技术深度解析
根据其技术报告，OpenAI最初的Sora架构是一个扩散Transformer（DiT）模型。它通过文本嵌入引导，逐步将随机噪声去噪为连贯的视频帧。其关键创新在于将视频数据在空间和时间维度上的“补丁”视为“令牌”，类似于Transformer处理文本的方式。这使得Sora能够利用缩放定律，生成长达一分钟且连贯性惊人的视频。
然而，此次战略转向暗示了技术将在此基础之上继续演进。OpenAI正在应对的核心挑战是从*生成*转向*模拟*。纯粹的视频生成器创造看起来合理的像素；而世界模型需要理解物理规则、物体恒存性、因果关系，并允许交互式操控。这可能需要涉及以下方面的架构增强：
1. 与LLM规划的集成： 与GPT-4等语言模型紧密耦合，不仅用于提示词条件控制，更用于分层规划。LLM将生成事件的高级“脚本”，然后由Sora的视觉引擎进行模拟，并通过反馈循环进行一致性检查。
2. 潜在世界状态表征： 超越生成原始像素，转向维护模拟环境状态的持久、抽象表征。这类似于“神经场景表征”或具备3D感知的潜在空间概念，允许跨时间对物体进行一致的操作。
3. 支持强化学习的输出： 对于机器人学和智能体训练，模型不仅需要输出像素，还需要输出可操作的状态信息和奖励信号。这意味着系统可能拥有独立的“头部”，分别用于渲染和向训练中的智能体提供简化的、结构化的环境数据。
一个探索类似概念的相关开源项目是CausallWorldModels，这是一个实现了带有显式因果推理模块的世界模型的GitHub仓库。虽然远比Sora简单，但其架构突显了研究界从模式识别转向因果模拟的关注点。另一个是M-Arena，一个用于在模拟3D环境中评估多模态智能体的基准和框架，它强调了对此类复杂系统进行标准化测试日益增长的需求。
| 能力维度 | Sora v1（视频生成器） | Sora v2+（世界模型核心） |
|---|---|---|
| 主要输出 | 视频像素 | 视频 + 场景状态表征 + 动作空间 |
| 时间一致性 | 短期连贯性 | 长期因果一致性 |
| 交互性 | 无（一次性生成） | 可查询与可操控（例如，“将汽车向左移”） |
| 集成点 | 视频API调用 | 智能体训练循环中的核心组件 |
| 底层目标 | 视觉逼真度 | 物理合理性与预测准确性 |
数据启示： 上表说明了工程优先级的根本性转变。成功的衡量标准从主观的视觉质量评分（如人类偏好评级）转变为物理准确性、状态预测误差以及在模拟环境中训练的AI智能体性能等客观指标。
关键参与者与案例分析
OpenAI并非在真空中运作。构建基础世界模型和模拟平台的竞赛涉及多个采用不同战略的关键参与者：
* Google DeepMind： 一个直接且强大的竞争对手。他们在Genie（一个从图像生成交互式环境的模型）和SIMAs（可扩展、可指导的多世界智能体）上的工作展示了一条并行路径。特别是SIMA，它在多个视频游戏环境中接受训练，以遵循自然语言指令，明确以可泛化的智能体智能为目标。DeepMind的优势在于其深厚的强化学习传统和庞大的计算资源。
* Meta AI： 通过如VC-1（一个在自我中心视频数据上训练的视觉皮层模型）等项目及其在具身AI领域的持续工作，追求一种更开放、更基础的科学方法。Meta的战略利用了其庞大的第一人称视频数据存储库（来自Ray-Ban Meta智能眼镜），以及为研究社区构建广泛的预训练模型的理念。
* NVIDIA： 正在通过Omniverse（一个物理精确的模拟平台）构建基础设施层。虽然Omniverse本身并非AI模型，但它提供了“数字孪生”环境，像Sora这样的AI模型可以在其中部署和测试。NVIDIA的优势在于硬件（GPU）、模拟软件和AI工具的全栈集成。
* 初创公司与研究实验室： 像Covariant（机器人AI）和Wayve（自动驾驶）这样的公司正在为其特定领域构建专业化的世界模型。他们的工作证明了精确模拟对于训练现实世界系统的商业价值。
| 实体 | 主要路径 | 关键资产/项目 | 目标领域 |
|---|---|---|---|
| OpenAI | 将视频生成模型升级为通用世界模拟核心 | Sora（战略转型后） | 通用AI基础设施、智能体训练 |
| Google DeepMind | 结合生成模型与大规模多环境智能体训练 | Genie, SIMA | 通用游戏与任务智能体 |
| Meta AI | 基于海量第一人称视频数据构建基础视觉模型 | VC-1, 具身AI研究 | 开放研究、AR/VR、机器人 |
| NVIDIA | 提供物理精确的模拟平台与全栈硬件支持 | Omniverse | 工业数字孪生、自动驾驶、机器人仿真 |
| Covariant, Wayve 等 | 构建垂直领域专用的世界模型 | 各自专有技术栈 | 工业机器人、自动驾驶汽车 |