Sora2的终极野心，从社交软件到世界模拟器。
每天700万次生成，70%的用户在创作而不是消费，这是Sora应用上线后交出的成绩单。
要知道，Instagram这样的老牌社交平台，创作者和消费者的比例是典型的幂律分布，少数头部创作者生产内容，绝大多数人只是在刷。
而Sora把这个比例倒过来了。
有意思的是，OpenAI的野心远不止做一个视频生成工具。
在最近的一次播客访谈中，Sora团队负责人Bill Peebles透露了一个听起来有点科幻的愿景，Sora的终局是让每个人在虚拟空间里拥有一个数字副本，这个副本会代替你去完成各种任务，然后向现实世界汇报。
听起来很疯狂，但仔细看Sora 2的技术路径和产品设计，你会发现这个看似遥远的目标，其实已经在一步步铺垫了。
先说技术，Sora 2最大的突破不是生成的视频更流畅或更逼真，而是它失败的方式变了。
Bill举了个例子，如果你给Sora一个提示词，一位篮球明星想要投篮，假设在模型模拟中他投丢了，Sora 2不会为了讨好用户，神奇地让篮球自动飞进篮筐。
相反，它会选择遵从物理定律，篮球会实实在在地从篮板上弹开。
这个细节藏着Sora团队对世界模拟器的理解。
以前的视频生成模型，更像是在盲目迎合提示词，用户说要进球，它就让球进。
但Sora 2不一样，它在模拟一个真实的世界，在这个世界里，物理规律比用户的要求更重要。
Bill把这种现象称为模型失败和AI Agent失败的区别。
Sora在生成视频时，隐式地模拟了一个个体，这个个体有自己的行为逻辑。当投篮不准的时候，它不会作弊，而是展示真实的结果。
这听起来是个小细节，但背后的技术含量很高。
Sora使用的是Diffusion Transformer技术，核心思路是把视频拆解成无数个时空补丁，你可以把它想象成一个个微小的长方体，同时包含空间和时间维度。
这些补丁之间通过注意力机制互相对话，让信息在整个视频的所有部分一次性传递。
正是这种机制，让Sora能够理解物体恒存性，理解物理规律，甚至开始展现出一点AI Agent的雏形。
Bill认为，这主要还是Scaling Law带来的涌现能力，就像GPT从1到3的过程中，模型自然而然地发展出了对世界的内部表示。
技术很硬核，但真正让Sora火起来的，是它的产品设计。
Sora团队的工程主管Thomas曾在Instagram负责排名算法。
他在访谈中坦承，Instagram之所以要做算法推荐，是因为平台的创作者分布太过头部集中。
那些大号一天能发20条内容，而你的朋友可能只发一张咖啡照片。如果按时间顺序排列，你永远刷不到朋友的照片。
所以Instagram引入了算法，重新分配流量。
这个决定当时争议很大，但数据显示它确实让用户看到了更多自己关心的内容，甚至还促进了创作。
但Thomas也承认，这套机制容易跑偏。当平台开始追求盲目消费，追求让用户刷得更久，算法就会推送更廉价的内容，创作者的动力反而被抑制了。
Sora要做的是反其道而行之。它的算法不是为了让你刷得更久，而是为了激励你去创作。
团队甚至会在信息流中插入提示，嘿，你刚看了几个这个领域的视频，要不要自己也创作一个？故意打断你的消费状态。
这套逻辑的核心支撑是Cameo功能，简单说就是你可以上传自己的照片或视频，然后把自己P到各种AI生成的场景里。你可以变成动漫角色，可以和朋友一起出现在科幻片里，甚至可以让你的宠物当主角。
Thomas说，当他们内测Cameo功能的时候，团队的信息流一夜之间全是Cameo内容。
大家疯狂地给彼此制作视频，玩各种内部梗。一周后他们发现，我们居然还在玩这个。
这就是产品的魔力所在，Cameo不只是降低了创作门槛，它还把人情味带回来了。Cameo让你和朋友成为视频的主角，这种社交属性是其他视频生成工具做不到的。
所以Sora才能做到70%的用户在创作，它不是一个视频版的抖音，而是一个让每个人都能参与的创作平台。
如果故事到这里就结束，Sora只是一个很酷的社交+AI产品。
但Bill说的终局，远不止于此。
他认为，Cameo只是一个开始，它是用户向Sora提供自身信息的最低密度方式，你的外貌、声音等等。
未来这个信息通道会越来越密集，模型会深度理解你的成长经历，你和他人的关系，关于你自己的所有细节。
到那时，Sora几乎能像一个数字克隆一样运作。
你手机上会有一个迷你替代现实，你的数字版本可以去和其他人的数字克隆互动，可以执行知识性工作，不仅仅是娱乐。
这听起来像是科幻小说，但技术路径其实很清晰。
Sora本质上是一个世界模拟器，它通过大量视频数据学习物理世界的规律。当模型足够强大，当数据足够丰富，它就能模拟出一个接近真实的虚拟世界。
Bill认为，视频数据是一个巨大的数据金矿。
相比文本，视频每比特所蕴含的智能要低得多，但如果对世界上所有视频数据进行积分，总的智能量要高得多。他很难想象视频数据会用完，因为它的形式太多样了。
更有意思的是，Bill还提到了动漫数据的价值。虽然动漫不遵守现实世界的物理定律，但它包含一些简化的图元，这些图元可能有助于模型更高效地理解真实世界。就像角色在场景中移动这个概念，在动漫和现实中是共通的。
当然，要实现数字副本的愿景，还有很多问题要解决，比如计算成本，视频生成是所有模态中最昂贵的。
还有内容生态的问题，Bill透露，团队正在和IP持有者合作，探索让用户使用喜爱的IP创作，同时权利人能获益的新创作者经济模式。这是一个全新的生态，需要从零开始构建。
Bill说，Sora 1是视频领域的GPT-1时刻，Sora 2是GPT-3.5时刻，它真正突破了可用性障碍，开始被大规模采用。但要达到科学发现的水平，可能需要一个GPT-4级别的突破。
现在谈数字副本、谈世界模拟器，听起来确实有点超前。但回想GPT的发展路径，从1到3.5到4，每一步都伴随着难以想象的能力涌现。
也许再过几年，当我们习惯了在Sora里和自己的数字分身对话，习惯了让它代替自己去完成任务，今天这些看似疯狂的想法，就会变得理所当然。
