借sora，看AI視頻的下一次進(jìn)化在哪？

文：王智遠(yuǎn) | ID:Z201440

身邊不少人國(guó)慶都在玩sora。

有人感嘆太上癮了，一句話想生成什么，就生成什么；有人發(fā)朋友吐槽，這快趕上發(fā)抖音的絲滑了；還有人，已經(jīng)抓住流量密碼，做出不少爆款。

看著他們玩，我突然意識(shí)到，AI視頻的格局終于變了。

變?cè)谀哪兀窟^(guò)去AI工具，總讓人覺(jué)得要先「學(xué)會(huì)用」，sora不一樣，它第一次成為「人類表達(dá)的延伸」，這是一種巨大的價(jià)值觀轉(zhuǎn)向：

從「讓機(jī)器更強(qiáng)」，到「讓人更自然」。

它打破了從模型到內(nèi)容、從內(nèi)容到表達(dá)之間，那些肉眼看不見(jiàn)、卻能感受到的門檻。

01

但凡用AI視頻工具，都曉得像在交作業(yè)；你得先上傳圖片，再選模板，再寫提示詞，最后點(diǎn)「生成」，一套流程走下來(lái)，稍微哪一步不對(duì)齊，結(jié)果就跑偏。

Sora 的邏輯，正好反過(guò)來(lái)。

我說(shuō)一句話，后面的事，它全搞定，什么鏡頭、配圖、節(jié)奏，都不用操心，直接把腦子里的那一幕，「顯化」出來(lái)。

這背后，可能是兩種完全不同的產(chǎn)品世界觀。

什么世界觀呢？

國(guó)產(chǎn) AI 視頻底層，是「制作邏輯」，它服務(wù)「專業(yè)生產(chǎn)內(nèi)容」的人，所有設(shè)計(jì)，都為了讓視頻更完整、更漂亮、更符合模板，Sora是「表達(dá)邏輯」，面對(duì)99% 想「表達(dá)自己」的人。

所以，看起來(lái)，前者靠規(guī)則；后者靠理解。前者讓視頻更精準(zhǔn)；后者讓人更自然。

昨天刷到一個(gè)視頻。

博主用《從你的全世界路過(guò)》里豬頭那段對(duì)白，做了個(gè)國(guó)慶小短片，它把「假期」寫成了一個(gè)人，用對(duì)話的方式說(shuō)再見(jiàn)，柔軟、細(xì)碎，卻讓人突然破防。

文案是這樣的：

還會(huì)再見(jiàn)嗎？下次國(guó)慶再見(jiàn)的時(shí)候你要變長(zhǎng)好不好？你要變長(zhǎng)，不要調(diào)休好不好？你走了，我下半年沒(méi)假了。沒(méi)關(guān)系，你要自己變長(zhǎng)。國(guó)慶沒(méi)有你，我下半年怎么過(guò)?。?br/>

我覺(jué)得挺有意思，就讓 AI 也幫我寫了一個(gè)。文案是：

你走了。我還沒(méi)準(zhǔn)備好。國(guó)慶，我還想再見(jiàn)你一面；哪怕再堵一場(chǎng)高速，再擠一次人海。你能不能別走得那么快？就再陪我發(fā)一會(huì)兒呆也好。你一走，地鐵又開始擠，郵件又開始多，連風(fēng)都變得很趕。

我也想做一個(gè)帶聲音的小短片，講那種節(jié)后第一天，人還在上班，心還在放假。于是，把這段文案丟給了可靈、即夢(mèng)，豆包、還有百度蒸汽機(jī)。

一通折騰，感覺(jué)像在開盲盒，有的聲音對(duì)不上，有的節(jié)奏亂，還有的非得讓我補(bǔ)首幀、尾幀、再加描述……差點(diǎn)放棄了。

后來(lái)，試著給 Sora。我說(shuō)了一句話：我現(xiàn)在有一段文案，請(qǐng)幫我做成短視頻，用我的頭像，希望你能懂我想要的感覺(jué)。

五分鐘后，視頻出來(lái)了。整個(gè)過(guò)程，我一句提示詞都沒(méi)改；畫面有點(diǎn) AI 味兒，但那種「我懂你想說(shuō)什么」的感覺(jué)，特別準(zhǔn)，如下：

