Sora不懂物理世界，翻车神图全网爆笑！LeCun马斯克DeepMind大佬激辩世界模型

大火的Sora，让许多动画、影视行业的人大为恐慌。

不过，今天网上广为流传的这张图，让大家倒是放心了不少。

可以看到，在这个视频中，玻璃杯碎裂的方式十分诡异——

它被抬到半空中时，桌子上就忽然出现了一滩平整的红色玻璃，随后玻璃杯被摔到桌子上，和这滩玻璃融为一体。

为什么Sora做出的视频是这样的呢？

很显然，Sora混淆了玻璃破碎和液体溢出的顺序，也并不能推理时间和因果关系。

而这也说明，Sora目前还无法理解物理世界！

再比如，Sora团队Aditya Ramesh自豪地放出的这个视频，「蚂蚁巢穴内爬行的POV镜头」，粗看似乎很惊艳，仔细一看，却令人啼笑皆非——

蚂蚁怎么只有四条腿？！

Sora这「人工智障」的表现，也让大家着实松了一口气。

虽说确实生成一些足够惊艳的视频，但Sora离「扔进一部小说，生成一部电影」，应该还差得远呢。

跑步方向完全相反

椅子未被建模为刚性物体，居然能飘浮

「一只大鸭子走过波士顿的街道」，在第9秒，鸭子把人踩没了

Sora不懂人类的物理世界？AI专家混战

LeCun和马库斯这对「宿敌」，这次却站在了统一战线上，齐喷Sora所谓的「物理引擎」。

LeCun留言表示：嗨，Aditya，蚂蚁有6条腿，不是吗？

马库斯也表示，Sora会造成可怕的后果——

「我们即将有整整一代儿童接受虚假视频的教育，这些视频对于天真的观众是完全合理的，然而在生物学上却错误百出。」

今天它弄错的可能是一只蚂蚁，明天就是月球的轨道。诈骗犯会做出许多虚假视频，普通用户会被蒙蔽，再也不知道什么是真实，什么是虚假。

对于玻璃杯错误摔碎的视频，马库斯表示这是一个绝妙的例子。

我们需要认识到，并非Sora生成的所有视频都来自其训练集。Sora也并不总是遵循物理学、生物学和文化的规律。

我最近讨论的7*7棋盘、4条腿的蚂蚁，和碎裂的杯子一样，都证明了Sora是一个鲁莽的野兽，而非迭代的、基于定律的物理引擎。

OpenAI所引以为傲的对象的一致性，在这些demo中都没有成功。因为模型在训练数据中从未见过，从未被物理引擎产生过。

其实，Sora只是泛化了像素的模式，而并非世界上物体的模式。

对此，英伟达高级研究科学家Jim Fan表示，我们可以从两个角度来解释这个问题：

（1）可能是因为这个模型根本没有掌握物理知识，它仅仅是在无序地拼凑图像像素；

（2）模型确实尝试构建了一个内部的物理引擎，但这个引擎的表现还不尽人意。就像是第一代虚幻引擎在处理流体动力学和物体变形等问题上，与V5相比有着明显的不足。同样地，V1的渲染效果也远不如V5，并且缺乏物理上的准确性。

至于为什么更倾向于是第二种解释，来自谷歌DeepMind的Nando de Freitas给出了更详细的说明。

生命，以其惊人的复杂结构为例，其实质是在日益增加的宇宙混沌中创造出秩序。类似地，在训练过程中，神经网络通过消耗能量来减少混乱，从而更有效地进行预测和泛化。我们甚至将这种能量损失称为「负熵」。

就像生命一样，网络也是更广阔环境的一部分，这个环境为它提供数据和反馈。同时，这一过程也会为宇宙带来更多的混乱（例如TPU和GPU产生的热量）。总的来说，我们已经具备了智能（生命的一种衍生属性）的所有要素，包括对物理学的理解。

