对 OpenAI 整体而言，以一种迭代的方式部署技术非常重要——我们不能只在取得重大研究突破时，就给世界扔下一颗重磅炸弹。我们希望社会与技术共同演进。因此，我们认为现在就这么做非常重要，而且要以这种方式去做：我们再次迎来了视频领域的 GPT-3.5 时刻。我们要确保全世界都意识到现在可以实现什么。另外，我们也要开始让社会慢慢适应，为这种长远愿景摸索出运行规则——未来会有你自己的复制品在 Sora 里、在虚拟空间中四处运行，执行任务，然后在物理世界中汇报回来。因为从长远来看，这就是我们要去的方向。今天的 Training Data 节目，我们与 OpenAI Sora 背后的团队坐下来对话：Bill Peebles、Thomas Dimson 和 Rohan Sahai。你将听到关于 spacetime tokens、构建内部 world simulators，以及为什么针对创作而非消费进行优化对社交平台更有利。这次对话远远超越了视频生成，深入探讨社会将如何与强大的模拟技术共同演进。我们保证这是一次真实的现实对话，而非视频生成的，但我们不知道该如何向你证明这一点。让我们开始吧。大家好，感谢你们来到 Sequoia。祝贺 Sora。谢谢。也许你们可以先介绍一下自己，以及是如何加入 OpenAI 和 Sora 的？好的，我是 Bill，OpenAI Sora 团队的负责人。我的路径比较传统，本科期间做视频生成研究，之后在 Berkeley 继续这项工作，然后加入了 OpenAI，从第一天起就参与 Sora。我是 Thomas，在 Sora 团队担任工程负责人。我的故事稍长一些，我曾在 Instagram 工作约七年，参与搭建早期的一些机器学习系统和推荐系统，但当时那还是一家很小的公司，大约只有 40 人。后来我辞职创业，做了一段时间浏览器里的 Minecraft，这个话题我们聊过几次。我想 OpenAI 注意到我们有一支非常出色的产品团队，于是收购了我们公司。之后我在 OpenAI 内部的不同产品间辗转，也做过研究侧的 post training 工作。但非常高兴我们最终能一起在 Sora 上把这件事做成。中间那款产品也很酷，比如 global illumination 产品。是啊，我仍然相信它。我也是。我是 Rohan，加入 OpenAI 大约两年半了。一开始在 ChatGPT 做 IC，但当我看到视频生成研究后，很快就被 Sora 吸引，转到了那边。目前我领导 Sora 产品团队。在此之前，就是在硅谷的各种创业公司、大公司里做过一堆不同的事情。酷。Bill，你是 diffusion transformer 的发明者。能告诉我们这是什么吗？是的，大多数人对 autoregressive transformers 已经很熟悉了，它是当今许多语言模型的核心技术。在那里，你一次生成一个 token，以前面所有 token 为条件来生成后续内容。Diffusion transformers 则有所不同。它不是将 autoregressive modeling 作为核心目标，而是使用一种叫做 diffusion 的技术。从高层来看，它基本上是对某个信号（例如视频）加入大量噪声，然后训练神经网络去预测你所添加的噪声。嗯。这是一种不同的迭代式生成建模。不同于 autoregressive 模型那样逐个生成 token，diffusion 模型是通过逐步去除噪声来生成内容。在 Sora 1 中，我们真正将这项技术推广到了视频生成模型领域。如果你看看美国和中国市面上的其他竞品模型，它们大多基于 DiTs，也就是 diffusion transformers。很大程度上是因为 DiTs 对视频来说是一种非常有力的 inductive bias。因为你是同时生成整个视频，这就真正解决了质量随时间退化或变化的问题，而这是此前视频生成系统的一个大问题，DiTs 最终解决了它。这就是为什么你会看到它们在视频生成技术栈中大量涌现。当我试图想象它时，我是说对于每次 diffusion，你有一个像素矩阵，然后你同时处理整个视频——我想你可以把它看作不同的帧。你能把它想象成一个随时间变化的矩阵的矩阵吗？好问题。我们实际上是在 spacetime tokens 的粒度上考虑问题的，这个说法听起来有点疯狂。但比如说，字符是语言非常基本的构建单元，而在视觉领域，核心概念其实是 spacetime patch，对吧？你可以想象这个小的长方体组合了 X 和 Y，也就是空间维度，以及一个时间位置。这实际上就是你能够用来构建视觉生成模型的最小单元。所以 diffusion transformers 处理这些单元时，你几乎可以把它想象成逐 voxel 进行。在传统的 diffusion transformer 模型中，所有这些小的 spacetime patch 会与其他所有 patch 进行信息交换，正因如此，object permanence 这类特性才能自然涌现，因为 basically 你对视频中每个时空位置发生的一切都拥有完整的全局上下文，这对神经网络来说是一种非常强大的特性。嗯。那么，这是否相当于 attention mechanism 捕捉物体在视频中的运动？是的。在 Sora 1 那篇关于视频生成模型作为 world simulators 的博客文章中，我们展示了一些可视化内容，正好涉及你提到的这一点——attention 实际上是一种非常强大的机制，对吧？用于跨时空共享信息、进行交流。如果你以这种方式表示数据，也就是将其 patchify 成一系列 spacetime tokens，只要你恰当地使用 attention mechanism，就能让信息在整个视频中一次性传递。嗯。Sora 1 和 2 之间最大的区别是什么？我记得在最初的 Sora 1 中，你们已经观察到一些 emergent properties——随着 scale 增加，模型越来越能够理解物理规律。Sora 2 纯粹是 scaling 的产物，还是有什么最大的不同？好问题。自 Sora 1 发布以来，我们花了很长时间专注于核心的生成建模研究，以弄清楚如何实现视频生成能力的下一次 step function improvement。