汽车零部件Ⅱ：Sora的诞生对智能驾驶行业的影响

Sora是文生视频的集大成者，核心创新点在于时空编码和DiT模型。Sora是Open AI推出的首个文本生视频模型，视频生成长度、逼真度等均远超现有竞品。从技术上看，Sora的核心创新点在于时空编码和Diffusion Transformer模型的应用。1）Spacetime patches时空编码将一个完整视频切分成带有时间维度的一系列Tokens输入Transformer模型，时空编码的引入是Sora能够进行大规模视频数据训练的关键，同时为Sora的生成结果具备三维一致性奠定了基础。2）DiT模型结合了Diffusion扩散模型和Transformer模型的优点，将传统扩散模型中采用的U-Net网络结构替换成Transformer，使得模型更擅长捕捉长距离的相关关系。 Sora验证了Diffusion+Transformer的技术路线或是通往世界模型的有效技术路径。神经网络模型的预测结果是概率输出，目前尚不具备因果关系的推断能力，因此推理结果可能会出现常识错误或者违背现实物理规律。而学界提出的世界模型概念旨在希望神经网络模型可以像人类一样理解世界，具体可概括为具备以下三个特点：1）理解物理世界运行规律，像人一样具备常识。2）具备泛化到训练样本以外的能力。3）可以基于记忆进行自我演进。目前关于世界模型的技术路径尚有争议，但从Open AI的官方展示视频来看，Sora已经具备了世界模型的雏形，对于真实物理世界有一定的模拟能力。因此我们认为Sora采用的Diffusion+Transformer的技术路线或许是通往世界模型的有效技术路径。 特斯拉同样基于与Sora相似的技术路径已开始对世界模型进行探索。早在2023年6月召开的CVPR会议上，特斯拉已经分享了对于世界模型的探索，Demo展示效果惊艳：1）可以同时对车身周围八个摄像头周围未来情况进行预测；2）可以精准的模拟过去难以描述的场景（如烟尘）；3）可以根据动作指令调节；4）可以用来做分割任务。根据特斯拉CVPR上的演讲及马斯克推特的公开回复，可以推断特斯拉大概率和Open AI一样采用的是Diffusion+Transformer生成式AI的技术路线。而Sora的成功已经率先在AGI领域验证了这条技术路线的可行性，由此我们认为World Model应用于智能驾驶的时代亦将加速到来。 世界模型中短期内应用于仿真