Sora的横空出世惊艳全球，而这股热度发酵了还不到两周，阿里在2月27日便推出了EMO模型。

根据用户上传的一幅头像和一段音频，EMO模型就能让静态的人物“动起来”，惟妙惟肖地演绎那段音频，表情还不失真实和自然，效果炸裂。

在公开的视频Demo里，甚至还让Sora经典视频里的那位“时尚女士”开口演唱，冲击感拉满。

如果说Runway、Pika是视频大模型的1.0时代，Sora是2.0时代，那么EMO模型是属于2.0时代的，它跟Sora是同一套的底层训练原理。

但这就意味着我国的视频大模型一下子就追上2.0时代吗？意味着我国的AI水平与老美差距极小吗？意味着国内AI产业上市公司估值可以对标美股吗？

Sora真正的可怕之处（一）：

相比ChatGPT，是一次质的飞跃

这次文章更新耗时比较长，是因为对待一个影响深远的新事物，我希望支付足够的时间去全方位了解。包括精读Sora的官方技术报告原文，看足够多的技术大牛分享、行业报告、券商研报，以及关联领域的各种报道。

这既是为了尽可能用简短的人话把Sora的原理讲清楚，也为了尽可能在数据和逻辑上不误导各位。因为对新事物的认识时间毕竟有限，即使专业领域的人士，也难免存在一些数据和逻辑上的纰漏。看足够多资料的一个好处，是可以相互印证，最大限度避免这些误导。

然而，看得越多，给我的直观感受不是看到更多的机遇和希望，而是愈发意识到Sora的可怕。

一年前，ChatGPT惊艳全球，国内大厂纷纷跟进。而事实上，不到一年的时间，好几家国内大厂确实做出了自己的文字大模型。虽然跟ChatGPT还存在距离，但距离很小，在中文领域的体验甚至做得更好。

一年后，Sora再次惊艳全球，但这次没人敢说一年时间内国内也能出现对标Sora的视频大模型。从国内大厂对Sora的响应态度（比一年前低调得多得多），就让人隐约感觉到，情况跟一年前完全不同。EMO的出现似乎振奋人心，但冷静下来之后就会发现，格局其实并未改变。

咱先从Sora的训练原理说起：

从识别一维的自然语言，到识别二维的图像元素，作为多模态的最后一块拼图——视频，似乎只是水到渠成的事情。但如果沿用训练二维图像的逻辑，即使全球的算力资源堆在一起，再翻个几倍，也训练不出今天Sora的效果。

1.0时代的视频大模型，输入（训练）的都是分辨率统一的4秒正方形视频，训练的原理决定了模型只是为输出视频而学习视频。输出视频就是模型的全部能力，甚至这项能力还不太及格，因为模型并没有对世界产生认知。

Sora是联合训练不同分辨率、不同纵横比、不同时长的视频。它的视野首先是正常的，而不是通过一个井口去观察世界。

它的训练原理还决定了Sora在训练的同时，也从多个维度在学习、认知世界。而由于通过视频学习，效果跟通过文字学习是不在一个档次的；就像“行万里路”与“读万卷书”的区别。在这方面，Sora相比ChatGPT，是一次质的飞跃。

相比1.0的视频大模型，输出视频只是Sora的其中一项能力，甚至还不是主要能力。

这是在对Sora充分理解后做出来的训练过程示意图，比目前主流的讲解都要清晰、高效，一图就能看懂Sora训练的原理。

这个图展示的是输入（训练）的过程。至于输出（生成）的过程，基本上就是一个反向的过程，就不重复了。

图中可以清楚看到，整个训练过程经过了三次的压缩/降维，可见在现有算力水平下，Sora这种级别的训练效果之所以能实现，压缩是功不可没的。

虽然这是一个“大力出奇迹”的模型，但即使坐拥英伟达和AMD的老美，算力也不是要多大就有多大的。Sora的成功体现了一种算法+算力的美。正是一次又一次的压缩、降维，使得在现有算力水平下，这种级别的视频大模型成为可能。

Sora项目组三个核心负责人之一William Peebles，在一篇工作日志里，最后正是得出的这样结论：压缩才是真谛。

从EMO的技术报告可以了解到，它跟Sora是同一套的底层训练原理，属于2.0时代的算法。但如果说要追赶Sora，那恐怕距离还挺远。

可以把EMO理解为一个迷你版的Sora。Sora学习的是整个世界，EMO是专攻人物演说/演唱一个方向，算力需求就轻便得多。而且由于特定的输出模式，模型的训练和输出过程还可以省去一些步骤。

