计算机行业报告：Text-to-Video的GPT-3时刻已来，OpenAI的SORA模型引领新技术突破

行业报告 | 行业专题研究 请务必阅读正文之后的信息披露和免责申明 1 计算机 证券研究报告 2024 年 02 月 22 日 投资评级 行业评级 强于大市(维持评级) 上次评级 强于大市 作者 缪欣君 分析师 SAC 执业证书编号：S1110517080003 miaoxinjun@tfzq.com 刘鉴 联系人 liujianb@tfzq.com 资料来源：聚源数据 相关报告 1 《计算机-行业点评:黄仁勋强调主权AI，重申 AI 信创之华为链+四小龙机遇》 2024-02-19 2 《计算机-行业点评:假期 AI 动态汇总: 海外 AI 再度加速》 2024-02-17 3 《计算机-行业点评:数据要素周度跟踪第 4 期：看地方两会如何部署 2024 数据要素产业》 2024-02-14 行业走势图 Text-to-Video 的 GPT-3 时刻已来：OpenAI 的 SORA模型引领新技术突破 OpenAI 发布了最新文生视频大模型 SORA，可以生成 1 分钟长视频，效果显著，在生成的视频细节，内容一致性和指令遵循能力独树一帜 2 月 16 日，OpenAI 首次对外公布了 SORA 文生视频模型，SORA 模型可以直接输出长达 60 秒的视频，并且包含高度细致的背景、复杂的多角度镜头，以及富有情感的多个角色。相比较而言，Runway Gen 2、Pika 等 AI 视频工具，都还在突破几秒内的连贯性，而 OpenAI，已经达到了史诗级的纪录。OpenAI 目前已经邀请了一支专业的创意人士测试，用于反馈其在专业环境中的实用性。 SORA 模型在训练中将不同类型视觉素材统一为时空 Latent Patch，采用Diffusion-transformer 结构并大规模训练，再次展现“暴力美学” 从 technical report 窥探技术路径，OpenAI 在文生视频领域再次展现“暴力美学”，SORA 在模型结构上使用了 Diffusion Transformer 结构，采用了大规模的训练，在数据上将图片和视频统一压缩转换为时空 Latent Patches 并作为 transformer 输入，而这一步也使得模型能够在不同分辨率、持续时间和宽高比的视频/图像数据上进行训练，同时为了提高模型的理解能力，SORA使用了 DALL-E3 模型中的 re-captioning 技术，训练了一个 caption 模型为视频数据生成文字字幕。 SORA 模型已具备了一定的涌现能力，虽然也存在“幻觉问题”，但我们认为文生视频的 GPT-3 时刻已来 SORA 模型现在可用于视频生成，图片生成，视频编辑、视频链接和视频前后拓展等，我们认为未来有望重塑影视/动画/自媒体等诸多视频生产行业，同时 SORA 还展现出了一定的涌现能力，使其能够从物理世界模拟人、动物和环境的某些方面，包括 3D 连续，物体持续和 long-range 的连贯性，我们预计未来 SORA 也会逐步进化，如同 GPT3 到 4 一样有更强的能力，或许文生视频的 GPT-3 时刻已经到来。 视频生成模型迎来技术突破，我们看好 AI 板块尤其是 AI 多模块的机会，建议关注： （1）AI 多模态：万兴科技、美图公司（与海外组联合覆盖）、易点天下、焦点科技、当虹科技 （2）AI 应用：金山办公、科大讯飞、恒生电子、鼎捷软件、福昕软件、用友网络、金蝶国际、泛微网络、致远互联 （3）AI 算力：华为链+海光信息、寒武纪、云天励飞、景嘉微（电子组联合覆盖） 风险提示：文生视频模型实际效果不及预期、国内算力进展不及预期、文生视频场景落地不及预期 -38%-30%-22%-14%-6%2%10%18%2023-022023-062023-10计算机沪深300 行业报告 | 行业专题研究 请务必阅读正文之后的信息披露和免责申明 2 内容目录 1. OpenAI 发布 SORA 视频生成模型，效果惊艳 ........................................................................ 3 1.1. SORA 模型具有强大视频生成能力 ............................................................................................ 3 1.2. SORA 模型展现出了涌现能力 ..................................................................................................... 5 1.3. SORA 模型依然存在“幻觉”等问题 ....................................................................................... 6 2. 时空 Latent Patches+ Diffusion Transformer 铸就 SORA 惊艳表现 ................................ 7 2.1. 将不同类型的视觉数据统一为时空 latent Patches ............................................................. 7 2.2. 模型结构：采用 Diffusion transformer 并大规模训练 ...................................................... 8 2.3. 使用描述性合成字幕提高模型的语言理解能力 ................................................................ 10 3. 投资建议 ....................................................................................................................................... 11 4. 风险提示 ....................................................................................................................................... 11 图表目录 图 1：SORA 模型生成视频的样本示例 .................................................................................................... 3 图 2：SORA 模型生成视频的样本示例截图 ..........................................