资料来源：OpenAI官网，风险提示：引自外部机构的观点或信息，我们并不对该等观点和信息的真实性、完整性和准确性做任何实质性的保证或承诺。

Sora模型具有根据用户输入文本描述生成视频内容的卓越能力，能够深度模拟真实物理世界，创造出富有想象力的视频场景，并在制作长达一分钟的视频时保持出色的视觉质量。Sora能够比较轻松地创作包含多人、特定运动类型和详细背景的复杂场景，生成与用户提示匹配度较高的视频内容。这一创新或标志着人工智能在理解真实世界场景并与之互动方面迈出了比较重大的一步。 

过去AI视频生成的难点在于，一方面视频是连续的多帧图像，并且要有逻辑性，并非简单的图片组合；另一方面是带来模型复杂度提升、计算难度和成本的提升。此外，文生视频需要大量的“文本-视频”配对数据，而目前缺乏多样化的数据集，且数据标注的工作量较大。因而此前视频大多为5-15秒，而Sora将视频时长提升至1分钟，支持生成多个镜头，同时基本维持了角色和视觉风格的一致性，并能在一定程度上“理解”现实世界。

技术方面，与其它同类型产品比较，之前做视频做图用的都是Diffusion，是多个真实图片的组合；而这次OpenAI利用其大语言模型优势，借助OpenAI 自己的文本（GPT）和图像（DALLE）模型来帮助丰富提示词和图像训练，把LLM和Diffusion结合起来训练，统一处理图像和视频数据为patch，并将其作为训练和测试的基本单位，采用diffusion transformer 这个新架构模型，让Sora实现了对现实世界的理解和对世界的模拟两层能力，这样产生的视频才是真实的，才能跳出2D的范围模拟真实的物理世界。

从具体的技术思路展开来看：首先，通过视频压缩网络将原始视频压缩到低维度的潜在空间，这个空间可以看作是时空包的集合。接着，设计了一个专门训练的解码器模型，将生成的潜在表示映射回像素空间，生成可视的视频或图像。在训练中，通过提取时空包并转换成token的方式，Sora模型能够跨越不同分辨率、持续时间和纵横比的视频和图像。最后，Sora是一个基于扩散的转换器模型，接受噪声包和条件性输入信息，通过训练预测原始的“干净”包。研究发现扩散转换器在视频生成领域有比较显著的潜力，随着训练量的增加，生成样本的质量明显提高。

资料来源：国金证券、WIND，风险提示：引自外部机构的观点或信息，我们并不对该等观点和信息的真实性、完整性和准确性做任何实质性的保证或承诺。

Sora模型的出现或预示着行业变革的来临。从商业角度来看“idea或IP→内容生产→内容分发”的视频产业链，长期预计视频生产的成本将大幅降低。在内容创作与媒体领域，它将比较大程度改变视频制作的传统方式，助力创作者以更高效、更低成本的方式创作出高质量视频，从而推动整个行业的工作效率提升。对于广告、电影预告片和短视频等行业，Sora模型更是可能带来比较大力度的创新。同时其在模拟世界方面的能力为虚拟现实、游戏开发等领域也开辟了比较大的潜力空间。

此外，由于Sora有较强劲的大模型做底子，基于对人类语言的理解，对人类知识和世界模型的了解，再叠加很多其他的技术，或可以创造各个领域的超级工具，比如生物医学、蛋白质和基因研究，包括物理、化学、数学的学科研究上，大模型都会发挥作用。这次Sora对物理世界的模拟，可能也将会对机器人具身智能和自动驾驶带来比较大的影响。

但目前AI生成视频的水平还有待提升，而且由于Sora基本处于闭源状态，技术细节并未公布，相比于GPT有较多开源模型而言，国内视频生成模型方面尚有一定差距。

我们着重梳理Sora在实现技术突破之后，对产业链不同环节可能带来的变化和机会。

第一个层面可能是新技术方案被验证带来的机会：

第二个层面可能来自视频生成技术突破后，带来应用落地的机会：

Sora所代表的人工智能是一个专业化程度非常高且面临比较多复杂变化的前沿科技领域，投资相应的板块可能会面临以下的风险，我们需要引起足够的重视：