哪个模型把我说的这些问题/难点解决了，哪个模型就是天才_风闻

【本文来自《AI竞赛已经到了最危险的时候》评论区，标题为小编添加】

• guan_15790495582221
• 别把所有ai混为一谈，视频生成ai有突破不等于所有ai都要突破。你的想法就像某所学校出了一个影视学科的天才，就马上觉得这所学校各个学科都要出天才一样

你误解了两点。

第一，按你自己的比方来，Sora其实不是一个“影视的天才”，而是“天才在搞影视”。OpenAI体系内真正贴合你这个比方的模型不是Sora，而是DALL·E。Sora的重点不是视频，而是作为底座大模型对物理规则的模拟能力。

搞不清底座模型的区别，把它等同于简单的AIGC，和你自己说的“别把所有ai混为一谈”直接矛盾。

大模型生成的内容开始遵循物理法则，意味着它真正生成的不是视频，而是带有物理效果的某种3D场景，然后把它化成了视频。当然，3D物理计算本来也是NVIDIA的拿手好戏。就像马斯克在X发布的那样，这种技术其实一直在用于自动驾驶，实际上相当于帮助车子在虚拟空间中计算可能的碰撞。

我们现在不知道OpenAI如何做到让任何生成内容都符合某种物理法则，比如那个“帆船玩具在咖啡杯里面冲浪”。但这不是简单的多模态。某种意义上说，让文本、视频、图像乃至音乐串起来，是一回事。让所有串起来的东西符合物理定律，是另一回事。这是两个维度的事情，Sora展现出结合这两个维度的能力，而且一次性达到了完成态。就算是在跑步机反向行走，其实也符合物理法则。

从内容生成的角度，这个能力的重要性就像是平面透视法第一次出现在绘画领域，是爆炸性的。它意味着多模态AIGC算法的基本框架已经完成了，可以说从此以后只剩下算力和样本量的差别。

如果这不算什么，那相当于人类所有的媒体和艺术行业都不算什么。

从生产力的角度，Sora既然可以按物理法则生成3D内容，那么Transformer的好处在于你也可以把它反过来利用，利用大量物联网传感器、VR等等一切现实交互设备采集到的3D内容，反过用于训练。如何利用3D空间的连续信息训练AI一直是老大难，一是缺乏数据，二是缺乏算法（因为大多数AI其实无法抓住其中的物理部分）。Sora把这个问题解决之后，机器人处理空间任务的训练，不再是实验室逻辑，而是平台对平台的逻辑。

第二，不是“马上觉得”，而是早就有一个判断标准在这里：哪个模型把我上面说的这些解决了，哪个模型就是天才。这个问题很早就有了，甚至处理物理效果的AI也早就在NVIDIA哪里，但一直没有人把这两者很好地拼接起来。马斯克说他在自动驾驶这个场景下早就实现了，但这恰恰符合你说的，只是“出了一个驾驶方面的天才”。Sora这个天才是全科的，因为它覆盖几乎所有内容生成场景。