一个规模有限的神经网络能够预测任何情况发生的唯一方式，是通过学习能够促进这种预测的内部模型，包括对物理定律的直观理解。

基于这种直觉，我找不到任何反对Jim Fan观点的理由。

随着我们获得更多高质量的数据、电力、反馈（也就是微调和基础化），以及能够高效吸收数据以降低熵的并行神经网络模型，我们很可能会拥有比人类更擅长推理物理的机器，并且希望它们能教会我们新知。

顺带一提，我们也构成了神经网络的环境，通过消耗能量来创造秩序（比如提升神经网络训练数据集的质量）。

关于生命和「熵」：https://newscientist.com/article/2323820-is-life-the-result-of-the-laws-of-entropy/

Sora「世界模型雏形」陷入重重争议

其实，Sora初一面世，OpenAI声称「扩展视频生成模型是构建物理世界通用模拟器的一条可行之路」的说法，就得到了诸多专家的质疑。前谷歌、Facebook技术主管Hongcheng表示——「模型不大可能通过被动看训练数据视频，就能掌握物理定律。」

再聪明的智能体，也不大可能通过看太阳东升西落的视频，就能悟出地球围着太阳转。人类看了几千年苹果掉到地上，也是直到牛顿的时代才发现了引力。

多位业内人士表示，说Sora是数据驱动的物理引擎的说法很愚蠢。它的荒谬性，就好比我们收集了行星运动的数据，输入到模型中，模型预测出行星位置，就说这个模型在内部复现了广义相对论一样。

像Sora这样的Diffusion Transformer，底层是基于机器学习的随机梯度下降加上反向传播。

这就意味着：Sora并没有逻辑推理能力！

本质上，它只是在将训练的数据压缩成模型的权重罢了。只是按照某种规则更新参数，以达到最小误差的配置，并不进行逻辑推理。

梯度下降加上反向传播，往往会找到似乎有效但实际上脆弱的解决方案，因此它很容易崩溃。

就像苍蝇寻找气味源头一样，它总是朝着气味最浓的方向去寻找，就像梯度下降算法根据梯度的方向更新参数，以逐步接近损失函数的最小值。

基于这种模式，是无法学会物理规律的。

而对于Sora「没有在学习物理，只是在二维空间中处理像素」的说法，英伟达高级科学家Jim Fan表示自己不能苟同。

这种观点，就好像说「GPT-4不学习编码，只是采样字符串」一样。要是这么说的话，我们还可以说「Transformer所做的只是处理一系列整数（token ID）」，「神经网络所做的只是对浮点数进行处理」。

Sora的软物理模拟，是大规模扩展文本到视频训练时的一项「涌现特性」。

- 为了能够生成可执行的Python代码，GPT-4必须掌握特定形式的语法、语义和数据结构。不过，GPT-4并不直接保存Python语法树。

- 同样地，Sora需要掌握将文字描述转化为3D图像、进行3D转换、光线追踪渲染以及应用物理规律的技巧，从而尽可能准确地对视频像素建模。它需要像学习游戏引擎开发那样，掌握这些技能。

- 如果我们暂时不考虑交互性，那么UE5可以被看作是一个复杂的视频像素生成过程。Sora也是用于生成视频像素的，但它是基于端到端处理的Transformer技术。它们在概念上是处于同一层面的。

