视频生成模型作为世界模拟器
OpenAI 的新模型 Sora 能根据文本提示生成长且高质量的视频，令许多人将其视为早期的“世界模拟器”，它似乎从原始视频中隐式学到了 3D 结构、物理和物体持续性。评论者强调了诸如从其输出训练类似 NeRF 的 3D 重建、以及模拟 Minecraft 等游戏的惊人能力，同时也指出了在透视、运动和诸如玻璃碎裂之类的物理交互方面的明显失败。该讨论探讨了它对机器人、AGI、创意产业和游戏设计的影响，并反复出现一种张力：到底应将 Sora 看作迈向具身智能的变革性一步，还是看作一个强大但本质上只是追求合理性的、没有显式物理模型的视频合成器。
视频和 3D 一致性的感知突破
- 许多人对 Sora 的时间一致性和 3D 一致性感到震撼，尽管它没有显式的 3D 先验。
- 用户指出，NeRF/Gaussian-splat 工具可以从 Sora 视频中重建 3D 场景，而这在更早的视频模型上并不可行。
- 与此前工具（Runway、Pika 等）相比，Sora 更长的片段和更强的连贯性被视为一个重大的质量飞跃。
局限、伪影与物理准确性
- 认真观看的人报告了许多不一致之处：扭曲的透视、视差错误、不稳定的阴影、变形的物体、多余的肢体，以及“游动”般的运动。
- 具体失败包括：玻璃并没有真正碎裂、奇怪的走路姿态、物体摆放错误（雨伞、多出的手），以及奇怪的 Minecraft 输出（FOV、纹理、光照翻转）。
- 该模型被描述为更接近“梦境般的合理性”，而非严格现实主义；看起来合理，但物理并不可靠准确。
世界模型、机器人与 AGI
- 一些人认为 Sora 是朝着学习到的“世界模拟器”迈出的一步，类似于 AlphaGo 变强的方式，能让机器人预测未来视频帧并规划动作。
- 另一些人则认为，在像素空间进行预测以及经典 RL 理论过去曾被过度承诺；AGI 仍然遥远，尤其是在主体性和即时泛化方面。
- 也有人讨论了替代方法（例如压缩的潜空间世界模型、V-JEPA），认为它们比完整视频生成更适合控制和规划。
3D 表示与像素空间模型
- 有几位参与者惊讶于系统绕过了显式几何（网格），直接处理像素，却隐式学到了 3D、光照和遮挡。
- 网格被批评为脆弱且难以使用，但尚未发现明确更优的通用 3D 表示。
- 还有人提出直接在立体视频或游戏数据上训练，或将 Sora 的输出作为 3D 重建和场景补全的先验。
应用与行业影响
- 设想的用途包括：高质量文本生成视频、视频延展、风格迁移、数字世界模拟、从图像或绘画生成 AR/VR 世界、仓库/机器人控制，以及自动生成游戏或可视化。
- VFX 和素材视频从业者被描述为感到担忧；其他人则预计会出现混合工作流，由传统工具提供草稿，再由模型进行“润色”或补缺。
- 讨论还涉及成人视频生成（减少人类剥削 vs. 加剧成瘾）、个性化/交互式电影，以及无处不在的深度伪造视频风险。
训练数据、版权与偏差
- 有人推测数据来自 YouTube/twitch 风格内容，而 Minecraft 的质量主要反映了海量公开数据集。
- 有人认为平台所有者的合作对版权风险至关重要。
- 一些话题偏差（例如人们吃东西的镜头很少）被提出为某些失败模式的可能原因，但这一点仍不明确。
哲学与“模拟”争论
- 多条支线在争论：越来越好的模拟是否意味着我们生活在一个模拟中；也有人强烈反驳这些概率论证。
- 关于“物理模拟”到底是什么、意识是什么，以及仅靠视频预测器是否能建模真实底层物理的更广泛问题，仍未解决。