Sora竟是用這些資料訓練的？OpenAI CTO坦白惹眾怒
OpenAI 的Sora 在今年2 月橫空出世，把文生影片帶向了新階段。它能夠根據文字提示產生超現實場景。Sora 的可適用人群受限，但在各媒體平台上，Sora 的身影無所不在，大家都在期待著使用它。
在前幾天的訪談中，三位作者透露出Sora 的更多細節，包括它處理手部時仍然存在困難，但正在優化。他們也對Sora 更多的最佳化方向進行了闡述，要讓使用者對影片畫面有更精準的控制。不過，短期內，Sora 並不會對公眾公開。畢竟Sora 能夠產生與現實十分接近的視頻，這會引發很多問題。而也因為如此，它還需要更多的改進，人們也需要更多時間來適應。
不過不用氣餒，這個短期可能不會太久。OpenAI 技術長Mira Murati 接受了華爾街日報科技專欄作家Joanna Stern 的採訪。她在談到Sora 何時推出時，透露道Sora 將於今年推出，大家可能要等幾個月，一切都取決於紅隊的進展。
OpenAI 也計畫在Sora 中加入音訊生成的功能，讓影片產生效果更逼真。接下來，他們也會繼續優化Sora，包括幀與幀之間連貫性、產品的易用性以及成本。OpenAI 也希望加入用戶編輯Sora 生成影片的功能。畢竟AI 工具的成果並不是百分之百準確。如果用戶能夠在Sora 的基礎上進行再創作，想必會有更好的影片效果和更準確的內容表達。
當然，科技解讀上的深入淺出只是訪談的一部分，另一部分則始終圍繞著安全、擔憂這樣的大眾議題。例如，一段20 秒的720p 視頻，不需要幾個小時的生成時間，只要幾分鐘，Sora 在安全方面又將採取怎樣的舉措？
在訪談中，主持人也刻意將主題引到Sora 訓練資料上，Mira Murati 表示，Sora 接受過公開可用和授權資料的訓練。當記者追問是否用到了YouTube 上的影片時，Mira Murati 表示自己不是很確定。記者又追問是否用到了Facebook 或Instagram 上的影片？Mira Murati 回答如果它們是公開可用的，可能會成為資料地一部分，但我不確定，我不敢打包票。
此外她也承認Shutterstock（是美國圖片庫、圖片素材、圖片音樂和編輯工具供應商） 是訓練資料的來源之一，也強調了他們的合作關係。
不過看似一場普通的採訪，但也引來了眾多爭議，很多人指責Mira Murati 不夠坦誠：
還有人從微表情推測Murati 在說謊，表示道「記得不要讓自己看起來像是在說謊。」
「我只是好奇，作為OpenAI 的CTO 居然不知道使用了什麼樣的訓練數據。這不是在明目張膽的撒謊嗎？」
「作為這樣一家公司的首席技術官，她怎麼能不準備好回答這麼基本的問題呢？讓人摸不著頭腦...」
還有人認為Murati 並沒有說謊，也許Facebook（FB）真的允許OpenAI 使用部分數據。
但這種說法立刻遭到反駁「Facebook 是瘋了嗎？這些數據對Facebook 來說絕對是無價的。為什麼他們要把數據賣給或授權給他們最大的競爭對手，這實際上是他們在GenAI競賽中唯一的競爭優勢。」
顯然，許多人認為Murati 沒有說實話：「身為OpenAI 的首席技術官，當被問及Sora 是否接受過YouTube 影片的訓練時，她卻表示自己不確定，並拒絕討論有關訓練數據的進一步問題。要么是她對自己的產品相當無知，要么是在說謊—— 無論哪種方式都非常可惡。」
這就不得不將話題引入另一個層面：版權問題。一直以來，OpenAI 深受數據版權的困擾，前段時間，《紐約時報》一紙訴狀將OpenAI 告到法庭，起訴書中《紐約時報》列出了GPT-4 輸出“抄襲”《紐約時報》的“證據」，GPT-4 的許多回答與《紐約時報》的報道段落幾乎完全一致。
數據監管問題該如何解決？史丹佛教授曼寧表示「目前最簡單但最有用和最合適的AI 監管之一是要求模型提供者記錄他們使用的訓練數據。歐洲議會剛剛通過並批准的《人工智慧法案》也強調了這一點。 」
圖源：https://twitter.com/chrmanning/status/1768311283445796946
OpenAI 到底使用了什麼資料來訓練Sora，現在看來，這座巨大的冰山已經露出了一角。這次訪談除了大家關心的數據問題，還有更多資訊值得大家一看。
以下是這次訪談的主要內容，我們做了不變更原意的編輯：
記者：我被人工智慧生成的影片震撼了，但我也擔心它們的影響。所以我請OpenAI 來做一期新的視頻，並和Murati 坐下來解答一些困惑。Sora 是如何運作的？
Mira Murati：它從根本上來說是一種擴散模型，這是一種生成模型。它從隨機噪聲開始創建一個圖像。如果是電影製作，人們必須確保上一幀延續到下一幀，物體之間保持一致性。這就給你一種現實感和存在感。如果你在幀之間打破它，你就會斷開，現實就不存在了。這就是Sora 做得很好的地方。
記者：假如我現在給出prompt：「紐約市人行道上的一名女性視頻製作人手裡拿著一台電影攝影機。突然，一個機器人從她手中偷走了照相機。」
Mira Murati：你可以看到它並沒有非常忠實地遵循提示。機器人並沒有把相機從她手中拉出來，反而這個人變成了機器人。這還有很多不完美的地方。
