“今天，所有VC的会上都在谈Sora”

文章来源：投中网

作者：刘燕秋 蒲凡

图片来源：由无界AI生成

仿佛梦回2023。去年年初，ChatGPT引发了普通人澎湃的讨论热情，此后海内外在AI大模型投资上展开了军备竞赛。

龙年刚一开年，OpenAI又打开了新局面。这次火的是文生视频。2月16日凌晨，OpenAI发布了文生视频大模型Sora。Sora能够根据文本提示创建详细的视频、扩展现有视频中的叙述以及从静态图像生成场景。

这类应用早就有了，但Sora的呈现仍然惊艳，视频中的主体稳定可控，可实现多角度切换，时长方面也突破，最长能生成60秒视频。

不愧是OpenAI。尽管Sora仍处于开发早期阶段，但它的推出已经标志着生成式AI迎来一个里程碑。

资本端同时传来新消息。在完成最新交易后，OpenAI的估值已飙升至800亿美元以上。这笔交易来自于Thrive Capital精心策划的要约收购。

尽管OpenAI和Thrive Capital对此皆不予置评，但小红书博主“Shannon”昨天发的帖子很有情绪的代表性，“明天所有fund开会的议题都有OpenAI的Sora”。

只不过，和去年相比，投资人的心态变了。不是人人都有机会投中OpenAI，但OpenAI的能力边界却实实在在影响着一批创业公司和背后的投资人。

“水到渠成”和“令人发指”

首先需要明确，“文生视频大模型”并不是一条全新的赛道。在OpenAI登场之前，头部大模型研发商几乎都拥有自己的文生视频大模型，例如Google的Lumiere以及Stability AI的SVD（Stable Video Diffusion），甚至已经诞生了垂直于多媒体内容创作大模型的独角兽，例如视频生成大模型Gen-2的开发商Runway，在2023年6月底完成由Google、Nvidia、Salesforce参与的C轮融资后，估值超过15亿美元。

更重要的是，上述已有的“视频大模型”，隐隐有了生产力工具的影子。

以Runway为例，与许多“拿着锤子找钉子”式的“技术驱动型”大模型创业团队不同，Runway的三名创始人Valenzuela、Alejandro Matamala和Anastasis Germanidis来自于纽约大学艺术学院，他们共同看到了“人工智能在创造性方面的潜力”，于是决定共商大计，开发一套服务于电影制作人、摄影师的工具。

这层基因打底，相比科技公司的“车库文化”，Runway的发展轨迹更像“横店影视城奋斗史”：先开发了一系列细分到不能再细分的专业创作者辅助工具，针对性地满足视频帧插值、背景去除、模糊效果、运动追踪、音频整理等需求；随后参与到图像生成大模型Stable Diffusion的开发过程中，积累AIGC在静态图像生成方面的技能点，并获得了参与《瞬息全宇宙》等大片制作的机会——这些影片在宣发中曾经有过详细描述，出品人们感叹他们的加入让后期团队“保持了一个超乎常规的小规模”状态，影视同行们惊叹很多许多复杂的特效制作（比如《瞬息全宇宙》里那两块对话的石头），工期已经从“好几天”缩短到了“几分钟”。

等到2023年2月，Runway发布第一代产品Gen-1，普通用户已经能通过iOS设备进行免费体验，范围除了“真实图像转黏土”“真实图像转素描”这些滤镜式的功能，还包含了“文本转视频”，从而使得Gen-1成为了首批投入商用的文生视频大模型；2023年6月，他们发布了第二代产品Gen-2，训练量上升到了2.4亿张图像和640万段视频剪辑。

2023年8月，爆火B站、全网播放量超过千万、获得郭帆点赞的AIGC作品《流浪地球3预告片》正是基于Gen-2制作。根据作者@数字生命卡兹克 在个人社媒上的分享，整段视频的制作大体分为两部分——由MidJourney生成分镜图，由Gen-2扩散为4秒的视频片段——最终获得素材图693张、备用剪辑片段185条，耗时5天。半年之后，@数字生命卡兹克 再次通过“MJ V6画分镜-Runway跑视频”制作了一段3分钟的故事短片《The Last Goodbye》，投稿参赛Runway Studios（Runway专门为企业级客户提供定制化服务的部门）所组织的第二届AI电影节Gen48。

换句话说，实际上至少在一年以前，“文生视频大模型”就已经拥有足够的关注度，其目前用户规模也被远远低估。

Runway的联合创始人Valenzuela在C轮融资后透露，除了像New Balance这样的世界500强客户，他们还拥有“数百万个人创作者”。

除此而外，Sora所展现出来的“精准的物理世界还原能力”，也并不是OpenAI独自探索的AI领域。马斯克就在Sora发布的两天半后，也就是2月18日，在科技播客栏目“DrKnowItAll”里留言，“这种精准还原现实世界物理规律的虚拟世界生成能力，特斯拉已经差不多快掌握一年了……只不过因为素材来自车载摄像头，所以视频看上去没那么有趣”。