安世纪、绿盟科技、亚信安全、奇安信、麒麟信安、中孚信息等。 2 1.1Sora：大规模训练的视频生成模型，支持60s1080p视频生成 2024年2月15日，OpenAI推出了视频生成模型Sora。Sora进行了大规模的训练，并使用了不同尺寸、分辨率和时长 的视频进行训练，并沿用了扩散模型（DiffusionModel）的思路在Transformer架构上进行训练。 Sora能够生成长达60s的1080p清晰度视频。OpenAI认为，构建Sora这样的缩放视频生成模型（ScalingVideoGenerationModel）是构建物理世界通用模拟器的可行方法。 目前Sora内测开放给OpenAI的红队成员，正在对其危害或风险进行评估。 图表：OpenAI官网对Sora的宣传页图表：Sora可生成1080p清晰度视频 1.2能够理解和生成复杂场景，但对客观物理规律理解不足 Sora能够生成具有多个角色、特定类型的动作以及主体和背景的准确细节的复杂场景。它不仅理解用户在提示中提出的 要求，还理解这些事物在现实世界中的存在方式。 目前Sora的不足在于难以模拟现实世界中的物理规律，且对于事物发生的因果、时序和空间关系理解不足。例如模型能够生成一个人咬一口饼干，但饼干可能没有咬痕；模型可能在某些视频中混淆左右；而且可能难以精确描述随着时间推移而发生的事件，例如跟踪特定的相机轨迹等。 图表：Sora生成视频示例 Sora能够生成具有复杂场景的视频 图表：Sora生成视频示例 Sora难以理解杯子倾斜后，液体才流到桌面上的时序逻辑 1.3支持多模态结合输入，可编辑、延伸或生成自定义尺寸视频 Sora支持图片和视频的多模态输入，以及多模态的混合输入。除能够根据用户的文本输入生成视频之外，还能够基于DALL·E2和DALL·E3生成的图片再进行视频生成。通过输入原视频和文本提示，Sora能够对目标视频风格进行编辑。Sora还可以在输入的多个视频之间生成转场镜头，将不同视频丝滑地连接起来。 Sora同样支持（时序）向前或向后延续生成视频，以及可直接以原始尺寸为不同设备生成视频。它还允许用户先以较低的分辨率快速生成内容，再提升分辨率，以提高生成效率。除此之外Sora还能直接生成高达2048*2048分辨率的图片。 图表：Sora基于DALL·E生成结果（左图）生成的视频（右图） 提示：一只戴贝雷帽穿黑色高领毛衣的柴犬 图表：Sora根据视频+文本的输入完成对视频风格的转换编辑 1.4结合GPT、DALL·E的能力与方法，语言理解能力强 基于强大的GPT和DALL·E模型，Sora在训练过程中完成了文本和视频模态的“对齐”，从而能够理解提示中的词汇含义，并能够将其对应到生成视频中的事物上，大大提升了生成视频的准确性。Sora采用的推理方法与DALL·E3类似，同样是利用GPT将简短的用户提示转化为更详细的描述，并将其发送给视频模型，用以提高视频生成质量。同时Sora的训练思想也与DALL·E3类似，也是通过训练文本生成器caption重述文本，再使用生成的文本和视频对模型进行训练。 我们认为，OpenAI采用的合成数据方式在大幅提升模型效果的同时，相似风格的文本prompt也能够提升Sora与GPT、 DALL·E的联动效果，使得Sora更接近一个“全能”的多模态模型。 图表：Sora能够理解用户提示中的名词 只改变提示中的部分名词、其他不变，Sora能够准确生成 出对应的视频 图表：DALL·E3使用的合成数据方法示意 图片数据 随图抓取的文本 （Alt-Text） 合成的短文本 （SSC） 合成的描述性 长文本（DSC） 1.5依旧“大力出奇迹”，在大算力下的效果有显著优势 Sora作为一种DiT（DiffusionTransformer），也在训练过程中表现出了类似的缩放效应，即在更大算力水平下表现更 好。如图所示在训练过程中，随着计算量的增加，对于固定的输入和种子生成出的样本，质量也也有显著提高。 对这个效应DiT论文中进行过更直观的描述：对于同样大小的一组DiT模型（图示中同色），拥有更大气泡面积（即更大运算量）的模型，在纵轴参数FID-50K上的表现越低（该指标越低越好）。 我们认为，Sora表现出了类似LLM的Scalinglaw的效应，“大力出奇迹”的训练方法在视频模态依旧有效。 图表：大算力等级下的生成效果优势显著 基础算力4倍算力16倍算力 图表：DiT模型中的缩放效应 计算量越大，模型表现越好 1.6.1涌现出更多模拟能力，未来的“世界模拟器” OpenAI发现大规模训练下Sora产生了很多有趣的规模涌现能力，这些能力在构建未来的世界模拟器（Simulatorsof thePhysicalWorld）可能发发挥更大的作用： 1）3D一致性：Sora可以生成动态视角下的视频。