AI技术经过去年一整年的突飞猛进般的发展，似乎现在进入一个瓶颈期。当然这个瓶颈期只是相对去年那样巨大的飞跃而言的。AI技术的发展还是非常迅速的，每一天都有新的进步。但是和前年底和去年一整年的那种让人惊掉下巴的进展相比，就只是在现有成就的基础上进行提高而已。
比如大语言模型似乎GPT4就是天花板了。去年一整年中开源的大语言模型进展进步神速，包括open i竞争对手谷歌的追赶也非常努力。但是能够在GPT4的基础上领先一大步的模型却是一个都没有最好成绩，最多也就是和GPT4打平而已。于是谷歌另辟蹊径，推出了一个双子星1.5的大模型，大模型的能力并没有比给openAI的GPT4有飞跃性的提升，唯一的大幅提升的地方就在于它的上下文长达一百万个token。而一个token大约就是对于英语中的一个单词，也就是说你完全可以把一股厚厚的大部头扔给他，让他来跟你读。读完之后总结其中的要点，然后你再对你感兴趣的细节进行提问。这在某种意义上实现了真正的量子速读，不得不承认这是一个非常巨大的进步。但这谈不上什么本质上的革命性的革新。
所以虽然谷歌一推出这个模型的时候引起了广泛的关注，但是它的竞争对手open AI手上，显然还有更多的牌。正当谷歌的新模型登上媒体和热搜的头条后，不久，open ai就推出了自己的一个名为sora的文本到视频的生成模型，并且放出了一些让人惊掉下巴的生成视频。其实AI视频生成的模型。在去年下半年已经开始快速发展，我也试用了像stability AI发布的视频生成模型。不过那些模型生成的视频客观来说，只能称作了胜于无。一个是生成的视频，时长非常短，都在十秒左右。另一个就是画面的动作幅度非常小，有时候就是简单的拉近拉远和旋转，这样的效果。和互联网早期的flash动画相比并没有太大的提高。但是这个sora图形模型就让人不可思议了，它可以生成长达一分钟的视频。从它放出的片段来看，视频效果几乎可以以假乱真。
通过玩AI生成图片的经验，AI生成的画面在细节上多多少少都是有一些瑕疵的。当然这些发布出来的视频片段都是经过精挑细选的，从大量生成的片段中选出来效果最好的那一个。但也足够让人惊讶，一个是时间特别长。另一个就是镜头运动的幅度大，动作自然，甚至还带有一帧的物理效果。由于现在的open AI已经变成了完完全全的close AI.所以这个模型的基础细节并不为人所知。据网上有很多猜测说这个视频生成模型是一个巨大的进步。因为它实现了所谓理想中的世界模型，就是关于人类大脑运作方式的一种理论。由于我们所看到的所感受到的并不是外在世界所直接表现出来的，而是通过神经细胞转换成刺激信号，在由大脑进行信息处理之后，展现给我们意识的。也就是说，我们的大脑中存在一个关于外部世界的模型。而我们的意识就是在观察这个模型。这个这个模型能够产出如此令人惊叹的视频，并且可以模拟现实世界中的物理效果，说明在这个模型当中也存在一个世界模型。
当然这个说法也许可能更过于乐观了。在放出来的一些视频中，也还是看到它还是存在一些瑕疵，说明他模型本身并不理解这个世界的运行方式。比如，在一段视频中，一位时尚女郎走过满是霓虹灯的夜晚城市那段视频粗看上去非常逼真。有如真实拍摄的一般，但是仔细观察，就会发现建筑之间的透视关系完全是乱七八糟的。还有一个sora生产的视频一只巨大的可爱的橡皮鸭子，走过一座城市的街道，同时还有两个人从他的脚下经过，但是几秒钟之后，那两个人就从鸭子的脚底下消失了，好像鸭子把他们踩没了一样。
不过不管怎样，如果这项技术能够得到广泛应用，最好是能够激励其他公司，比如像facebook这样的开发出开源的替代品，那将是一项非常伟大的，足以改变人类世界的技术。因为这就意味着人人都可以在自己的电脑上创作影视作品。而这个行业，目前来说是门槛非常高的，一个是需要大量的资金。另一个在有些国家还存在着非常强的审查制度，这都大大限制了影视作品的创作自由。如果一旦人人掌握这项技术，那么门槛就变得非常低。审查制度也会因为应接不暇，过载，而名存实亡，那么将是人类精神和文化的一次巨大的飞跃。当然，那些在油管b站上做自媒体的up主的竞争将变得更加激烈了。
