Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

  新智元报道  

编辑:Aeneas 好困

【新智元导读】现实不存在了?这么说还为时尚早。最近,Sora 各种不符合现实的图出圈了,惹网友爆笑。LeCun、DeepMind 大佬、马斯克都纷纷下场了,而一位动画师表示,自己完全不担心被 Sora 淘汰。

大火的 Sora,让许多动画、影视行业的人大为恐慌。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

跑步方向完全相反

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

椅子未被建模为刚性物体,居然能漂浮

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

「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?

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。」

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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)。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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,标志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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

时空 patch,是 Sora 创新的核心。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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 16×16 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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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。

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

动画师:Sora 距离替代人类,还早呢

Sora 不懂物理世界,翻车神图全网爆笑-编程知识网

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

本文来自微信公众号:新智元 (ID:AI_era)