文章来源：字母榜
作者：赵锦杰 马舒叶
编辑：赵晋杰
Sora现身近一个月，却未能在国内掀起如同ChatGPT时期的紧追不舍之态。
科技大厂仍停留在内部探索、研发Demo的阶段：字节推出AI生成视频产品Boximator，腾讯研发了视频生成模型VideoCrafter，百度发表了统一模式视频生成系统UNiVG。至于究竟何时会推出“中国版Sora”，大厂用静悄悄回应着外部期待。
恒业资本创始合伙人江一告诉字母榜（ID：wujicaijing），投入产出比或将是困扰国内大模型玩家选择跟进的一大因素。在追赶Sora之前，目前在对话大模型领域尚处在GPT-3.5的国内头部玩家，对于是否要追赶上GPT-4的水平，“实际上他们也都有担忧：一方面想要证明自身价值，至少要做到Meta开源模型Llama 2的水平；另一方面，Meta新一代开源模型Llama 3即将发布，届时万一投入重金后的自研模型，水平不及Llama 3乃至遭遇OpenAI自身的开源模型竞争，很可能导致前期投资‘竹篮打水一场空’。”
高企的成本，不仅困扰着大模型训练厂商推出Sora的步伐，而且同样阻碍着创业者率先体验Sora的热情。
在ChatGPT引爆新一轮AI应用热潮后，定位桌面机器人的小丽智造创始人兼CEO胡捷，一度找上国内某大厂商谈合作，希望将其大模型能力嵌入自家硬件。不过，在前者报出的数百万元合作费用面前，胡捷最终选择了国内一家二线大模型厂商，费用降低了近乎十分之一。 需要更多算力支持的视频大模型Sora，其应用成本更是胡捷这类初创公司难以承担的代价，等待越来越多国产平替方案的出现，可能是更具性价比的选择。 除了用不起之外，Sora在视频生成方面存在的精确度等Bug，也让一些支付得起C端使用成本的创业者，不敢轻易替换掉人工。 坐拥百万粉丝的上海市锦天城律师事务所律师候朝辉，以法律博主的身份运营着两档视频对话栏目《知V见》和《披荆斩棘的律师》，其视频时长在10-30分钟之间。为了保证长视频的信息精确度和画面精致感，候朝辉以15000元月薪，雇佣了一个专业剪辑师。 Sora出现后，候朝辉并没有下意识觉得可以每月节省15000元成本了，“我不会自己去学，肯定让剪辑师去学，他如果学会这套AI工具，就可以将效率变现，接更多活，赚更多钱。”
ChatGPT爆火之后，胡捷开始有了将大模型对话能力融入自家产品中的想法，尝试打造一个桌面机器人结合类ChatGPT的新交互方式。 “（用户）语音对话的过程中，ChatGPT的生成过程是以一个个点的形状呈现，我们借助屏幕为其配备了一个对应口型的虚拟人形象，可以把ChatGPT吐回来的文字，让虚拟人开口讲出来。”胡捷说道。 为了实现上述意图，胡捷首先找到了一家自研大模型的国内大厂，希望直接接入对方的对话大模型产品，但后者报了一个300万元左右的合作价格，还设置了终端使用量要达到过万台的门槛。 对于这家去年才刚刚成立、初始团队在10人左右的小丽智造而言，无论是大厂给出的报价，还是设备出货量要求，都超出了胡捷能够承受的范围。 退而求其次，胡捷最终选择了国内一家二线大模型厂商，后者按年收费，报价只有几十万元，且在定制开发上配合度更高，“尽管大模型能力没那么强，但是能满足我们初期的要求。而且开放性比较强，允许我们接入第三方大模型，他们提供开发对接服务。” Sora引爆新一轮大模型热议后，胡捷们也开始等待国内平替的到来。但平替究竟何时会来，却不像ChatGPT时期那么有确定性了。 在江一看来，国内大模型厂商想要追赶OpenAI，保持一个相对领先优势，在资源投入上需要优先考虑总成本领先，即能否用比竞争对手低的成本，训练出足以媲美行业头部水平的大模型，其次才是基于数据和场景打造差异化。 在推动大模型性能不断迭代过程中，其所需要的算力等各类资源也呈指数级增长。ChatGPT成功运行的背后，最少需要一万张英伟达GPU提供算力。迭代到GPT-4后，其所需的英伟达GPU数量被爆超过了2万张，价值达数亿美元。 面对越拉越大的投入产出比，在江一看来，国内大模型厂商担忧的，不是能不能做出Sora，而是投入重金研发后，做着做着突然被硅谷的开源模型突袭，“你的价值就几乎归零了。”
