一、先认识两位嘉宾：一个看资本和组织，一个看模型和接口
戴雨森先介绍自己：他是真格基金管理合伙人，曾是聚美优品联合创始人，真格做了十多年天使投资，投过上千个项目。AI 浪潮起来后，他参与过月之暗面、光年之外等大模型公司，也看中间层基础设施和应用项目。季逸超自称 Peak，是技术背景的创业者和真格被投者，长期做 NLP、知识图谱、信息检索和智能搜索，现在关注大模型与检索增强。
主持人把两人放在同一张桌子上，是因为他们在过去一周多里密集访谈研究者、投资人和创业团队，试图从极少的公开信息中拼出 Sora 的实现方式。两人一开始就承认：很多判断来自采样和推测，不是 OpenAI 的内部资料。这个限定非常重要，后面出现的模型大小、显卡数量、训练成本和时间表，都不能当作官方事实。
二、Sora 为什么让他们震撼：不是方向没人想到，而是时间来得太早
两位嘉宾都记得 Sora 在北京时间凌晨发布。和 ChatGPT 初次出现时的“原来对话模型可以做到这样”不同，2024 年初行业已经预期视频生成会进步，所以他们并不是完全没有心理准备。真正超预期的是：在当年还没有过完的时候，OpenAI 已经拿出了可以生成长视频、镜头连续、分辨率可变且画面稳定性很高的系统。
季逸超的第一反应不是“这是不是新的神秘架构”，而是“已知的模型结构是否已经足以做到”。从公开信息看，Sora 仍然像 Diffusion Transformer 一类路线，只是数据处理、工程技巧、模型规模和训练组织都走在前面。这让他们同时得到两个结论：第一，Sora 并非完全超出行业理解范围；第二，知道大方向不等于能在一年内做出来，因为真正决定结果的往往是未公开的 know-how。
由于普通人只看到官方精选视频和 OpenAI 员工根据网友 Prompt 返回的样本，嘉宾刻意提醒 cherry-picking 的可能。没有真正使用产品之前，任何人都只能评价展示窗口，而不能评价模型在任意提示下的稳定性。
三、Sora 背后是什么样的团队：精干、年轻，而且能把小实验迅速放大
访谈把人才放在技术之前。嘉宾根据公开信息推测，Sora 核心团队并不庞大，可能只有十几位关键成员；其中 Tim、Bill 等人与伯克利和 DALL·E 3 团队有研究和师承关系。Bill 在 Meta 实习期间做过 DiT 相关工作，最初并没有得到最大资源支持，更像是出于兴趣和技术直觉推进。
这里的重点不是把成功归因于某个天才，而是观察组织如何对待年轻人的探索。一个视频生成方向人人都知道重要，但只有少数组织同时具备数据、训练工程、研究人才和快速追加资源的能力。OpenAI 被描述为一种“顶层有 AGI 愿景、底层允许探索”的组织：负责人能理解前沿技术，研究团队可以在多个方向试错，某个方向一旦显出突破，就能获得足够算力继续 scale。
两人也保留了另一条路线的可能性。他们提到 VideoPoet 等更偏自回归或多模态组合的探索，提醒听众不要因为 Sora 领先，就把 Diffusion 路线当作最终答案。研究方向需要像训练模型一样保留多个样本，而不是全行业立即复制一个已经公开的结果。
四、人才地图与组织文化：学术提供种子，工业负责把种子长成树
嘉宾列举了北美和中国的 AI 人才来源：斯坦福、伯克利、MIT、CMU、多伦多、滑铁卢，以及清华、上海交大、中科大等学校和实验室。他们做的不只是列学校，而是交叉观察师承、实验室、同行评价和研究贡献，寻找“优中选优”的研究者。
但戴雨森又把创业者要求向前推进了一步：技术强不等于会做公司。研究员需要愿意学习产品、商业、组织和客户；他认为研究能力向企业家能力转化相对可行，反过来让普通企业家变成顶尖研究员则困难得多。这个判断并不是说研究者天然更好，而是说技术门槛的不可逆性很强：先有深技术，再补商业能力，通常比先有商业能力、再补一线研究能力更现实。
学术界与工业界的关系也被重新解释。学术研究可以在没有立刻商业目标的地方发现“种子”，工业组织则提供大规模数据、算力和工程化，把种子长成产品。谢赛宁从工业界回到学术界的选择，在嘉宾看来不一定是失败或退出，而可能是他更喜欢探索尚未有直接用途的方向。