那一刻我明白，制作邏輯追求精準(zhǔn)控制，表達(dá)邏輯追求情緒共鳴。我后來(lái)總結(jié)了一個(gè)詞：

表達(dá)意圖的可視化。

AI終于能幫人「說(shuō)人說(shuō)話」了，你不用教它該干什么，它就能把腦子里的那一幕顯現(xiàn)出來(lái)，這是一種新創(chuàng)作關(guān)系的改變。

02

我在想，同樣做視頻，服務(wù)專業(yè)創(chuàng)作者和普通人，最大的區(qū)別到底在哪？

經(jīng)過(guò)多個(gè)作品比對(duì)，我明白了前者用工具，為了「完成一件事」；后者用工具，為了「表達(dá)一種情緒」。一個(gè)在意作品；一個(gè)在意共鳴。

什么是作品？什么是共鳴？

這么說(shuō)吧，作品，像一支廣告片。打光完美、節(jié)奏精準(zhǔn)、邏輯嚴(yán)絲合縫，但看的人不會(huì)轉(zhuǎn)發(fā)，因?yàn)槟遣皇怯^眾的生活，那是品牌在說(shuō)話，像投放了一個(gè)廣子。

共鳴，更像一條傻白甜式的朋友圈。內(nèi)能糙，構(gòu)圖也歪，但有人看完就笑，說(shuō)：，這不就是我嗎？然后，忍不住也想自己來(lái)一段。

臥槽

所以，如果 AI 視頻產(chǎn)品的設(shè)計(jì)邏輯圍著專業(yè)創(chuàng)作者轉(zhuǎn)，那它注定難規(guī)?；?，因?yàn)椋軗纹甬a(chǎn)品飛輪的，是那 99% 的「隨手一玩」。

不信，我給你看一組數(shù)據(jù)：

根據(jù)《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》（截至2024年12月）的數(shù)據(jù)，我國(guó) 20–29 歲網(wǎng)民中，使用生成式 AI 產(chǎn)品的比例已達(dá)到 41.5%，而在短視頻用戶群體中，這一比例還在快速上升。

這說(shuō)明，今天的普通用戶，已經(jīng)從「觀眾」變成了「參與者」了。

可在短視頻平臺(tái)崛起之前，情況完全不同，當(dāng)時(shí)專業(yè)內(nèi)容早創(chuàng)作者早就有，拍得精致、調(diào)色完美、構(gòu)圖精準(zhǔn)，但轉(zhuǎn)的少，被模仿的也不多，而且還讓人覺(jué)得有距離感？

這是為什么呢？

因?yàn)樘瘛缸髌贰沽?，完美得讓人不敢靠近，很多人也覺(jué)得自己做不出來(lái)；抖音、快手爆火時(shí)，邏輯恰恰相反，扭個(gè)腰、搖個(gè)頭、對(duì)個(gè)嘴、踩個(gè)點(diǎn)，看起來(lái)傻，卻讓人想?yún)⑴c。

這就是傳播的底層邏輯：

「參與感，永遠(yuǎn)比欣賞感更強(qiáng)?！?br/>

短視頻降低了表達(dá)的門檻，讓表達(dá)，本身成了一場(chǎng)全民游戲。換句話說(shuō)，表達(dá)欲就是生產(chǎn)力。

它驅(qū)動(dòng)參與、帶來(lái)模仿、形成社交飛輪，Sora 正好踩中了這條曲線，不教你「怎么做視頻」，成功喚醒作為人底層「想表達(dá)」的基因。

短視頻時(shí)代即使用戶眾多，不好意思出鏡的，依然占了大多數(shù)；總覺(jué)得鏡頭對(duì)著自己很怪，飯局上掏出手機(jī)拍攝更顯突兀。

那些看似「真情流露」的作品，往往也有點(diǎn)「演」。

Sora 2 解決了這個(gè)問(wèn)題，它讓人不必再面對(duì)鏡頭，就能表達(dá)自己；知行合一，做你想做的一切。

如果把視角放回國(guó)內(nèi)的 AI 視頻工具，情況就完全不同。

大多數(shù)廠商還在卷模型、卷參數(shù)、卷渲染，這些都沒(méi)錯(cuò)，但忽略了一個(gè)更底層的問(wèn)題：產(chǎn)品得先懂人，才有機(jī)會(huì)懂世界。

