
شب گذشته (15 فوریه 2024) کمپانی OpenAi خالق (ChatGPT) از هوش مصنوعی جدید خودش با نام سورا (Sora) رونمایی کرد. سورا یک مدل هوش مصنوعی است که میتواند با استفاده از دستورالعمل های متنی (پراپمپ)، صحنه های واقع گرایانه و تخیلی خلق کند.
هوش مصنوعی Sora میتواند ویدئوهای حداکثر 60 ثانیهای با سکانسهای بسیار دقیق، شخصیتهای متعدد با احساسات زنده و طبیعی و حرکات دقیق دوربین (با کیفیت بصری بسیار بالا) ایجاد نماید.
پرامپتی که به سورا داده شده:
Prompt: “A movie trailer featuring the adventures of the 30 year old space man wearing a red wool knitted motorcycle helmet, blue sky, salt desert, cinematic style, shot on 35mm film, vivid colors.”
ترجمه پراپمت به فارسی:
نتیجهای که سورا برگردانده است - کلیک کنید:
https://openai.com/sora?video=mitten-astronaut
سورا برای ارزیابی خطرات و آسیبهای احتمالی در دسترس متخصصین امنیتی قرار میگیرد؛ همچنین به برخی هنرمندان، طراحان و فیلمسازان نیز دسترسی داده میشود تا بارخورد خود را برای بهبود و کاربردیتر شدن این مدل ارائه دهند.
پس فعلا در دسترس عموم قرار نخواهد گرفت.
سورا قادر است صحنه های پیچیده با شخصیت های متعدد، انواع حرکت خاص و جزئیات دقیق سوژه و پس زمینه را ایجاد کند. این مدل نه تنها آنچه را که کاربر درخواست کرده است (پراپمت) را میفهمد، بلکه درک میکند این عناصر در دنیای واقعی چگونه وجود دارند.
سورا، مدل متنی به ویدیویی OpenAI، نه تنها قادر به خلق صحنههای پیچیده با جزئیات دقیق و حرکات طبیعی است، بلکه از درک عمیقی از زبان نیز برخوردار است. این درک عمیق به سورا اجازه میدهد تا:
1- دستورات کاربر را به درستی تفسیر کند: سورا ظرافتهای زبان را درک میکند و میتواند منظور کاربر را از متن ورودی به درستی استنباط کند.
2- شخصیتهای گیرا و با احساسات واقعی خلق کند: سورا به واسطه درک عمیق خود از زبان، قادر به خلق شخصیتهایی با ویژگیهای منحصر به فرد و احساسات واقعی است که به ویدیو عمق و جذابیت میبخشند.
3- یک ویدیوی واحد را با نماهای مختلف بسازد: سورا میتواند یک داستان واحد را در قالب نماهای مختلف روایت کند و در عین حال، انسجام شخصیتها و سبک بصری خود را در تمامی نماها حفظ کند.

مدل فعلی سورا هنوز نقاط ضعفی دارد. مثلاً ممکن است در بازسازی دقیق قوانین فیزیکی صحنههای پیچیده دچار مشکل شود یا نتواند روابط علت و معلولی خاص را به درستی درک کند. برای مثال، ممکن است در صحنهای فردی از یک شیرینی گاز بزند، اما پس از آن روی شیرینی جای گاز باقی نماند.
همچنین مدل ممکن است جزئیات مکانی متن ورودی را اشتباه متوجه شود، مثلاً چپ و راست را اشتباه به کار ببرد. همچنین ممکن است در فهم دقیق توصیفات رویدادهایی که با گذشت زمان اتفاق میافتند، مانند دنبال کردن مسیر خاص دوربین، با مشکل مواجه شود.

پیش از بهکارگیری Sora در محصولات OpenAI، گامهای مهمی برای تضمین امنیت آن برداشته میشود:
1- همکاری با متخصصان سایبری
تیمی از متخصصان امنیت سایبری، موسوم به "red teamers"، به ارزیابی دقیق و تهاجمی مدل سورا در زمینههای مختلفی مانند دروغپراکنی، محتوای نفرتانگیز و سوگیری میپردازند.
2- ابزارهای تشخیص محتوای گمراه کننده
برای شناسایی ویدئوهای تولید شده توسط Sora، سیستم های هوشمندی طراحی شدهاند. در آینده، در صورت بهکارگیری سورا در محصولات OpenAI، از متا دیتای C2PA نیز برای ردیابی و بررسی محتوای ویدئوها استفاده خواهد شد.
3- استفاده از روشهای ایمنی موجود
علاوه بر توسعه روشهای جدید، از روشهای ایمنی اثباتشدهای که برای محصولات قبلی OpenAI مانند DALL.E3 طراحی شدهاند، برای سورا نیز استفاده خواهد شد.
4- مقابله با محتوای نامناسب
هنگامی که سورا به عنوان محصول OpenAI در دسترس قرار گیرد، سیستم OpenAI ورودیهای متنیای را که سیاستهای ما را نقض کنند، بررسی و رد میکند. این موارد شامل درخواست برای خشونت شدید، محتوای جنسی، تصاویر نفرتانگیز، شباهت افراد مشهور یا مالکیت معنوی دیگران است.
5- همکاری با متخصصان
برای درک نگرانیها و شناسایی موارد استفاده مثبت از سورا، OpenAI با سیاستگذاران، مربیان و هنرمندان در سراسر جهان همکاری خواهد کرد. اما با وجود تحقیقات و آزمایشهای گسترده، امکان پیش بینی تمام روشهای استفاده و سوء استفاده از سورا مقدور نیست.

1- تولید ویدیوهای کامل: سورا میتواند ویدیوهای کوتاه را به طور کامل و از ابتدا تولید کند.
2- گسترش ویدیوهای موجود: سورا قادر به ادامه و تکمیل ویدیوهای کوتاه موجود، با حفظ انسجام و کیفیت آنها است.
3- ثبات سوژه: سورا با پیش بینی چندین فریم به طور همزمان، ثبات سوژه را حتی در صورت خروج موقت از دید حفظ می کند.
4- مقیاس پذیری بالا: سورا از معماری ترانسفورماتور مشابه مدل های GPT استفاده می کند که عملکرد مقیاس پذیری فوق العاده ای را به ارمغان می آورد.
5- یادگیری از داده های متنوع: سورا با استفاده از تکنیک "پچ"، تصاویر و ویدیوها را به واحدهای کوچکتر تبدیل می کند و قادر به یادگیری از طیف وسیعی از داده های بصری با مدت زمان، رزولوشن و نسبت های تصویر مختلف است.
6- سورا، بر پایه تحقیقات پیشین: سورا بر پایه تحقیقات انجام شده در مدل های DALL·E و GPT بنا شده است. این مدل از تکنیک بازنویسی متن DALL·E 3 استفاده میکند که به واسطه آن، عناوین بسیار دقیقی برای داده های آموزشی بصری تولید میشود. در نتیجه، سورا قادر است وفادارانه تر از هر مدل دیگری، دستورات متنی کاربر را در ویدیوی نهایی پیاده سازی کند.

علاوه بر تولید ویدیو از متن، سورا قادر به انجام کارهای شگفت انگیزی دیگر است:
تمام ویدئوهای صفحه زیر با استفاده از هوش مصنوعی سورا و بدون هیچ تغییری خلق شده است:
منبع: وبسایت OpenAI