我们基本上是从 first principles 出发的。我们真的希望这些模型在物理方面极其出色，希望它们给人一种智能的感觉，而我觉得大多数此前的视频生成模型做不到这一点。我的意思是，如果你看看此前市面上的任何一批模型，你会发现有很多类似特效的东西。比如当你尝试做任何复杂的物理交互序列时，对吧？例如，像那种经典的体操扣杀。经典。像你之前那样骑龙。骑龙，那很有趣。那其实是真实发生的，Konstantin。天哪，快说说。嗯，你知道，上一代模型存在非常明显的问题，而我们推出 Sora 2 正是为了解决这些问题。我认为与之前的模型相比，这个模型一个很酷的地方在于，当它犯错时，它的失败方式实际上非常独特，是我们以前从未见过的。具体而言，例如，假设输入给 Sora 的文本提示是“一位篮球明星想要投篮”，对吧？投一个罚球。如果他在模型中没投中，Sora 不会神奇地引导篮球进入篮筐，对吧？并非为了过度迎合用户的请求而强行让球进筐。实际上，在大多数情况下它会遵循物理定律，篮球会真的从篮板上弹开。因此，模型失败与智能体失败之间存在一个非常有趣的区分，对吧？这里的智能体指的是 Sora 在生成视频时隐式模拟的智能体。我们在此前的视频模型中并没有真正见过这种非常独特的语义失败案例。这在 Sora 2 中确实是全新的。这在某种程度上是我们在核心生成建模研究上投入的结果，从而实现了能力的大幅提升。嗯。好吧，所以这不仅仅是规模的函数。实际上，你知道，这里面隐含了某种智能体的概念。你们在做的事情超越了单纯扩大模型规模。嗯，我想说的是，智能体这个概念实际上主要是从规模中隐式涌现的。就像，你知道，我们之前展示过的那样，物体恒存性在 Sora 1 的预训练中，当达到某个关键的 FLOPs 阈值时就开始出现了；我们在推进下一个前沿时也会看到类似的事情发生，对吧？于是你开始看到这些智能体表现得更聪明。你开始看到物理定律以一种在较低计算规模下不会出现的方式被遵循。时空 latent patch 的概念与时空 token 有什么关系？又与物体恒存性以及事物在物理世界中如何运动有什么关系？是的，这是个好问题。我想说时空 patch 和时空 token 大致上是同义的。我会交替使用它们。你知道，真正美妙的地方在于，当人们开始将语言模型从 GPT-1 扩展到 GPT-2 再到 GPT-3 时，我们真的开始看到这些系统内部涌现出了世界模型。而这其中的美妙之处在于，用于创建训练数据的 tokenizer 实际上非常简单。但尽管表征方式如此简单，对吧，比如 BPE 字符之类的，当你向这些系统投入足够的计算和数据时，为了真正解决预测下一个 token 的任务，你需要发展出一种关于世界如何运作的内部表征，对吧？你需要去模拟事物。而且，你知道，目前在较低计算规模下模型会犯很多错误，但当你继续将其从三代推到四代再到五代时，你会看到这些内部世界模型变得越来越稳健。视频领域也是如此，对吧？而且在很多方面更加显式。因此我认为用视频数据来想象世界模型或世界模拟器是什么样子会更容易，对吧？因为它实际上就是在表征所有现实的原始观测比特。但是，真正 remarkable 的地方在于，因为这些时空 patch 是一种非常简单的、高度可复用的表征，可以应用于任何类型的数据，对吧？无论是这个布景的视频 footage，还是动漫、卡通，随便什么。你就能够构建一个神经网络，在海量且极其多样的数据上运行，并真正建立起极其强大的表征，来建模世界中非常可泛化的属性，对吧？拥有一个世界模拟器来预测卡通会如何展开是有用的，同样，用它来预测这段对话可能会如何展开也是有用的。因此，这确实给 Sora 施加了很大的优化压力，让它以一种非常数据高效的方式去领悟这些核心的基础概念。你们是否需要努力筛选数据，使其反映物理世界？例如，我想象如果你们有来自物理世界的数据，它们都遵循物理定律。但你提到了动漫，那可能并不总是遵循物理定律。你们是否必须进行筛选，还是它自然地找到了将两者分开的模式？这是个非常好的问题。我们确实花了很多时间认真思考，对于一个世界模拟器来说，最优的数据混合应该是什么样的？说到你的观点，我认为在某些情况下，我们会做出一些决定，可能是为了让模型变得更有趣。例如，人们喜欢生成动漫。但你知道，动漫未必能完美体现那些对现实世界应用直接有用的物理定律。换句话说，对吧？我认为动漫中某些被简化的基元实际上可能对理解现实世界有帮助。例如，人物仍然会在场景中移动。但如果有一只疯狂的龙在飞来飞去，那可能对理解空气动力学之类的东西就没那么有用了。
《龙珠Z》基本上就是我学习运动的方式。你看，就是这样。运动和超级赛亚人。这是个有趣的问题，我也不知道答案：是否在视觉世界的简化表征上进行预训练——无论是素描还是其他某种模态——会以某种方式让你更高效地领悟这些概念。我认为这实际上是一个非常有趣的科学问题，我们需要更好地理解它。你认为我们快要耗尽现有的预训练 token 了吗？还是说视频数据实在太庞大了，实际上是尚未被充分挖掘的数据储备之一？是的，我的想法是，视频每比特的智能密度远低于文本数据之类的。但如果你对所有真实存在的数据进行积分，总量则要大得多。所以直接回答你的问题，我认为很难想象会彻底用完视频数据。它在世界上存在的形式实在太多了。嗯，我认为，你会处于一种可以持续为预训练运行增加越来越多数据，并在很长一段时间内继续看到收益的状态。你认为我们有可能发现新的物理学吗？有一种观点认为，LLM 的世界，或者说爱因斯坦在白板前思考，就等同于这些 LLM 的思考。还有一种观点是，如果你开发出一个完美的模拟器，并且越来越好地模拟物理，你可能会学到一些关于世界的东西，那些我们尚未了解的东西。我完全认为这总有一天必然会发生。而且我认为，我们可能还需要模型质量再发生一次阶跃式提升，才能真正达到例如可以在模型中进行科学实验的阶段。但你可以想象，有一天你会拥有一个世界模拟器，它对物理定律的泛化能力如此之强，以至于你甚至不再需要现实中的湿实验室，对吧？你可以直接在 Sora 内部运行生物学实验。当然，这需要大量工作，才能真正让系统变得足够稳健、可靠地完成这些任务。但在内部，我们一直把 Sora 1 视为视频领域的 GPT-1 时刻。这是该模态第一次真正开始奏效。至于 Sora 2，我们确实将其视作 GPT-3.5 级别的突破——它能够真正激发全球的创意活力，并打破可用性壁垒，让我们看到这些模型的大规模普及。