什么？懂人？難道以前的產(chǎn)品經(jīng)理不懂人嗎？不是的，是理解的方式錯(cuò)了。

中國(guó)人太愛(ài)「說(shuō)教」了。一方面來(lái)自文化慣性，我們從小被教育「先學(xué)會(huì)，再表達(dá)」；另一方面，是技術(shù)心態(tài)，我們相信「掌握工具」比「理解人」更重要。

于是，這種思維被帶進(jìn)了產(chǎn)品哲學(xué)。我們做產(chǎn)品，總想著先教用戶怎么用，而不是讓用戶直接用。

但這恰恰是 AI 的反命題；真正的智能，讓機(jī)器學(xué)人。Sora在人與機(jī)器之間，建了一座「理解的橋」。

03

還有，你有沒(méi)有發(fā)現(xiàn)，有的AI 視頻哪怕做得再逼真，總有種「拼出來(lái)」的感覺(jué)？Sora 2 視頻，哪怕細(xì)節(jié)還有點(diǎn)粗糙，可整體看起來(lái)卻很自然，讓人信服。

這是為什么？

我去查了下它的技術(shù)說(shuō)明，結(jié)果發(fā)現(xiàn)，它跟國(guó)內(nèi)主流的幾款 AI 視頻產(chǎn)品，從底層架構(gòu)上，就不是一回事。

OpenAI 官方描述里提到，Sora 的核心思路，是「模擬世界」，它的架構(gòu)是「擴(kuò)散模型 + Transformer」的組合。

簡(jiǎn)單理解，先「搭一個(gè)世界」，再讓這個(gè)世界自己動(dòng)起來(lái)；所以你看它生成的視頻，人物、光線、背景都能長(zhǎng)時(shí)間保持一致，鏡頭切換再多，邏輯也不會(huì)亂。

舉個(gè)例子：

你說(shuō)「一個(gè)女孩在雨中等人」。Sora 不會(huì)去拼「女孩 + 雨 + 打傘」這些元素。

它會(huì)先想，「等人」這個(gè)情境里，風(fēng)該往哪吹、雨該多大、燈光該怎么閃，然后再生成畫面。它理解的是「感覺(jué)」，不是「素材」。

再看國(guó)內(nèi)幾家。

可靈（Kling）的技術(shù)報(bào)告里提到，它用的是「3D 時(shí)空聯(lián)合注意力」。重點(diǎn)是讓動(dòng)作更連貫，能做出一鏡到底、鏡頭感很強(qiáng)的畫面，更像一個(gè)「運(yùn)動(dòng)模擬器」，解決「動(dòng)得真不真」的問(wèn)題。

百度蒸汽機(jī)走另一條路。

它強(qiáng)調(diào)「音畫一體化」，也就是，聲音、嘴型、表情、動(dòng)作，全在一個(gè)模型里生成。

所以，它的多人對(duì)話視頻，口型對(duì)齊、語(yǔ)氣連貫、細(xì)節(jié)出色，特別適合教學(xué)、廣告、劇情類內(nèi)容。，你告訴它要做什么，它執(zhí)行得很到位。

即夢(mèng)海螺的思路又不同。從表現(xiàn)上看，它們更像「拼接式生成」，「擴(kuò)散 + 模板控制 + 多階段拼接」；簡(jiǎn)單說(shuō)，「拼得快、出得快、改得快」，適合平臺(tái)化的批量生產(chǎn)，但情緒和邏輯容易斷。

理解這一點(diǎn)，就知道了，不同架構(gòu)，決定了不同的使用場(chǎng)景。

所以整個(gè)格局，大概是這樣：

Sora 在推演世界，可靈在模擬動(dòng)作，蒸汽機(jī)在對(duì)齊音畫，即夢(mèng)在拼接場(chǎng)景。

聽起來(lái)大家都在做模型，但本質(zhì)不一樣，Sora 拼「理解力」，國(guó)內(nèi)拼「控制力」；拼接式架構(gòu)關(guān)注「結(jié)果」，世界模型架構(gòu)關(guān)注「過(guò)程」，一個(gè)理解畫面，一個(gè)理解因果。

