技术深度解析
Sora 建立在扩散 Transformer 架构之上，这是对图像生成中常用的 U-Net 结构的一次重大演进。其工作原理是通过大型语言模型编码的文本提示引导，从纯噪声开始逐步对视频进行去噪。其关键技术创新在于将视频视为高维潜在空间中的“补丁”——类似于 Vision Transformers 处理图像的方式——这使得单个模型能够处理可变的时长、分辨率和宽高比。这种基于补丁的表示法是其能够生成长达一分钟的连贯序列的核心，这使其超越了当时同类模型通常 4-8 秒的输出长度，是一次显著的飞跃。
然而，该架构的优势也正是其主要的经济弱点。训练和推理需要巨大的计算资源。尽管 OpenAI 从未公布确切数字，但对类似规模模型的分析表明，Sora 的训练可能需要数万 GPU 小时，即使是在优化的硬件上，推理也可能存在显著的延迟（可能长达数分钟）。该模型的参数数量估计达数千亿，足以与大型语言模型相匹敌，但却是应用于数据密集度呈指数级增长的视频帧领域。
已有数个开源项目尝试复制或基于 Sora 的概念进行构建，尽管尚无项目达到其所宣称的规模。GitHub 上的 VideoCrafter 仓库提供了一个使用扩散模型进行高质量视频生成的框架，自 Sora 首次发布以来增长迅速（已获超 8k star）。另一个值得注意的项目是 ModelScope 的文本到视频套件，其中包含了多种架构的实现。然而，这些社区努力面临着相同的基本扩展挑战：训练世界级视频模型的计算成本，对于除资金最雄厚的实体之外的所有参与者而言，仍然高不可攀。
| 模型/方法 | 预估训练算力 (PF-日) | 最大输出长度 | 推理延迟 (预估) | 关键架构差异点 |
|---|---|---|---|---|
| OpenAI Sora | 50,000-100,000 (预估) | 60 秒 | 90-180 秒 | 扩散 Transformer，时空补丁 |
| Runway Gen-2 | 10,000-20,000 (预估) | 18 秒 | 45-60 秒 | 级联扩散，运动笔刷 |
| Stable Video Diffusion | 5,000-10,000 (预估) | 4 秒 | 15-30 秒 | 潜在视频扩散，基于图像模型微调 |
| Pika 1.0 | 未公开 (专有) | 10 秒 | 30-45 秒 | 混合 GAN/扩散，侧重风格化 |
数据启示： 上表清晰地揭示了输出长度/复杂性与预估训练算力之间的相关性。Sora 设定的 60 秒雄心目标使其所需算力级别比最接近的竞争对手 Runway 高出一个数量级，突显了扩展时间连贯性所带来的非线性成本。这一经济现实很可能是其被关停的主要驱动力。
关键参与者与案例研究
Sora 退出留下的突然真空，立即重塑了竞争格局。Runway ML 成为最直接的受益者。凭借 Gen-1 开创 AI 视频领域，并快速迭代至 Gen-2 及更高版本，Runway 已在专业创意人士中建立了稳固的立足点，并构建了可持续的订阅业务。他们的战略侧重于实用工具——运动笔刷、局部重绘和风格一致性——而非单纯追求更长的时长。CEO Cristóbal Valenzuela 始终强调“艺术家在循环中”的重要性，这一理念可能比完全自主生成更具商业韧性。
Stability AI 以其开源路线代表了另一个主要竞争者。尽管其 Stable Video Diffusion 模型生成的视频片段较短，但该公司押注于社区创新和微调，以推动跨多样化用例的采用。创始人 Emad Mostaque 一直直言不讳地强调去中心化开发的重要性，尽管该公司自身的财务困境突显了将开源生成式 AI 货币化的难度。
Pika Labs 凭借对美学控制和用户友好界面的关注，开辟了一个独特的利基市场，最近已获得大量资金以扩展其运营。Google 和 Meta 则是该领域潜在的巨头，拥有广泛的研究（Google 的 Imagen Video，Meta 的 Make-A-Video），但在商业部署上相对谨慎。它们庞大的基础设施或许能消化那些拖垮小型参与者的计算成本，但也面临着关于深度伪造泛滥的严格审查。
一个关键的案例研究是 Midjourney，该公司坚定地避开视频领域，专注于巩固其在 AI 图像生成市场的统治地位。创始人 David Holz 曾公开质疑 AI 视频的近期消费者需求，认为技术复杂性和成本超过了当前的实际效用。Midjourney 的盈利能力与视频生成领域许多重量级玩家所面临的沉重亏损形成了鲜明对比。