文/李靈修
春節期間，文生視頻AI工具Sora橫空出世，贏得一片讚美之聲，更被業界推崇為「世界模擬器」（World Simulator），即可準確展現真實物質的運動規律。但今次筆者撰文「斗膽」預測，文生視頻AI距離商用水準仍有不小差距。而在現有GPT技術框架下，本輪AI熱潮在經歷數年的快速迭代後將遭遇發展瓶頸。
必須要承認，Sora相較文生視頻的AI前輩們──Runway、Pika，不僅在時長上實現了突破（Sora長達1分鐘，Runway基礎視頻為4秒、Pika為3秒），並在視頻流暢度、光影處理等方面均取得大幅進步。
這也是為什麼，每次AI工具迭代都會引發一波「失業恐慌」。就在年初，IMF（國際貨幣基金組織）還發布報告指出，全球近40%的就業崗位會受到人工智能的影響。
圖靈測試與中文房間
不過，筆者要為Sora潑冷水。現行AI技術的底層理論─人工神經網絡（Artificial Neural Network），只是通過二進制方式模仿大腦神經的決策流程。也就是說，包括Sora在內的所有AI工具，貌似理解物質世界，但僅是「濫竽充數」。
早在1950年，英國科學家艾倫·圖靈就提出一個標準，用來評判機器是否達到人工智能的水平。機器A被關在房間中，與屋外的人類B通過文字交流。如果人類B無法分辨房間內是人類還是機器，則機器A通過了「圖靈測試」。
但到了1980年，美國科學家約翰·瑟爾提出了質疑。他描述了這樣一種情況：如果一個只懂英語的人被關在屋裏，手裏拿着一本中英文詞典，指導其根據接收到的中文信息選擇合適的中文字符來做回答。從屋外的視角來看，這人好像會懂中文，但其實他一竅不通。
局部合理與整體荒謬
那麼，如果給機器A一本《物質世界指南》，屋外的人類B很容易產生錯判─房間裏的機器A好像真的擁有了人工智能。事實上，GPT模型的性質仍屬機器智能，依賴於高質量的數據標註與訓練。GPT只是記住了如何根據上文來生成下文，並非真的掌握了自然語言。
正是由於「中文房間」效應，我們在使用ChatGPT時，經常遭遇AI出現「幻覺」：捏造內容或者答非所問。這種偏差在文生視頻工具中又被放大了，特別是Sora將視頻輸出延長至1分鐘，給了AI更多「犯錯」機會。
當我們認真觀看Sora的演示視頻時會發現，如果只是聚焦單一物體，呈現出的運動效果非常優秀，但如果兩個物體之間產生接觸，Sora就無法準確模擬出真實的物理規律，如吹滅蠟燭。
這是因為GPT模型只能處理信息的相關性，而無法掌握物理的因果律。受此影響，Sora生成的AI視頻「局部合理、整體荒謬」，極大地降低了自身的可靠性及穩定性。這一問題是由技術缺陷所致，靠算力和數據無法從根本上彌補。也因此，未來讓我們丟掉工作的，只會是熟練使用AI工具的同事，而非AI本身。
至於外界憧憬的「世界模擬器」，只能等到腦科學實現重大突破的那一天了。
（來源：大公報B2：經濟 2024/03/02）