而我们需要一次 GPT-4 级别的突破，才能将其真正推进到对科学有用的阶段，就像我们现在在 GPT-5 身上看到的那样。感觉我每天都在 Twitter 上看到 GPT-5 Pro 又改进了某个凸优化下界。我认为最终 Sora 也会在科学领域带来同样的变化。你认为要达到这一步，需要在物理世界中有 embodiment，还是说很大程度上可以在模拟中完成？你知道，每次我们往这些模型里再投入 10 倍算力，总会神奇地涌现出新能力，而训练数据和基础方法几乎没什么变化，这让我一直感到非常惊讶。我怀疑一定程度的 physical agency 肯定会有所帮助。我很难相信这会让你在建模碰撞或其他类似问题上变得更差。不过，仅依靠视频本身就相当 remarkable，如果它实际上对于构建通用世界模拟器而言在某种程度上是 AGI complete 的，我也不会感到惊讶。那么，对于这个通用世界模拟器、世界模型的概念——对，就是那种你可以在里面做科学实验的世界。你认为视频是唯一的输入，还是说视频和文本某种组合作为联合数据输入来训练这类模型？还是说必须基于已知的、更结构化的物理定律和生物学定律？我认为这在很大程度上取决于你对这个世界模拟器所设想的具体用例。比如，如果你只是想精准建模一场篮球赛是如何进行的，我其实认为仅靠视频数据，甚至再加上音频，就足以构建这个系统了。 ——如果是我打篮球的话就不行了。那会是个非常不准、非常糟糕的篮球选手。要知道，Sora 目前对人类打篮球方式的理解，Constantine，可能也就是你这个水平。哇，好吧，说得通。有可能。有可能。呃，我说——你刚才其实在损你自己吧。我—— —— 很准确。比我的水平强，Constantine。话说回来，那是 Sora 1 阶段的情况。我们我们我们我们我们我们—— ——我们去投几个篮吧。他们是会这么说吗？比如“算我一个”。好吧，算我一个。对，“他投了几个篮”。谢谢。他投了几个篮。对。Thomas 是第一个。 这是他在播客里的第一句话。我认为一个有趣的问题是，这种通用模拟系统应该包含哪些模态。当然，如果你增加更多模态，我很难相信这会降低智能水平。但我也认为，我们可以提出这样的论点：仅仅不断添加模态，相比完全掌握视频和音频等模态，并不会带来显著的边际价值。这是一个有趣的开放性问题。我现在其实也不太确定。这是我们还需要更多去理解的东西。对，太酷了。Sonia 刚才提到了白板前的爱因斯坦。这显然让我想到了你，Thomas，还有你的头发。 ——我也是。呃，这迟早会被提起的。如果说有什么头发能给人时空 token 的感觉，那 definitely 是你的。话说回来，Bill，你是这项革命性技术的创造者，它改变了 AI 视频的制作方式。从 Sora 1 到 Sora 2 的某个时刻，你说：“好了，大家一起上。”你说：“这需要一个应用层围绕它。做应用是有好处的。”你把全世界最优秀的一些产品人聚到了一起。这个团队是怎么在 OpenAI 组建的？对，我的意思是，故事从来不像你想的那么线性。所以，我想说，我们从一开始就有 Sora 的产品团队。Rohan 在 Sora 1 时期就主导了那项工作。但我认为 Bill 说得对，那确实像是 GPT-1 级别的时刻。我们看到了一些非常有趣的苗头。但模型当时还没有声音，没有声音的视频是完全不同的环境。所以我们在那个产品层面主要面向的是 prosumer 群体。另外，Rohan 可能可以补充更多细节。与此同时，我们也在 OpenAI 内部探索 AI 的各种社交应用，以及那会是什么样子。我们做过很多原型，大部分都很糟糕。而当我们开始看到一些魔力时，其实是在 ImageGen 发布之前。我们在内部以社交场景测试它。社交场景下很有意思的一点是，人们会拿一张图，然后形成一连串的 remix：比如，先是只鸭子，然后鸭子跑到了某人头上，然后所有东西都颠倒了，他们在抽烟。就是各种奇怪的事情会发生。对，就是 我们看到这些就在想，“哦，这非常有趣，因为在社交媒体上没人能真正这么做，因为创作点什么或者在此基础上发挥实在太难了。门槛非常高。你可能得去架个相机，而且不只是想出个点子而已，实际上涉及很多事情。”于是我们想，“好吧，这是一种非常神奇的行为模式。我们怎么把它产品化？”当时我们主要在 Sora 之外思考这个问题。Sora 的一些研究还在进行中，虽然已经有了一些生命迹象，但还没达到可以产品化的程度。Bill 可能脑子里早就有了想法。就像“我能看见未来”，不过没关系。我呢，暂时还看不太清未来。 所以，我们就只是探索。我们尝试了一些东西，然后在某个时刻，研究确实展现出了非常明确的价值，甚至是足以支撑迭代部署的价值，让人觉得“哦，这是人们真正会想要的东西”。所以我们大概是在两三个月前启动了这个项目，对吧？没过多久。 ——大概是七月四号那周。 ——七月四号那周。对。 ——你消失了，Thomas。 ——我就是那时候消失的，对。没错。 —— ——然后我们就像下定决心，“好了，我们终于要干了。”你知道，那是一个关键时刻。而且我们一开始并没有什么神奇的功能。就是说，好吧，我们先试试做一个原生视频环境，可以全屏播放并听到声音。然后我们快速做了一些生成。展示出来的东西非常酷、非常有趣、非常吸引人。正是基于这样的画面和体验，我们开始思考：这里最神奇的地方在于，创作的门槛极低。从 Instagram 的背景来看，让用户在 Instagram 上创作几乎是不可能的，而创作恰恰是人们最有价值的行为。那么这能解锁什么呢？就是说，Image Gen 那边的 remix 功能，也许在这里也适用。于是我们头脑风暴了各种 remix 如何运作、在这里 remix 意味着什么。其中一个想法就是这个 cameo 功能，我觉得 Bill 脑子里也有这个想法，但你知道，它就在空气里。它确实就在空气里。但我们只是在产品上快速捣鼓各种东西。我们就想，试试这个管不管用。我完全觉得它不会成功。但它就在清单上，清单上还有其他一些东西，有些相当疯狂。你为什么觉得它不会成功？我不擅长预测技术走向。 就是说，我当时不太确定你是否可以提取一个人的 likeness，然后把它想象重构到视频里。以及这到底能不能行。所以我们早期做了不同原型的尝试，比如人们在视频角落里做反应之类的。但当我们看到 cameo 开始奏效，甚至在内部玩起来时——Rohan，你还记得那天吗，我们就像——