- 不同之处在于，UE5是通过人工精心设计且精确的，而Sora则完全依靠数据学习得到，更加依赖直观的理解。

谷歌深度学习专家、Keras创始人François Chollet表示，这个话题其实是老生常谈了。

从2016年以来，关于视频生成模型和神经辐射场是否融入了对物理规律的理解，就有不少讨论。

的确，这些系统具备根据给定物理场景预测未来发展的能力，它们实际上是基于一套物理模型工作的。

问题在于，这套模型的准确度如何？能否应用于未曾训练的新情境中？

这些问题，标着着两个世界的分水岭，这两个世界之间，有着截然不同的可能性。

在一个世界里，生成的图像仅用于媒体制作，看上去似乎真实，实际上却并非真实世界的反映。

而在另一个世界中，这些图像能作为现实世界的模拟，帮我们对未来作出可靠预测，这对科学研究意义重大。

不过，当前模型存在一些基本限制，无法捕捉到物体恒存性这样的视觉现实基本原理，这个概念即使两岁孩童也能理解。

当然，人类研究者是有办法对之改进的。

如果能通过增加模型训练数据的采样密度，在更广泛、更深入的数据上进行训练，就能提高模型性能。

到那一天，我们就能来预测天气、创建风洞模拟器、预测太阳活动了！

但如果我们想将模型应用于游戏引擎和视频上，是想构建广泛泛化的现实世界模型，就行不通了，模型不是这么用的。

Sora的技术并不新

此外，还有很多大佬表示，Sora的技术其实并不新。

LeCun转发了华人学者谢赛宁的推文，认为Sora基本上是基于谢赛宁等人在去年被ICCV 2023收录的论文提出的框架设计而成的。

而和谢赛宁一起合著这篇论文的William Peebles之后也加入了OpenAI，领导了开发Sora的技术团队。

时空patch，是Sora创新的核心。

它建立在Google DeepMind早期对NaViT和ViT（视觉Transformer）的研究之上。而这项研究，又是基于一篇2021年的论文「An Image is Worth 16x16 Words」。

这其中Sora所做的，就是把Diffusion和Transformer架构结合在一起，创建了diffusion transformer模型。

马毅教授也表示，Sora与之前不同的地方，就是用Transformer实现了diffusion和denosing。

而这其实就是马毅团队去年在NeurIPS White-box Transformer论文所预示和证明了的——

假设数据分布是mixed Gaussians，那Transformer blocks就是在实现diffusion/扩散和denoising/压缩 。

不过，当时团队苦于没有足够的数据和算力，无法在diffusion model上验证，只能在Masked VAE，DINO，BERT，以及GPT-2上做了验证。

而这次Sora的发布更加证明了，在相同条件下，白盒的Transformer CRATE构架在性能上已经能超越传统的Transformer，而且完全可解释和更加可控，因此会提升视频和文本的生成技术。

有趣的是，连马斯克也跳出来说，特斯拉早在一年前就掌握了类似OpenAI的视频生成技术，它的真实世界模拟和视频生成是是全世界最好的。

并且，特斯拉视频生成超越OpenAI的地方就在于，他预测了极其精确的物理场景，这对自动驾驶至关重要。

那么，特斯拉怎么让OpenAI抢了先呢？

马斯克表示，自己早就想用特斯拉做视频游戏了，但不幸的是，他们必须在发布无监督的FSD后才能制作游戏。

动画师：Sora距离替代人类，还早呢

无独有偶，一位动画师也表示，自己完全没有对Sora感到害怕。

他的理由是，因为动画制作需要反复修改，尤其是面对客户的需求时。

面对反复的修改要求，人类动画师是能轻松应对的，而AI则很可能选择重新出一幅作品。

哪位客户会喜欢这种方式呢？

因此，目前AI无法给客户又完整又高质量的作品。

可能很多人觉得，过于关注细节是吹毛求疵，但客户要的就是吹毛求疵。

对于他们珍爱的IP或作品，他们可不希望每次修改都伴随着角色、设计、构图、背景的大改动。

所以，目前Sora还端不了谁的饭碗，除了展现一下AI的潜能外，实际的应用价值并不大。

参考资料：

https://twitter.com/owenferny/status/1758482885575635226

https://twitter.com/ChombaBupe/status/1759226186075390033

https://twitter.com/fchollet/status/1758896780576739485

https://twitter.com/model_mechanic/status/1759068809867166129

https://twitter.com/GaryMarcus/status/1759271835181711736

https://twitter.com/DrJimFan/status/1759292700585841096

https://weibo.com/3235040884/O19wnxB9Y

本文来源：新智元