另一方面，EMO也有一些创新之处，例如时间轴的控制；以及声音、语调的对齐训练。在算力受限的背景下，EMO不失为一个快速跟进的成功案例。

然而，在“大力出奇迹”的这个AI大框架下，算力的缺失必然意味着“质”的距离。

Sora是视频大模型的2.0，更是AI大模型的2.0，因为它是朝着AGI的方向去认知世界的。这也是为什么说Sora相比ChatGPT是一次质的飞跃，也是为什么OpenAI敢说Sora将会成为“世界模拟器”。

所谓AGI（通用人工智能），可以理解为AI的完全体，也是AI研发的终极目标。它就像一个拥有超级大脑的人类，可以通过一切的所见所闻去认知世界，学习一切。然后只要有足够的硬件支持，就能做到一切咱们能想象AI可以做到的事情。

事实上，很多经典的AI主题电影，对AI的塑造，其实就是AGI的标准。

由于算力的限制，EMO就好比一个跟Sora同级别的天才孩子，但Sora家境富裕，能支持他常年环游世界，行万里路；而EMO由于家境贫困，只能每天都限制在一片小地方转悠。长大后，两者的见识、能力就形成天壤般的区别。

Sora真正的可怕之处（二）：

算力之争，正式取代“电力之争”

即将进入2020年代之际，我国的5G、新能源便已领先全球，在“追赶”中实现了反超。但老美没有选择“追赶”，而是绕开5G，祭出了6G；绕开电力，祭出了算力。

去年开始的中美股市强弱逆转，背后的一个关键逻辑就是世界竞争格局的转变，老美重新掌握了卡脖子资源的话语权。

这种较量，就好比一场开放式的赛车，对方不仅是下场比赛的选手，也是大赛的主办方和裁判。发现我方赶超，甚至遥遥领先，对方居然可以强行改变终点，秒回领先位置。

而这次改变终点的操作，凭借的就是Sora。

2~3年的距离？

有一种主流观点认为，中美在AI方面的距离只有2~3年（也有说1~2年的），还偷换了概念，把算法等同于模型，认为由于算法很容易追上，所以大模型也很容易追上。

新技术出现的头2~3年是最大的红利期，这些盈利可以为前面的研发提供足够的反哺，并支撑下一轮新的研发，也即“一直很先进，一直很有钱”的正向循环。落后2~3年看似时间不长，但就刚好错过了最大的红利期，意味着“一直赚得少，一直缺钱搞研发”。

可怕的是，这还不算可怕的情况。

因为只要拿捏住卡脖子的关键环节，这2~3年的距离很可能是永远都追不上的。甚至这距离，人家想拉开，就能随时拉开。

就像前些年，我国的芯片设计已经相当牛掰，跟老美几乎没有差距。但人家把光刻机一掐、把EDA软件一禁，差距马上被拉开到难以估计的程度。

Sora的官方技术报告非常“大方”，虽然还不至于开源，但整个模型的思路几乎是完全公开的，还具体到每一步用的什么模型、什么技术。公开到这份上，至少对于国内大厂而言，如果都不能把算法补全、快速追上，那就不是2~3年的差距，至少是10年以上了。

但问题根本不在于算法。

对于类ChatGPT的文字大模型、类Midjourney的图像大模型，如果算力跟不上，大不了就是训练时间长一点、生成速度慢一点。

但对于类Sora的视频大模型，如果算力跟不上，直接影响的是生成视频的质量。低算力生成的视频可能惨不忍睹。

有机构按照全帧训练做过测算，Sora的算力需求是GPT的100多倍。虽然得益于多次压缩的算法，粗略估算，算力需求也至少在10倍以上，甚至20倍以上。

面对今年的Sora，国内大厂之所以选择低调，不是因为搭不出大模型，更不是因为担心市场空间，而是算力被死死卡住了。这几乎就是无解。

早在2022年9月，也就是ChatGPT还没爆火之前，老美就意识到在算力上卡咱们的脖子。国内大厂不能再使用最先进的H100和A100算力卡，只能使用阉割版的H800和A800，性能只有原版的不到一半，甚至不到三分之一。