对。Feed 里全是 cameo。对，全是。就是从我们没有这个功能，到一旦有了这个功能，团队在内部就找到了 product market fit，我们生成的所有内容都是彼此。你肯定看到了，我是说，对，一开始我们只是觉得，这太搞笑了，太绝了。然后大概一周后，我们发现，我们还在玩这个。所以这里头有戏。对。其实一开始我们还有点犹豫，这好吗？就是说，信息流里全是 cameo 了。其他人会在意这个吗？人们会在意其他人做的事吗？然后我们逐渐意识到，不，不，这其实很好。实际上它会让我觉得想回来看，而且让它变得非常有人情味。很多 AI 视频只是静态场景，很美、很有趣，可能有极其复杂的场面，但它们失去了人的触感，而 cameo 真的让人感觉又把人情味带回来了。这也是从 Image Gen 学到的。Image Gen 之所以能爆发、有病毒式传播的时刻，是因为人们可以用前所未有的便捷方式把自己放进这些场景里。Obviously 那种大规模的"把我放进 Ghibli 场景"的潮流，人们和偶像自拍之类的。所以一旦你真的去想，就会发现 cameo 功能非常合理。你把自己放进各种场景，这比什么都刺激，你和朋友一起。很新奇，是以前做不到的事。对。再加上 remix，其实 cameo 本身就是一种 remix，但然后你会开始想，好吧，现在我可以拿 Rohan 做的事来发挥了，或者不管是什么。比如 Bill 和你被包在一个 action figure 包装里，然后被 remix 了无数次。几千次。对，就是非常疯狂的事情不断发生，非常涌现式地发生。很多我从未想过的东西。实际上，你们俩公开 po 的生成内容到现在有多少了？我不知道。我估计有 11,000 左右吧。我好像稍微少一点。哇。对。太疯狂了。关于真正坚持用 Sora 的用户类型，什么让你感到意外？它到底在谁那里火了？如果你去看最新信息流，就像所有内容的 firehose 一样。对，那就是——
Spacetime Thomas 模式。外面太 wild 了。但这能让你很好地 snapshot 正在发生的一切。我是说，我们每天大概有将近 700 万次生成。所以你可以想象信息量有多大。这是我最喜欢的获取产品反馈的方式之一。人们做的内容类型、人群类型都非常多样。年龄层完全不同。有些人只是把自己放进一些看起来像是激励导向的场景里。有些人只是和朋友玩梗。有些人给那些已经在平台上做了 cameo 的公众人物做 cameo。所以这种多样性让我惊讶。我本来预期是那种 Twitter 上的 AI 人群会主导信息流。他们肯定主导了媒体报道周期，至少在我们最常接触的那些里。但实际使用的人群非常广泛。最后一点是，这和之前那批小众 AI 电影人群有很大不同，他们是很好的早期采用者。但我以为会从那里开始，实际上感觉一开始就是范围更广的人群。我觉得登顶 App Store 有帮助，让很多浏览的人看到了这个东西。我妈妈一直在给 Thomas 做 cameo。是吗？
太奇怪了。我收到很多奇怪的 cameo。你说 11,000。
她做了 10,000 个。
Thomas，如果我没记错的话，你写了 Instagram 最初的算法，就是 ranking algorithm。Sora 2 的博客文章里有很多内容，关于你们在排名算法上显然非常用心。你能谈谈从 Instagram 学到的经验，以及你们现在在 Sora 是怎么做的吗？对。其实有很多可说的。我觉得思考这些平台，特别是 Sora 时，首先要想到的是我之前提到的创作。Sora 让基本上每个人都能在这个平台上成为创作者，这和 Instagram 非常不同，在那里创作人群遵循极端的 power law。而且 power law 自然会变得越来越……narrow？该用什么词？越来越 head heavy，对。所以有时候我觉得我得为 Instagram 的算法辩护一下。我们这么做是有原因的，是为了解决一个问题。不是为了优化广告之类的随机决定。我们这么做的原因是，我们注意到 Instagram 上随着时间发生的事是，因为它是按时间排序的，每个发帖的人都保证能占据所有关注者信息流的顶部位置。所以你想想，在那个环境下，人的动力其实是不断创作，因为他们创作时保证能获得分发。而随着时间的推移，因为这种 power law 变得越来越重，或者说越来越 head heavy，那类人——他们很优秀，为生态提供了很多价值——但开始把你真正关心的人挤出去。所以，嗯，也许你在关注 National Geographic 之类的账号，不是要说 National Geographic 坏话，我很喜欢他们，但你要知道，如果他们一天发 20 条，你的朋友可不会。你们没有相同的，呃，优化目标。你朋友可能只会发一张咖啡照片之类的。于是你会看到 20 条 Nat Geo 的帖子，然后是一张你其实很在意、却根本没刷到的照片。如果采用固定排序的话，这个问题没有太多解决办法。其一是你得取关所有这些你可能在意、但不如那位一天发一条的朋友那么在意的账号。其二就是你必须对信息流进行，呃，重新排序。于是我们选择了那条路。我们试了，在内部做了测试。这么做当时挺有争议的。但我觉得这其实可以用数学证明。基本上，随着时间推移，你必须掌控平台上的内容分发，才能避免这类问题，把人们真正关心的内容展示给他们。这就是我们这么做的原因。而且它确实展现出了很大价值。我记得早期的测试。我不会透露具体数字，但结果其实相当明确：它让你看到了更多你关心的人。它改善了你在平台上的体验。它实际上带动了创作，这很不寻常。人们因为看到了更多触手可及的内容，所以创作得更多了。但我也觉得，这些东西随着时间推移可能会跑偏。我不会说 Instagram 的算法就是绝对坏或绝对好。但当我们开始向更多非关注内容开放，而且广告压力非常大的时候，公司自然有动力去优化无脑消费，因为这样才能赚钱。所以，也许是更廉价的内容，或者只是让人们不停地往下刷。这也可能导致人们更少创作，因为那是一种更无意识的刷视频模式。但你们非常具体地承诺要采取措施防止这类行为。是的，我们承诺过。我们已经部署了很多缓解措施，但对我来说，归根结底是：我们作为一个平台到底想做什么？