智遠(yuǎn)一直覺(jué)得，技術(shù)架構(gòu)，是產(chǎn)品世界觀的投影。你怎么建模世界，決定了能不能理解人。

Sora 看起來(lái)「更懂人」，它的架構(gòu)在模擬「人感知世界」的方式，從光線到動(dòng)作，從情緒到邏輯，都在一個(gè)連續(xù)的空間里被推演。

這是底層哲學(xué)：讓 AI 靠近人，而不是讓人去適應(yīng) AI。

04

智遠(yuǎn)分析認(rèn)為，國(guó)內(nèi) AI 視頻臨界點(diǎn)是理解媒介本身。

麥克盧漢在《理解媒介》中說(shuō)過(guò)：「媒介是人的延伸」。這句話太經(jīng)典，卻也最容易被誤解。

他并不是否定內(nèi)容，而是提醒我們：形式，才是塑造人的隱形力量。攝影機(jī)讓人第一次能「凍結(jié)時(shí)間」，手機(jī)讓人隨時(shí)能「記錄世界」，而 AI，讓人可以生成情緒。

換句話說(shuō)，媒介每一次進(jìn)化，都是表達(dá)方式的重構(gòu)。

以前，我們要拍視頻，在「展示」生活；現(xiàn)在，用 AI 視頻，在「想象」生活；從展示到想象，從記錄到生成，這是表達(dá)方式的一次躍遷。

我們是信息的載體，情緒的接口。AI服務(wù)于人，人又成了它的放大鏡，它讓表達(dá)半徑變大，讓情緒的觸點(diǎn)更高效。

所以，當(dāng) Sora 改寫視頻時(shí)，它其實(shí)在改寫媒介，它讓說(shuō)話這件事，第一次變成了一種視覺(jué)語(yǔ)言，換句話說(shuō)，你有想法，不用解釋，就能被看見(jiàn)。

既然人本身是媒介，那么，表達(dá)又算什么呢？

我想用兩個(gè)詞來(lái)總結(jié)，即：「共振」或「顯化」。「共振」，是讓別人感受到我；「顯化」，是讓自己看見(jiàn)自己。

表達(dá)，是把那些藏在腦子里、胸口里的東西，通過(guò)思想、情緒、體驗(yàn)，變成外界能看見(jiàn)、能觸摸的形式，有時(shí)是文字，有時(shí)是語(yǔ)氣，有時(shí)只是一個(gè)眼神。

真正的「顯化」，追求一致性，有那么一瞬間，讓情緒、思考、身體語(yǔ)言，都在說(shuō)同一件事。

就像拍一個(gè)視頻，是想讓當(dāng)下的感覺(jué)被看見(jiàn)；如果一個(gè)視頻要反復(fù)剪、反復(fù)潤(rùn)色，那已經(jīng)不是在表達(dá)了。所以，真正高效的表達(dá)，能在五分鐘里，把腦子里的畫面「顯化」出來(lái)。

過(guò)去幾年，我們用了太多 AI 工具，能畫、能唱、能剪。

這些能力，本質(zhì)上都在服務(wù)「生產(chǎn)」，很可惜，它還沒(méi)做到快速高效，它能生成漂亮的畫面，卻接不住那種「一閃而過(guò)的念頭」

就像我躺在床上，腦子里突然閃過(guò)長(zhǎng)白山白雪皚皚的畫面，那一刻，我只想讓它立刻出現(xiàn)在我的短視頻里，可惜，AI 還沒(méi)學(xué)會(huì)這種「沖動(dòng)的效率」。

從這個(gè)意義上說(shuō)，OpenAI 想重新定義人機(jī)關(guān)系：讓每個(gè)人都能「拍出腦海里的電影」。

反觀國(guó)內(nèi)，很多 AI 產(chǎn)品技術(shù)已經(jīng)很成熟了，它們理解算法，卻還不理解人；所以，也就談不上什么「表達(dá)民主化」。

當(dāng)表達(dá)變得像呼吸一樣自然，AI視頻創(chuàng)作，才算真正地回到普通人手里；或許，這，才是 AI 視頻該做的事，瞬間，彌補(bǔ)那些腦袋中的空缺。