过分的是，阉割版的价格居然跟原版差不多。更过分的是，在中间商赚取差价后，价格还抬高到原本的4~5倍。更更过分的是，居然还供不应求！

这样一倒腾，国内要训练同样的AI大模型，成本是老美的十几倍。

更离谱的是，2023年10月开始，连阉割版的H800和A800都用不上了。

就如AI黄仁勋的那句“算力即权力”，Sora的出世大幅巩固了这种世界竞争格局。

我国只是赛车选手，无法像老美那样把终点修改到有利于自己的方向。虽然难以追赶，却不得不追赶。

因为作为“世界模拟器”，在医学、军工、自动驾驶等重要领域都意味着能加速突破，不追赶的话，后果太严重。

雪上加霜的是，在追赶的过程中，还摆脱不了对方“若即若离”的控制。

在严厉制裁下，国产替代好不容易被逼出点突破；但凡对方继续逼下去，又或者自己硬气一把，国产替代的研发和需求就能形成良性循环，这种突破就能延续、加速。

具体点说，就是华为昇腾AI芯片面临的最大问题就是被英伟达芯片构建的生态排斥在外，所以现状是华为要为企业客户派出专门的驻厂工程师，以随时解决昇腾的适配问题。如果英伟达继续断供，随着华为昇腾的产能上升，国内企业使用华为算力的比例就会快速上升，华为生态就会逐渐取代英伟达生态。需求上去了，就可以反哺研发，加速突破。

可惜现实是骨感的，在对方发现我方出现了“竞争力”后，马上表达出“善意”。而如无意外，我方会毫不犹豫接受这种“善意”。

H20是另一种方式的阉割版算力卡。之前H800/A800限制的是互联速度，让咱们有算力都发挥不出来。H20不限制互联速度，但单卡性能削弱到原版H200的不到10%。这明摆着就是一边向我方征收至少十几倍的算力成本，支持他们的下一轮研发；一边针对华为昇腾的软肋，巩固英伟达生态。

“难以追赶”的程度，可能比想象中更严重。

根据中国信息通信研究院发布的《中国综合算力指数(2023年)》，去年6月底，我国总算力规模197EFLOPS，位居全球第二，增速还高于全球平均水平，看似还挺不错。

但进一步看看结构就会发现并不乐观，因为其中AI算力的占比只有1/4，其余都是通用算力，不能用于跑AI模型。这个占比水平是远低于第一梯队经济体的。

如果按照FP32算力折算，我国的总AI算力相当于英伟达的H100（PCIe版本）算力卡接近100万片。

当然，实际性能跟100万张H100是没法比的。原因在前面已经讲过，H800的单卡性能可以媲美H100，但多卡互联起来，性能就却被甩几条街（即使总算力还是一样的）。何况咱们连H800都已经买不到。

2023年英伟达光是H100芯片的产能就超过50万片。与英特尔合作后，预计2024年的H100产能将暴增至150~200万片。而且英伟达不光是生产H100，老美也不光是只有英伟达，他们还有AMD。

而咱们只有华为。

电力和通讯领域，天然就适合“集中力量办大事”，这也是为什么我国在5G和新能源实现快速赶超。

而算力、云计算领域，天然是适合市场化的。老美不但算力显著高于我国，高度市场化的三大运营商算力平台格局，使得算力的使用效率也远高于我国。而由于体质问题（例如算力资源分散、主力用户都不愿意使用更高效率的公有云），人家明摆着的作业，也抄不过来。

同样的算力资源，需要支付几倍、甚至十几倍的成本；性能还要大打折扣；使用起来的效率还明显低于对手。这些共同构成了“难以追赶”的内涵。

Sora真正的可怕之处（三）：

AI股很虚，但不得不涨

下至追逐热点的散户，上至编织故事的机构主力，其实心里都明白：无论现有的业绩，还是可以预见的市场空间，国内AI股的成色还是比较虚的，对比老美的AI股还有很大距离。但只要AI热潮一来，他们总是不约而同地对标美股去炒。