随着相机的移动和旋转，人物和场景元素在三维空间中始终保持一致。 2）长期一致性和物体持久性：Sora经常（并不总是）能够有效地模拟短期和长期依赖关系。例如即使在人、动物和物体被遮挡或离开画面时，它们的外观也能保持一致。 图表：Sora生成的视频元素在动态视角下保持一致 图表：镜头切换后元素保持外观一致 1.6.2涌现出更多模拟能力，未来的“世界模拟器” 3）与世界交互：Sora有时可以以简单的方式模拟影响世界状态的动作。例如，画家可以在画布上留下新的笔迹，这 些笔迹会随着时间的推移而持续存在；表现一个人吃汉堡时，汉堡上可以留下咬痕。 4）模拟数字世界：Sora还能够模拟人工过程，例如电子游戏中，Sora可以根据基本策略控制Minecraft中的玩家，同时也可以高保真地渲染世界及其动态。 我们认为随着模型持续迭代，这些能力有望得到加强，在3D建模、数字孪生、元宇宙等领域均能得到更好的应用。 图表：Sora生成画家绘画的视频图表：Sora在Minecraft中操作人物角色 2.1训练思路：DiffusionModel思想与LLM范式的成功结合 Sora的训练思想是一次DiffusionModel思想与LLM范式的成功结合： DiffusionModel思想指先将图片加入噪声，使模型学习过程，再反向去噪生成“干净”图片的思路。 LLM范式是指通过大规模无监督训练使模型得到通用涌现能力，Sora的涌现的模拟能力正是这一范式的成功延续。在GPT系列模型中，OpenAI不断增加训练集和模型规模，在更大数量级算力的模型上得到了强大的能力。 图表：DiffusionModel训练思想 资料来源：OpenAI、中泰证券研究所 图表：LLM的能力涌现 资料来源：Chain-of-ThoughtPromptingElicitsReasoninginLargeLanguageModels、 中泰证券研究所10 2.2技术创新：采用Patches嵌入，关键在时空信息的处理 在LLM的训练过程中，使用token统一嵌入数字、代码等数据并输入给大模型，是涌现能力能够出现的关键。类似地，在Sora的训练过程中，OpenAI采用了spacetimelatentpatches作为视频数据的基本嵌入方法。通过这种数据的标准化处理，使Sora能够同时使用不同尺寸的原视频进行训练，从而学到原视频中的构图和取景方法，能够生成更完整的镜头。 使用Patches嵌入的优势：1）Patches能够使用Transformer架构进行处理（而非传统扩散模型的U-Net架构），因此能够支持大规模、多层的训练，构成LLM范式复现的基本条件；2）这种包含了原视频的时空信息，而非单纯按帧进行图像分割，因此能够更加完整地保留原视频的信息和规律。 图表：Sora训练过程示意 资料来源：OpenAI、中泰证券研究所 图表：Sora的嵌入方式 资料来源：OpenAI、中泰证券研究所 3Sora的成功对产业意味着什么？ Sora的诞生无异是产业的里程碑，以其为代表的“多模型协同”方式是接近AGI的可行道路。与Gemini这样的多模态模型不同，Sora的核心能力依旧在视频生成领域，且在推理时需要调用GPT的能力重述prompt。这种方式可能不如Gemini符合直觉，但效果非常显著，大大加速了产业走向AGI的过程。 Sora代表LLM的通用和涌现范式在视频领域的成功复现，因此算力依旧是模型与应用厂商布局的关键。通过巧妙的patches嵌入方法，Sora能够运用高效的Transformer架构在海量的视频上进行训练，因此也涌现了模拟现实世界的能力。在其他技术路径的模型获得更好的效果之前，这种“大力出奇迹”的训练方式将依旧是产业的主流，算力需求将持续迎来更大的爆发。 Sora可能成为视频生成领域的BaseModel，模型层的竞争格局可能走向收敛。相比其他轻应用，Sora的生成时长更长、质量更高，能够完全替代这些轻应用。因此在多数场景下，Sora都能取代其他的生成模型和应用，最终使视频模型格局走向收敛。 4.1安全问题：类Sora的视频生成模型可能加大Deepfakes威胁 AI技术的崛起已经让大众认识到了深度伪造（Deepfakes）问题。这种技术能将视频中的脸孔替换成别人的脸孔，甚至创造出虚假的场景。当前有专家强调，实施有针对性的防御措施至关重要，这可能包括为人工智能生成的内容打上独特的标识符或“水印”，以便准确追踪信息源头，及时遏制虚假信息的传播。 OpenAI的产品中提供Sora之前，也采取了一些安全措施，这些措施包括运用自动化流程，以防止其商业AI模型生成极端暴力、色情内容、仇恨图像以及涉及真实政治领导人或名人的描述。 图表：OpenAI现有的安全团队 资料