我认为这项技术的魔力在于每个人都是创作者。所以我们希望这个信息流能为你优化创作，激发你去创作。有时候你想到灵感，会想到那种美得不可思议、极其优雅的画面。但当我想到这些，我想到的是梗图文化，或者某种特别搞笑的东西，你会说：哇，太酷了，我得跟着玩一下。我觉得刷信息流时，那是一种完全不同的思维模式。当然我们还做了很多其他事情。我觉得要从激励机制开始。我们现在的激励机制就是鼓励生态系统中产生更多创作。但确实有些使用场景是我们想要防止的。我们不会每次都判断正确。这非常有挑战性。这是一个非常动态的、活着的系统。而且当你没有数据、不知道该推荐什么、也不知道平台会如何演化的时候，写一个推荐系统也非常困难。但这基本上就是我对信息流激励机制的思考。此外我们还做了很多缓解措施，我觉得你也在思考这些，甚至可能比我想得更深入，比如防止某些极端情况。所以不知道你想不想聊一点这个。好啊，很乐意。但在那之前，我是说，有一点要补充：优化创作这个既定目标目前效果真的很好。是的。几乎所有通过了邀请码等环节进入 app 的人，第一天都会进行创作。当他们再次回来时，70% 的情况下他们回来是为了创作。而且 30% 的人实际上会把内容发到信息流里。也就是说不只是为自己生成，而是真的发布到生态系统中，这极好地证明了模型的能力、它的趣味性，以及我们优化的方向目前确实运转得相当好。但除此之外，我最关心的一点是：我不想让这变成无脑地刷。除了在排序算法中优化创作之外，我们还可以做一些事情，比如试着让你跳出单纯消费的沉浸状态，把你推入创作模式。有一篇很棒的文章讲这个，大概是说赌场的曲线式设计，他们把它设计得让你永远不用做任何决定。就像你走圆圈，没有窗户，诸如此类。我们可以非常有意识地避免那样做。比如，信息流中弹出一个模块：嘿，你刚才看了几个这个领域的视频，要不要试着创作点什么？或者用其他方式把你从那种状态里推出来。我们的产品里其实已经有这类功能了。嗯，这些就是我能想到的一些事情。我真的很赞赏你们所做的，确保了这个世界不会走向另一种可能：视频模型作为世界模拟器，最终让我们每个人都缩回自己的电脑屏幕前，上瘾，退缩回自我。而且我认为你们把人文元素和社交元素放在如此优先的位置，这种用心真的很明显。我觉得我们不会推出一个只有 AI 内容、却没有人情味的信息流。光是那样不会让我们兴奋。而且一旦我们做出了产品，有了 cameo，我们内部就有了那种感觉。我们就觉得，好吧，这其实有点不一样，我也不知道。我不知道这是不是完全显而易见的。再说一次，那段冲刺相当疯狂。当时我们会做出什么东西来，并不是特别明显。但回过头看，这个主意是说得通的，但当时
cameo 会成为核心功能，这完全不是一个显而易见的产品决策。是啊。就是说，你当然想看到朋友们做很酷的事情。这听起来很合理。但其实在那个疯狂的产品冲刺阶段，我从来没太害怕竞争压力，因为我觉得我们做出了一系列非显而易见的决策，回过头看都很明显，但当时并不显然，而且我们还在不断叠加。比如 cameo。本来也可以有另一种 cameo，就是为你一个人打造的复杂流程，是单人模式的 cameo，你走完一套引导流程，自己做自己的事。但我们已经看到了一些有趣的动态，比如我可以把 Rohan 放进我的视频里。这太疯狂了。然后我们可以吵架，或者来一场动漫对决，什么都行。我就觉得，好吧，这才是人文元素。这才是它的魔力。尽管全是 AI 生成的内容，它实际上却奇怪地比很多社交网络都更具社交性。这非常反直觉。完全同意。它是一个独立的——是 Sora 2 的微调版本吗？还是说它和 API 上提供的模型是分开的，又或者 app 和 API 之间是一样的？是的。在产品层面，我们目前向 API 和 app 暴露的是相同状态的模型。好的，非常有趣。嗯，你在 API 端看到人们用它做什么？这和人们在消费者应用上做的事情不同吗？推出 API 的初衷，就是为了支持这些长尾用例。我们的愿景是让这项技术覆盖 ChatGPT 量级的消费者群体，但市面上还有非常多非常小众的需求。在 Sora 1 时期，我们出去和很多工作室聊了聊。他们告诉我们，希望以特定方式将这项技术集成到其技术栈的特定环节中。我们很乐意支持所有这些长尾用例，但不想为此做一千种不同的界面。所以我们很期待通过 API 看到这类应用。到目前为止，使用者更多是一些偏小众的公司，它们并不想打造第一方的社交应用，但可能拥有某种影视制作受众或服务的群体，甚至我们也看到过有人尝试——我记得有家公司在做 CAD 相关的东西，他们在用 Sora。对对对。所以外面有很多很酷的用例，我们还在逐步摸清它们到底是什么。是的，我觉得这些东西能做很多事。基于我的背景，我一直在想游戏这方面。你知道，AI 在游戏领域一直是个很有争议的话题，但很明显它有一席之地，也有其作用。也许它不必打断创作流程，而是可以增强它。我很期待看到这些用例涌现。你觉得现在的视频模型已经足够好，能让人们在 API 之上构建电子游戏了吗？还是说我们还得再等一两个版本？我自己对此有个看法。我要说的是，永远不要低估人们利用技术进行创造的能力。肯定会有人做出游戏，也许已经有人做出了。它看起来和感觉起来会是什么样呢？显然这个模型存在延迟问题，所以你得做各种疯狂的事情来解决，但我认为你的思维会立刻跳到那些在游戏里显而易见的做法上，我们当然也在一些研究博客之类的地方看到过这类东西。我常常会想，好吧，这是一种可用但不同的创意工具。真正让我兴奋的游戏类型，我扯远一点，有一款叫 Infinite Craft 的游戏，它是世界上最简单的游戏。这是一个网页游戏，你只需拿元素，比如火、水、土，一开始有四个元素，你拖动它们，我爱死这个游戏了。它们会组合成新东西。组合的过程是基于 LLM 的。所以火加土可能是火山，然后火山加水可能是海底火山或者哥斯拉之类的。不知道为什么，你最后总是会得到哥斯拉。但这款游戏让人觉得，哦，这还挺合理的，就是说，你其实不需要一个 crafting tree，LLM 可以推导出这个 crafting tree，而且这是一个发现的过程。所以我觉得这个领域还有很多未被挖掘的东西，再次强调，我喜欢“发现过程”这个概念。事实上，我对 LLM 以及某种程度上对视频模型的完整哲学观点是：这是一个发现的过程。所有东西都在 weights 里，你只是在用一个秘密代码——也就是你的 prompt——来解锁它。我喜欢这一点，这非常神奇。在游戏中，最让我感到兴奋的就是发现新东西，尤其是真正的发现，不是别人放在那里的，也许他们只是把机制搭好了。所以我觉得在游戏领域有很大机会，当你把游戏想成一种不同的东西，以一种非常不同的方式拥抱这项技术时。这让我想起 GPT-3 最早的一些用例就是那种文字游戏。是的。所以这和那种可玩的视频游戏不太一样，但实际上很多机制都非常像游戏。没错。我认为仍然存在限制，而且机制设计这方面仍然非常依赖人。就像很多早期基于 GPT-3 的游戏，是啊，好玩了一阵子，然后就开始失控，你会想，我好像不知道自己在干嘛了。