巴菲特在上周末刚发布的2024年致股东信，里面就直指现在的美股市场越来越像赌场。就差没有直接点名AI股了。

美股的AI股尚且虚得很，大A里面那些更虚的，凭什么能炒上去呢？又为什么经历一次又一次泡沫破灭的膝盖斩之后，依然执着要对标美股呢？

这里面当然有资本的逐利、有人性的扭曲。但还不是全部。

前面提到过，在新科技的红利期、在卡脖子的环节，我国大量的财富流入老美的口袋，滋养着他们的下一轮研发。这种关系不仅存在于实体市场，也存在于金融市场。

今年A股的转折点，是伴随着QDII的高潮出现的。转折点出现之前，股市越是向下，内资就越是加速流向美股。

这决定了我国AI想要“追赶”，股市就只能涨。不然这里全球独一无二的顽强的韭菜资金就会变成老美AI产业的肥料。

而作为上涨的主角，最合适的当然是AI股，此谓“用魔法打败魔法”。

于是，在Sora的倒逼之下，国内AI股只能跟着雄起来，尽管明知道里面很虚。

行业逻辑

虽然整体比较虚，但产业链上每个行业之间还是有区别的。选择相对能打的行业，一方面在上涨空间和上涨确定性上有优势，一方面在以后泡沫破灭时也更容易退出。

算力在轮动初期就脱颖而出并不是没道理的，虽然作为被卡脖子的领域，存在各种困难，但依然是综合胜率和赔率最高的方向。

国内的AI算力供给格局原本已经很紧张，例如国内大厂再怎么不情愿，昇腾AI芯片的价格在年内就翻了倍。在Sora问世后，算力需求的天花板再次打开。除非国内实锤不做视频大模型，否则至少10倍以上的AI算力需求空间就摆在那，赔率足够高。

国内大厂对Sora的反应很低调，但央企态度就非常积极。光是三大运营商，今年在算力的投入预算就近千亿。

据中国信息通信研究院测算，在算力方向每投入1元，将带动3~4元的GDP增长。

相比每释放4~5元才带动1元GDP增长的M2，效果强了十几倍。

所以不管大模型跟不跟得上，算力先堆起来准没错的，这决定了胜率也足够高。

大模型的方向，虽然一旦成功就意味着巨大的空间，但至少从现在来看，暂时还没看到希望，不确定性很大。就算能炒上去，一有什么风吹草动，崩起来跑都跑不掉。

应用方向的分歧比较大，有着较大的不确定性。

一方面，应用可以绕过大模型，直接用Sora的接口就可以做，这是优势。但同时老美是很欢迎这么做的，这是风险。毕竟更多的依赖，就意味着更灵活多变的制裁手段；依赖程度越深，制裁起来就越有杀伤力。另外还能免费收集珍贵数据。

另一方面，应用的变现周期短，不管什么时候被制裁，制裁之前能割一波是一波，业绩兑现上似乎很有优势。但基于视频大模型的AI应用存在一种悖论：

以短剧为例，本身的成本就不高，而AI视频在初期是没有灵魂的（强如Sora也不例外），同等成本下并不具备竞争力。而短剧不是一个生命周期很长的行业，精神满足的效用会在行业内卷中快速边际递减。用人话来说，就是Sora能做出有灵魂、有竞争力的短视频之前，短剧市场的红利期很可能已经结束了。

一些不依赖于市场需求的领域，倒是可以在短期内就实现。例如上周刚上线的国内首部AI动画片《千秋诗颂》，就是把语文教材的200多首诗词，用AI做成国风动画片，为小学提供了很好的教学体验。

但也正因为不依赖于市场需求，这类应用更多是公益性的，而不是盈利性的。

值得一提的是，在应用的方向上，元宇宙的空间可能是最大的。

以往的元宇宙是游戏建模的模式，世界规模非常有限，也不存在真实世界的各种物理反馈，与真实世界的体验差距极大，受众基本上只局限于游戏玩家群体。

Sora的“世界模拟器”可以赋予元宇宙全新的生命。但不是短期内的事情，至少要等到Sora2.0甚至3.0时代。

最后还有一个处于市场视线盲区的方向，就是提供视频大模型训练用数据的行业。只要大模型开干，这行业就能兑现业绩。至于大模型做出来能否盈利，那一层风险是不用担的，这是一个很大的优势。

虽然Sora的技术报告里没有明说，但不少专业人士都能从它的Demo视频能看到很多技术的影子：除了经典电影、纪录片的运镜手法，还有游戏引擎（如UE5、Unity）的技术影子、物理算法模型（如CAE、CAD）的技术影子、3D重建技术（如NeRF、Gaussion Splantting）的影子。

用这些技术和数据配合训练，能有效提高视频的模拟仿真能力。例如CAE提供的复杂数学模型和物理模型（如流体力学、粒子物理学、粒子运动模型），能为视频训练过程提供准确的动态内容基础。就像给学生先做好思想品德教育，就不容易被一些不良内容带偏。

这个方向之所以被市场忽视，一个是因为信息不对称，另一个是因为标的暂未明朗。所以只需要先留个心眼，到机会出现的时候，就能及时抓住。

今天就分享到这吧。对文章内容有疑问或者指正的，继续欢迎在评论区留言交流！