記者：我還注意到了一件事，當汽車經過時，它們會改變顏色。
Mira Murati：是的，所以雖然這個模型很擅長連續性，但它並不完美。所以你會看到黃色的計程車從框架中消失了一會兒，然後它以不同的形式回來了。
記者：那我們可以在生成後下達「讓計程車保持一致，讓它回來」這樣的指令嗎？
Mira Murati：現在是沒有辦法的，但我們正在為此而努力：怎麼把它變成人們可以編輯的、用來創造的一個工具。
記者：你覺得下面這段影片的prompt 是什麼？
Mira Murati：一頭公牛在瓷器商舖中嗎？可以看到它在不停地踩，但是沒有任何東西破碎。其實這應該是可以預測的，我們未來會提升穩定性和可控性，讓它更準確地反映出你的意圖。
記者：然後還有一個視頻，左邊的女人在一個鏡頭中看起來大概有15 個手指。
Mira Murati：手實際上有自己的運動方式。而且很難模擬手的運動。
記者：影片中的人物嘴巴有動作，但是沒有聲音。Sora 在這一方面有做功課嗎？
Mira Murati：目前確實是沒有聲音的，但未來一定會有的。
記者：你們用了哪些數據來訓練Sora？
Mira Murati：我們使用了公開可取得的資料和授權資料。
記者：例如YouTube 上的影片？
Mira Murati：這我不是很確定。
記者：那Facebook 或Instagram 上的影片？
Mira Murati：如果它們是公開可用的，可能會成為資料地一部分，但我不確定，我不敢打包票。
記者：那Shutterstock 呢？我知道你們和他們有協議。
Mira Murati：我只是不想詳細說明所使用的數據，但它是公開可獲得的或獲得許可的數據。
記者：產生一段20 秒的720p 影片需要多長時間？
Mira Murati：根據prompt 的複雜性，可能需要幾分鐘。我們的目標是真正專注於開發最好的能力。現在我們將開始研究優化技術，以便人們可以低成本使用它，使它易於使用。
記者：創造這些作品，肯定需要消耗大量的算力。與ChatGPT 反應或動態影像相比，產生這樣的東西需要多少算力？
Mira Murati：ChatGPT 和DALL・E 是為公眾使用它們而優化的，而Sora 實際上是一個研究輸出，要貴得多。我們當時不知道最終向公眾提供它時到底會是什麼樣子，但我們正試圖最終用與DALL・E 相似的成本提供它。
記者：最終是什麼時候呢？我真的很期待。
Mira Murati：肯定是今年，但可能是幾個月後了。
記者：你覺得是在11 月選舉前還是後呢？
Mira Murati：這是了一個需要慎重考慮處理錯誤訊息和有害偏見的問題。我們也不會公佈任何可能會影響選舉或其他議題，我們沒有把握的東西。
記者：有什麼東西是不能生成的。
Mira Murati：我們還沒有做出這些決定，但我認為我們的平台將會保持一致。所以應該類似DALL・E，你可以產生公眾人物的圖像。他們會有類似的Sora 政策。現在我們正處於探索模式，我們還沒有弄清楚所有的限制在哪裡，以及我們將如何圍繞它們。
記者：那裸體呢？
Mira Murati：你知道的，有一些創造性的設置，藝術家可能想要有更多的控制。現在，我們正在與來自不同領域的藝術家和創作者合作，以弄清楚該工具應該提供什麼樣的靈活性。
記者：你如何確保測試這些產品的人不會被非法或有害的內容吞噬？
Mira Murati：這當然很難。在早期階段，這是Red Teaming（紅隊測試）的一部分，你必須考慮到它，並確保人們願意並能夠做到這一點。當我們與承包商合作時，我們會更深入地了解這個過程，但這無疑是困難的。
記者：我們現在正在嘲笑這些影片（產生效果不好的影片），但是當這類技術影響到工作時，影片產業的人可能在幾年後就不會笑了。
Mira Murati：我認為這是一種擴展創造力的工具，我們希望電影行業的人們，無論在哪裡的創作者，都能參與其中，告知我們如何進一步開發和部署它。此外，當人們貢獻數據等時，使用這些模型的經濟學是什麼。
記者：從所有這些技術中可以清楚地看出，科技很快就會變得更快、更好，而且廣泛可用。到時，怎麼將真實影片和AI 影片區分開？
Mira Murati：我們也在研究這些問題，包括為影片加浮水印。不過我們要先搞清楚內容來源，人們如何區分真實內容、現實中發生的事情和虛假內容，這也是我們還沒有部署這些系統的原因，大規模部署前要先解決這些問題。
記者：有你這些話就能安心點了。不過，人們還是非常擔心矽谷籌集資金創造AI 工具，還有他們對金錢和權利的野心會危害人類的安全。
Mira Murati：平衡利潤和安全並不是真正的難題，真正困難的部分是搞清楚安全與社會問題，這就是我堅持下去的真正原因。
記者：這個產品確實讓人驚艷，但也引發不少擔憂，我們也討論過了，真值得嗎？
Mira Murati：絕對值得。AI 工具將擴展我們的知識和創造力、集體想像、做任何事情的能力。在這個過程中，找到將AI 融入日常生活的正確道路，也是極其困難的，但我認為這絕對值得一試。
AI 時代，第一是人才，第二是數據，第三是算力。OpenAI 在儲備了眾多人才的同時，該如何解決數據問題，還需要時間給出答案。