（笑声）
但话说回来，这在某种程度上也是 Sora 的特点，Sora 有点那种感觉，它骨子里有一点游戏的 DNA，让人觉得很有趣、很不一样、很有探索性。我喜欢这样的东西。而且我觉得还会有更多我们根本想不到的用例，太有创意了。你们在创意电影制作这边看到了什么？这是一个重要的目标市场吗？你们是想赋能长尾，还是赋能创意市场的头部？这是个好问题。我们从那些真正愿意全身心投入的早期技术——比如 DALL-E 1、DALL-E 2——的创意人士身上获益良多，他们真的帮助指引了我们的方向。我认为继续为这些人构建产品很重要。我们也在做一些长期面向创意高级用户的东西。与此同时，我认为 AI 在其最佳状态时是一种非常民主化的工具。所以 Sora 平台整体很美的一点是，每当有人挖到金子，你看到一些很棒的动漫 prompt 冲到所有人 feed 的最顶部，任何人都可以去 remix 它，每个人都有能力在此基础上创作，并向那些拥有惊人知识、知道如何把这些工具用到极致的人学习。所以我非常期待看到人类的整体创造力因此提升。但很重要的一部分是，继续赋能那些始终站在前沿的人，也就是这些更偏向专业取向的创作者类型的人。所以我们也会继续投资他们。我们对长片内容的愿景已经痴迷很久了，大概快两年了。是的，你有这些很棒的短内容和客串片段，但在某个时刻，个人创作者……这是你一直非常兴奋的事情。是啊。我们什么时候能达到那一步？会不会有一天出现一部用 Sora 2 制作的长片？我们如何消费它？是在 Sora 应用里？还是发布在其他网上平台？还是去电影院看？这是个好问题。我觉得这在某种程度上会分阶段发生。如果你们看了发布视频，那是 Sora 团队的 Daniel Freiden 做的。他已经能用这些工具在最多几天内产出极其引人入胜的短故事。他几乎是一个人、在极短时间内做出来的，而且之后他一直在 OpenAI 的 Twitter 上发新作品。所以很明显，这正在大幅压缩电影制作相关的周期。我认为，要达到真正让任何人都能做到这一点的程度，对吧？就像任何孩子在家里都能打开应用或 sora.com 之类的东西，然后去制作这个。你知道，这实际上更像是一个经济学问题，因为视频模型中，视频是计算密集度最高的模态，处理起来极其昂贵。而且你知道，我们的研究团队正在取得良好进展，确实在持续寻找方法，让这项技术在长期内对所有人来说都负担得起。比如现在，Sora 应用是完全免费的。未来可能会有一些方式，让人们付费以获得更多模型使用权，因为这是我们真正能进一步扩展规模的唯一方式。但我认为，我们距离这样一个世界已经不远了：任何人都能真正拥有工具去创作令人惊叹的内容。你知道，我认为会有很多烂片因此被创作出来，但同样，很可能下一位伟大的电影导演就坐在父母家里，可能还在上高中之类的，只是还没有获得投资或工具来真正实现自己的愿景。而当我们把这项技术交到全世界手中时，我们将会发现绝对令人惊叹的东西。我很期待长片版的 *Constantine's Greek Odyssey*。是的。即将在贵地影院上映。是的。我们都在里面，实际上扮演不同角色。我扮演独眼巨人。这片子很不错。我想再补充一点，关于推荐系统我反复学到的一点是：很多时候，让更多人变得更有创造力的工具，将成为一个巨大的突破，总体上让人们变得更有创造力，因为你不再需要接触电影制作设备之类的东西。但我们始终看到，内容在某种程度上也是一种社会现象，电影以及你在市面上看到的一切，除了内容本身之外，都有点社会现象的属性。所以我认为我们将进入一个非常有趣的世界，在那里有如此多的人在创作，有如此多的内容存在，以至于人们关注并观看内容这件事本身会变得越来越重要。而且我认为这实际上会提升内容质量，因为任何人都能创作，而实际上消费端将会相当有限，这与我们今天生活的世界非常不同。你们在对待 IP 持有者方面非常周到且有意为之。能就此说两句吗？你知道，我们与行业内很多人保持着紧密合作，并且确实在努力向他们展示这种新技术，对吧？这对所有权利持有者来说实际上是一个巨大的价值主张，对吧？而且我们从交谈对象那里听到了很多兴奋的声音。他们真的把这视为一个新前沿，让世界上每个孩子都能使用一些深受喜爱的 IP，并以一种比以前可能的更加个性化和定制化的方式将其带入自己的生活。是的。与此同时，我们确实希望确保我们以正确的方式来做这件事。所以我们一直在努力听取反馈，并确实以此引导我们的路线图，让我们知道用户在使用这些 IP 时会有很棒的体验，同时权利持有者也能得到适当的变现和回报，基本上实现双赢。所以我们现在正在积极努力，试图确定具体细节，比如我们要如何让你客串某部深受喜爱的电影中最喜欢的角色，你可以使用这个角色，但变现收益会回流到权利持有者手中，对吧？所以我们真的在努力弄清楚这种面向创作者的新经济模式。我们现在基本上得从零开始创建这套体系。关于如何以正确的方式做到这一点，存在很多深层问题。而且你知道，就像这个应用的所有事情一样，我们带着开放的心态来做这件事，听取反馈并快速迭代。我们不确定这最终会收敛到何种形态，但我们正在与各方密切合作来弄清楚。太酷了。未来有什么？宠物。是的。我想，我是说——抱歉，什么？宠物客串。让你的宠物客串。 这是呼声最高的功能之一吗？打住打住，对我来说是的。呼声最高的。不，我们其实——
