OpenAI Sora: Bước nhảy vọt tạo video điện ảnh và tiềm năng mô phỏng thế giới vật lý

Trước khi Sora xuất hiện, các mô hình tạo video AI như Runway Gen-2 hay Pika chỉ có thể tạo ra những đoạn clip ngắn từ 3 đến 4 giây, với hình ảnh thường xuyên bị méo mó, biến dạng khi nhân vật di chuyển hoặc đổi góc máy. Khán giả dễ dàng nhận ra sản phẩm của AI nhờ vào những lỗi vật lý vụng về.

Sora đã tạo ra một bước nhảy vọt không tưởng: mô hình có thể tạo ra các đoạn video dài liên tục tới 60 giây với chuyển động camera điện ảnh phức tạp. Một người phụ nữ bước đi trên đường phố Tokyo rực rỡ ánh đèn neon phản chiếu trên vũng nước mưa, những con sóng vỗ vào vách đá ngập tràn bọt biển – tất cả đều duy trì tính nhất quán hoàn hảo về không gian ba chiều mà không hề bị giật cục.

Bí quyết sức mạnh của Sora nằm ở kiến trúc Diffusion Transformer (DiT). Tương tự như cách các mô hình ngôn ngữ LLM chia nhỏ văn bản thành các token, Sora phân rã các chuỗi video thành các "mẩu vá không thời gian" (spacetime patches). Sau đó, mô hình sử dụng mạng Transformer để dự đoán và khôi phục hình ảnh từ nhiễu hạt ngẫu nhiên.

Nhờ cơ chế này, Sora có thể xử lý video ở bất kỳ độ phân giải nào – từ video dọc 9:16 cho điện thoại đến video màn ảnh rộng 16:9 chuẩn điện ảnh, đồng thời duy trì sự liên tục của nhân vật ngay cả khi họ tạm thời biến mất sau một vật cản rồi xuất hiện trở lại.

Ngay sau khi OpenAI công bố Sora, đạo diễn kiêm nhà sản xuất phim nổi tiếng Tyler Perry đã tuyên bố tạm dừng kế hoạch mở rộng phim trường trị giá 800 triệu USD tại Atlanta, thừa nhận rằng công nghệ này sẽ thay đổi vĩnh viễn chi phí sản xuất phim điện ảnh trong tương lai gần.

Tuy nhiên, Sora cũng vấp phải làn sóng phản đối dữ dội từ các hiệp hội diễn viên và biên kịch về nguy cơ đạo nhái dữ liệu huấn luyện. OpenAI hiện đang phải làm việc chặt chẽ với các nghệ sĩ thị giác và chuyên gia an toàn thông tin để triển khai công nghệ đóng dấu bản quyền số C2PA trước khi mở rộng quyền truy cập thương mại cho công chúng.