对于那些直接付费使用C端大模型产品的创业者而言，尽管免去了用不起的烦恼，但在大模型生成内容的“幻觉”问题尚未解决之前，想让他们跳过人工成本，自己用上Sora，还有点难。 专注长视频创作的候朝辉，为了确保画面的精确和精致感，平时需要用到专业相机拍摄，大容量的视频素材使得剪映一类的傻瓜式剪辑软件，根本无法满足需求，日常剪辑只能用达芬奇等专业软件，这也迫使他以每月15000元的价格，在上海雇用了一个专职剪辑师，保证一个月能剪出两条视频。 除此之外，候朝辉还会不定时发布访谈视频，后期剪辑则以一条3000元的价格外包了出去。 ChatGPT时期延续下来的内容不准确、部分数据陈旧等问题，在采取同源技术架构的Sora身上也难以幸免。在候朝辉看来，即便真等到Sora公测那一天，也是让剪辑师去学，而不是自己去学习如何使用，“（说到底）这个工具还是要有人去操作，它很难在短期内把一个人淘汰掉，更多可能带来效率的提升，然后剪辑师就可以接更多活，赚更多钱。” 即便是被外界视为影响最大的游戏影视领域，Sora的实际应用效果也存疑。 在游戏行业，哪怕是独立游戏，都不存在用不起AI工具的情况。但AI究竟能发挥多大效用，则是另一回事。独立游戏制作人阿图（化名）曾经期待用AI绘图，减轻长期占游戏行业重头支出的游戏画师的工作量，但是真的让AI画“秦王绕柱”，结果出来的效果是“秦王在跳钢管舞”。 Sora演示效果看起来很厉害，但阿图担忧的另一个点在于，制作者还要考虑市场是否买账，“类Sora的AI工具大量应用在游戏行业，不仅要考虑技术本身的完善程度，还要考虑市场的反应。在消费心理上，用户是否认可制作方在游戏中大规模地使用Sora，会不会觉得这是在偷工减料？对于部分用户来说，他愿意为了画师的画工，特效师的构思付费，但用AI生成的文本、画面，并非是画师设计的，这算不算是在糊弄消费者？在这一点上，目前许多科技媒体调研时，都似乎忽略了市场的反映，而我认为这恰恰是很重要的。” 基于上述种种担忧，阿图的团队，即使使用AI工具，更多也只是做一些边角料的工作，比如画一些概念，做一些配色尝试，目前还没达到可以替代部分岗位的应用程度。 独立导演杜兰馨甚至比阿图更进一步，基于AI制作带来的人员投入和精力问题，在其影视公司内，他没有尝试引入AI制作，“如果把时间和精力耗费在AI如何应用上，可能还完不成公司接下的案例。” 在杜兰馨看来，如同用文生图产品一样，要想应用类Sora的工具，影视从业者还需要懂AI语言，掌握一定的技巧，才能生成想要的视频效果。“但是目前的训练，工作量似乎并没有被消减，寄望用AI减少人力成本的初衷可能只是想象中的美好，实际工作量从自己绘图，变成了重复下达指令训练AI绘图，在这个过程中，不只是人掌握了技巧，也是AI训练了人。” 杜兰馨认真算了一笔账，以影视公司剪辑师为例，假设此前负责初级剪辑的剪辑师，月薪8000元，主要工作是收集整理素材，如果可以用Sora代替初剪，就可以节省这部分支出。但同时，公司需要把文生视频的指令输入工作交给高级剪辑师，那么就要上调高级剪辑师的工资。最终只有类Sora的工具应用节约成本，足以抵消上调薪资带来的支出，影视公司才不会亏本。
Sora在视频生成方面的各类Bug,同样是OpenAI迟缓推出的重要原因之一。在官网介绍中，OpenAI提醒道，Sora可能难以准确模拟复杂场景的物理原理，并且可能无法理解因果关系，还可能混淆提示的空间细节，例如混淆左右，并且可能难以精确描述随着时间推移发生的事件，例如遵循特定的相机轨迹。 根据部分拿到内测名额的博主分享，Sora在物理方面遇到的困难，在表现腿部特征，或者行走方面，尤为明显，如经常生成双腿交叉和相互融合的画面。 导致Sora在内容生成上出现各类“幻觉”的背后技术动因，在与其采用了与ChatGPT一样的Transformer架构。 这也是胡捷将 ChatGPT视为一个革命性产品，而将Sora的到来，认为是一种延续性创新的原因之一。“Sora出来之后，你可以认为是在铁轨上运行的火车，变成了高铁。Claude 3的发布，同样如此，给我的感觉就是速度由原来的300km/h，提升到了350km/h、400km/h，只是沿着既定路线的彼此较劲，而非颠覆性的突破。” 江一同样对Sora可能给行业带来的所谓“革命性冲击”，持怀疑态度。在他看来，Sora再更新两三个版本，可能就会触摸到技术迭代的天花板，然后慢慢被后来者追平差距。就像之前国内的语音翻译大战，一开始领先的科大讯飞，最后其实跟搜狗之间翻译结果差不太多，“从商业角度考量，大模型这场混战中，厂商也应该优先追求最小可行化产品，先商业化，然后再在往前走的路途中尽善尽美。” 过去一年中，上述竞争姿态已经在对话大模型上上演过一次。随着越来越多玩家推出大模型部署服务，在日益激烈的商业化比拼中，大模型私有化部署的价格，“从一开始的几千万报价，降到一千多万，后来又降到几百万，乃至100万，直到无限接近成本。”江一表示。