提醒一下，我们刚才还在聊治愈疾病和世界模型 ，现在就到了未来——这是…… 不，实际上确实如此。我们承诺过这个功能。它就要来了。我们——我保证。我们当时测试这个功能的时候，用的是 Bill 的狗。最乖的狗狗。是的。而且实际上，让宠物出镜非常酷。你能想象这能延伸出什么。它不一定非得是宠物，可以是任何东西，比如钟表或你拥有的任何物品。嗯，是的。你有一个特别的钟表？其实它真的很吸引人。是的。在 Thomas 给我看这个钟表之前，我从没想过它能这么有吸引力。它就像一个有感知的钟表。它是——嗯，但它是基于一个真实的钟表。是的，我父亲曾经是个搞技术的人。他的公司 Veritas 在他某个周年纪念日送了他一个钟表。总之，我把它放在我桌上的某个地方。有一集老《辛普森一家》里他们提到了一个 walking clock，不知怎的，这在我脑海里萦绕了 30 年。所以我总是说，就像——他们在讲一个笑话，像是“这是个 walking clock 吗？”“这是个 walking clock 吗？”然后说“walking clock”，接着又说“不是吧，是我的狗。”所以在我脑子里就联系起来了，我想，好吧，Rocket walking clock。然后 我就试了一下。是的。所以在我脑子里就联系起来了，我们一直在摆弄这个，想看看能不能成功，以及其中是否有什么特别之处。这也是加入 Sora 团队的乐趣之一：你可以玩弄这种新兴疯狂的技术，它可能会做出你完全意想不到的事情。所以我给我的钟表录了一段 2 秒钟的视频，然后 我给了它一些客串指令，我说你就是一个 walking clock，你是 walking clock，你说话要像你的角色那样。然后我生成了我的第一个视频，太疯狂了，简直不可思议。它就是一个 walking clock。然后我还做了一个视频，是它在和 Bill 对话，Bill 说“我从没想过宠物客串功能真能落地”，然后这个 walking clock 说“我来了，你看，我做到了。” 它就要来了。这些都是内部梗。这就是新兴 IP 啊。是啊。当你能拥有一个 walking clock 的时候，谁还需要 Pokémon 呢？什么是最伟大的 IP？关于未来还有一件事要补充，关于长片的问题，我一直在想的是，它最终会是什么样子？我是说，不过要声明的是，Bill 才是这里唯一擅长预测未来的人。
但我认为，随着我们涉足更长的形式，我们对故事片的等价物看起来和感觉起来都会与今天的故事片非常不同。我不确定具体会是什么样子，但说到创作者以及即将到来的世界变化，我认为会出现一种新的媒介和一种新的创作者阶层——这个新阶层可以涵盖许多现有创作者，并支持现有的各种媒介等等——但我认为我们才刚刚开始，我所设想的是下一个电影产业，而不是把这项技术仅仅看作故事片。不过我认为会有全新的东西出现。有个轶事，我希望这是真的，因为我经常讲：显然，当摄影机刚问世时，人们做的第一件事就是录制戏剧。这大概是摄影机最无趣的用法了。就好像说，这有什么了不起的？哦，人们不用四处巡演了，我们可以把他们拍下来分发出去。然后有人突然想到：等等，[哼笑]我们可以拍电影，可以在这么多不同的地方取景拍摄。我觉得我们现在正处于第一局，人们会用这项技术做出许许多多不同的事情，尤其是在延迟、时长等限制条件发生变化的情况下。是的。一个非常酷又有趣的电影史极客知识点是，最早的影像之一——我们也该核实一下——我想就是在半岛那边拍的，目的是为了解决一场赌注：马飞奔时四只脚是否同时离地。我能想象这样一个世界，这是一个新科学发现的例子。当时人们其实没有答案。现在你有了一种新的模拟格式，我们能在其中发现什么？肯定会很疯狂。我想说的一个更宏观的点是，这个应用目前在很多方面让人感觉非常熟悉，对吧？它本质上就像一个社交网络。但从根本上讲，我们内部真正看待它的方式是，通过 Cameo，我们引入了一种最低带宽的方式，让你向 Sora 提供关于你自己的信息，对吧？你的外貌、声音等方面的特征。你可以想象，随着时间推移，这种带宽会大幅增加，对吧？这样模型就能深入理解你与其他人的关系，它理解的不仅仅是你某一天的长相，它还了解你完整的成长经历，以及关于你自己的所有这些细节。它将几乎能够像一个数字克隆体一样运作，对吧？真的会有这样一个世界：Sora 应用几乎变成运行在你手机上的迷你替代现实。你有自己的版本，可以去与其他人的数字克隆互动。你可以从事知识工作。它不只是为了娱乐，对吧？它会真正进化为一个平台，这与世界模拟能力的长期发展方向非常一致。我认为当这种情况发生时，我们将看到的新兴事物会很疯狂。而且，对于 OpenAI 整体而言，非常重要的一点是，我们要以迭代的方式部署技术，而不是在有什么重大研究突破时，突然向世界扔下一颗重磅炸弹。我们希望社会与技术共同进化。所以我们真的认为现在这样做很重要，以这种方式去做，因为我们再次在视频领域迎来了类似 GPT-3.5 的时刻。我们要确保世界意识到现在什么是可能的。同时，也要让社会开始适应，为这种长期愿景摸索规则——也就是你的复制体在 Sora 里、在网络空间中四处运行，执行任务，然后向物理世界汇报——因为我们长期的走向就是那里。太酷了。所以你们在建造多元宇宙。其实某种程度上是的，没错。好吧，那能不能让我的某一部分去里面找到我的灵魂伴侣？我是说，多元宇宙里一切皆有可能。
这是号召大家行动起来啊。不过这也挺疯狂的，因为——现在我要听起来完全疯癫了——但如果我们处于一个计算出来的环境中，你正在建造完美的模拟器。这某种程度上就是你最终理解并突破计算机环境的方式，对吧？我们是不是越来越接近逃出 Matrix 了？一些非常深刻的终极问题。是啊。
是啊。你们认为我们处于模拟中的概率（P）是多少？就像这一切正在兴起。是啊，我也是。你的概率是多少？我觉得很低。天哪。不过没关系，我尊重这个观点。我只是觉得，有时候必须面对现实。我感觉我大概在扎实的 60%。不知道，反正现在我觉得可能性超过一半。我也觉得是这样。哇。零。我们要不要拿这个赌一个 Calzone？
神谕怎么说？我赌 Sora 10 会给出答案。Sora 10，没错。
是啊。你认为 Sora 的理论极限是什么？这确实是个好问题。我稍微想过一下。比如有个问题是，你最终能不能在 Sora 里模拟一个 GPU 集群之类的东西？而且我假设，鉴于你实际运行它所投入的算力，在这些系统中能运行的计算量是存在一些非常明确的极限的。我还没有对此进行足够深入的思考，但我认为那里存在一些需要解决的根本性问题。是啊。看吧，这就是为什么他的概率（P）那么高。
太迷人了。哇。我这边有几个快问快答的问题，是临时想出来给团队的。不用急，想到答案随时说。截至目前，你在 Sora 上最喜欢的 Cameo 是什么？发生了什么？这太难选了。我有一个很热门的。快说快说快说。
