今日应用
今日话题
从直观物理学谈到认知科学，Sora不是传统物理模拟器盖棺定论了？
重点标签 Sora、世界模拟器、视频生成、直观物理学、AI辩论
文章摘要
Sora是OpenAI推出的一个视频生成模型，它能够根据文本提示生成高质量的视频。尽管Sora在技术上取得了巨大进步，但它是否能够被称为“世界模拟器”仍存在争议。图灵奖得主Yann LeCun等学者认为，Sora仅通过生成逼真视频并不能证明其理解了物理世界。澳大利亚麦考瑞大学的哲学助理教授Raphaël Millière撰写了一篇长文，探讨了Sora是否为世界模拟器的问题。文章回顾了Sora的功能、工作原理，讨论了认知科学中的直观物理学文献、机器学习中的“世界模型”概念以及图像生成模型的可解释性研究。最终得出结论，Sora并没有运行传统意义上的模拟，但其在有限的意义上表现出了视觉场景的物理属性。此外，文章还预测了视频生成模型在未来AI和机器人学中的地位，以及它们与认知科学中正在进行的辩论之间的潜在相关性。
Sora的技术进展
Sora的问世为视频生成领域树立了新的标准。它生成的视频在高分辨率、纹理细节和构图方面都达到了前所未有的真实感。Sora最令人印象深刻的是其时间一致性，能够保持视频中场景元素的属性随时间推移连贯地匹配或修改。
Sora的工作原理
Sora背后的技术基础之一是DiT（扩散Transformer）论文，该论文探讨了扩散模型中架构选择的意义，并为未来的生成模型研究提供了经验基线。Sora的架构可能没有真正的突破，但通过工程手段和缩放能力，实现了样本质量的提高。
模拟假设的讨论
OpenAI团队认为Sora获得了规模化的“模拟能力”，但这一说法过于模糊。模拟物理世界实际意味着什么，以及哪些证据可以支持这一说法，是值得探讨的问题。
直观物理学与世界模型
直观物理学是指人们对物理世界的直观理解，而世界模型一词在技术术语中含义逐渐淡化。认知科学家认为，人们使用直观物理引擎在心理上模拟物理事件。而世界模型则包含感知组件，用于处理原始观察并将其压缩为紧凑编码。
结论与预测
Sora可能在某种意义上是一个有限的世界模型，但它的视频生成过程并不以直观物理的前向模拟为条件。未来机器人系统可能会使用视觉-语言模型、视频生成模型和可逆动力学模型等组件。无论人们对Sora的看法如何，探索视频生成背后的技术都是令人兴奋的。
文章来源
原文地址: 点我阅读全文
原文作者: 机器之心
相关文章