呃，好吧。TikTok 上有个趋势，我莫名其妙就迷上了，我也不知道为什么，就是那些中国工厂参观视频，他们会说：“你好，我是辣椒，这是辣椒工厂。” 它们大概只有一个赞，那就是我点的。他们展示自己的辣椒工厂，然后说：“这就是辣椒工厂。” 我觉得太神奇了。或者还有一个工业化学厂的，有个……算了，我忘了名字，但反正有个工业化工厂。第一天我把 Cameo 选项开着，因为我想看看会发生什么。第一天深夜，我打开 Cameo，开始被标记在一些全中文的工厂参观 Cameo 里，我当时就想：“我进辣椒工厂了。” 我兴奋坏了，结果零个赞。我给自己点了个赞 ，虽然只有我自己，但我就想：“我现在就是辣椒工厂 guy 了，我在辣椒工厂剪彩呢，太棒了。” 这个梗太冷门了，所以恭喜你。趣事一则，我现实中真的参观过中国工厂，那场面确实震撼。是啊。我还看到一个 Mark Cuban 和 Jorts 到处跳舞的 ，那个相当不错，把我逗乐了。不过说到最让我开心的事，我最近刷动态时，看到很多温馨的内容，就是人们和朋友一起做些事情。其实最让我高兴的是，这些视频不一定有超级多点赞，但人们显然从和朋友一起拍视频中获得了很大价值。Sam 有很多爆款视频，我喜欢他跳那段 K-pop 舞蹈的，主题是 GPU 什么的，非常棒。说实话，如果能有完整版歌曲，我都想把它放到我的 Spotify 里。它是 Sora 生成的，但非常有吸引力。好，这就引出了下一个问题，因为你提到了 Spotify。一部完全由 AI 生成的作品，会先赢得哪个奖？Oscar、Grammy 还是 Emmy？我觉得从逻辑上讲，答案应该是一部短片赢得 Oscar。对，我也这么看。我们凭哪部作品获奖呢？比如《The Jorts》？对，就是《The Jorts》。会是《The Jorts》吗？《The Jorts》三部曲。对，我们需要新内容。我确实觉得，如果人们用有趣的方式把素材拼接在一起，其实可以开始做出非常有吸引力的叙事，而且不再让人感觉像是 AI 做的。我现在看到的一些内容就有这种感觉，用 Sora 做的也是这样。刷过去的时候，我都没意识到那是 AI 生成的，就只是觉得内容挺有意思。不过更有趣的问题是，我们怎么会知道呢？哦，对，也许已经发生了。也许已经发生了。
我觉得在 Oscar 方面，一个很酷的事情是，AI 将解锁历史上那些史诗般的长尾故事——关于英雄主义、挣扎抗争的故事，所有这些因为创作成本高昂而被封存的内容。作为一名历史爱好者，我迫不及待想看到 AI 解锁这些故事。你们看过那个 Bible 视频应用吗？没有。哦，真的很棒，之后我给你们看。这就是个完美的例子。或者像几年前那部电影《The Last Duel》，讲的是中世纪法国发生的一桩非常可怕的罪行，具有历史意义，也深刻揭示了人性，最终 Hollywood 拍出了这个关于人性的重要故事。但在人类历史中，还有多少这样的故事呢？那会非常酷。说说你最喜欢电影或电视剧里的哪个角色。我有个挺随机的选择。说吧。你们看过《Madagascar》吗？ King Julian。哦，是 Sacha Baron Cohen 配音的。他是只狐猴。他是只狐猴，没错。绝对是经典。他的幽默加上适合儿童的叙事，太完美了。我玩很多电子游戏，所以标准答案可能会是 Mario 之类的。不过我要说个更冷门的，我们以前总开玩笑说喜欢 PaRappa the Rapper。对，PaRappa the Rapper。那款很老的 PlayStation 游戏，最早的节奏游戏之一。艺术风格很棒，这个 IP 也很棒，就是这个小——他是什么来着？一只狗？是只狗，对。选得好。我小时候还打过一段时间的 Pokémon Trading Card Game 比赛。所以我当时真的沉迷 Pokémon。所以，怎么说呢，我选 Pikachu。 超级强行。 确实够冷门的。世界模型带来的第一项科学发现，尽可能具体地说。显然，你不会说出具体是什么发现。我猜可能会和经典物理学有关，比如关于湍流的更好理论之类的。这是我的猜测。我也猜会是这类方向。没错。 Navier-Stokes 方程？我不知道。对，可能是某种流体力学的问题，现在还挺难理解的。那里有很多尚未解决的问题。他们有时称之为 continuum mechanics，就是那种介于两者之间的状态，我们目前还没有好的模型。有些事情很适合做模拟，通过大量模拟迭代来解锁某些东西，我想，大概是这个领域的。最后才能准确模拟的是什么。我确实认为有一类物理现象，用 video data 来表示是不太合适的，对吧？比如，通过 video footage 来学习高速粒子碰撞之类的事情，真的高效吗？也许吧。我真的觉得，video 最擅长的是当你试图了解的现象在物理世界中本身就是可见的、原生呈现的时候。而当你需要研究 quantum mechanics 或其他更理论的学科时，我们并没有超越——你看不见。对，除了我们为教育目的手动渲染的东西之外，video 作为理解这些事物的媒介感觉比较弱。所以我猜这些会是最晚实现的。我想应该是那些我们没有传感器去捕捉的东西。对，对。也许换个角度想，最后我们想要去模拟的，才是答案。我不知道。我的意思是，现在也没人在气味方面做太多东西。确实。Green fields。我一直想跟你说这个。
我们还在研究怎么模拟 Thomas 头发乱糟糟的样子。哦，对，这仍然是个未解难题。连 Sora 都做不到。Thomas 的头发质感，总之就是。对，还有狂吃番茄酱。之前有一批人把自己生成光头的效果，我们全都——对，光头绅士效果挺好的。其实还挺酷的。这是个我不太常提到的 use case，但就像是 visualization。当你光头的时候——对，人人都想光头。不，就是你能看到自己处在某种不同的情境中。我觉得这可以很有力量，甚至在某些方面具有疗愈效果，你能看到自己身处某种你想要或不想要的情境中，然后只是看看——对。各位，非常感谢你们带来的分享，从 space-time tokens 到 object permanence，从将推动科学发现的世界模型，到创作的民主化，再到 walking clocks。你们全都聊到了。非常感谢，未来正由你们创造。谢谢 Konstantin。谢谢 Sonya。谢谢。