五、大厂为什么拥有钱、卡和数据，却不一定最快
访谈用 Google 与 YouTube 的例子说明，资源所有权不等于资源可用。理论上 Google 有全世界最丰富的视频数据，但 YouTube 的用户协议、部门利益和内容版权，可能使内部训练生成模型变得非常困难。外部团队可能在抓取同样的公开素材，而大厂内部反而要先解决合规与利益冲突。
这也是为什么嘉宾不认为“大厂拥有钱、人才和数据，所以必然碾压创业公司”。初创公司更容易让一个小团队快速做实验，决策链更短，组织负责人可能直接理解技术。大厂若不能把 AI 项目放到一线前沿人才手里，或者仍然用传统部门边界管理新技术，就会把自己的规模优势变成摩擦。
两人也提到人才流动和公司文化：有人从 OpenAI 离开，有人从 Google 去 TikTok，有人回到学术界。这些变化不能简单解读成哪家公司出了问题。更值得关注的是，一个组织是否真的重视新技术，是否允许研究员做前沿探索，是否让懂技术的人参与一号位判断。
六、Sora 可能用了多大模型和多少算力：公开信息能告诉我们的上限很有限
嘉宾依据 Sora Tech Report、DiT 论文中的 scaling 关系和生成时延做推测。节目里出现过“约 6B”“约 6 到 10B”一类模型规模说法，也讨论过实验阶段可能使用一两千张 H100、更多卡并行做试验，以及训练成本达到数千万美元量级的可能性。它们都不是 OpenAI 财务或算力披露，应该被理解为模型从生成质量、速度和规模倒推出来的量级估计。
两人把真正的秘密放在容易被忽视的部分：Tokenizer、Encoder、Decoder、latent space、Positional Encoding，以及如何把视频切成 patch 并重新组合。技术报告对 Diffusion Transformer 和 scaling 讲得相对清楚，但对这些“看起来像工程细节”的环节一笔带过。对于真正训练过模型的人来说，细节决定最终效果；同样的架构，如果数据清洗、编码方式、训练目标和采样策略不同，结果可能完全不同。
节目还提到，生成一分钟视频可能需要现实中约二十分钟。这个时延是访谈时点的嘉宾判断，不是稳定产品指标。它反而帮助说明 Sora 当时更像一个能力展示和研究系统，而不是已经完成交互、成本和可靠性优化的消费产品。
七、Sora 到底解决了什么：长时长、原生分辨率和时空一致性
在原文推进里，嘉宾不把“画面漂亮”当成唯一突破，而是列出几个可观察的变化。过去商业视频生成往往只能输出三到五秒，Sora 可以连续生成约六十秒，而且一段视频可能包含多个镜头。它支持多种分辨率，能够更贴合手机竖屏等原生设备形态，而不是先用固定尺寸训练再强行裁剪。
更难量化的是一致性：物体被遮挡后仍能出现，人物和场景在镜头中保持相对稳定，狗从一个窗台走到另一个窗台时，每条腿会落在合理的位置，而不是踩在空气里。Minecraft 等示例显示，模型似乎学到了一部分虚拟世界的规则。但“似乎学到”仍然不是“已经理解”，因为视频很容易被精选、剪辑和短时间窗口掩盖错误。
两位嘉宾把 Sora 称作“GPT 时刻”，而不是“ChatGPT 时刻”：GPT-3 让人看到模型能力的涌现，ChatGPT 才把能力变成可交互的产品。Sora 当时更像一个涌现了火花的模型，距离用户可以反复使用、修改、延展和控制的产品形态，还有很远。
八、“世界模拟器”要分层看：生成幻想不等于预测因果
主持人追问 Sora 是否已经是世界模拟器。嘉宾没有直接接受宏大叙事，而是把“理解世界”拆成多个层级。
第一层是静态合理性，例如生成一个航拍空景。第二层是物理因果，例如杯子掉地上会碎、水会洒出；Sora 的杯子破碎案例仍然不稳定。第三层是社会因果：人看到海豚、鲨鱼和鳄鱼的反应不同，婴儿打父亲和壮汉打瘦人的后果也不同。第四层是长时间叙事，电影开头埋下的线索，是否会在结尾产生呼应。把这些层级一次性都叫“世界模型”，会夸大能力。
嘉宾提出一个更严格的测试：不要只给模型一段完整 Prompt，让它从头生成一个容易在训练数据里见过的食物特写；应该给它视频前五秒，让它继续预测后五秒。前缀确定之后，后续搜索空间大幅增加，模型必须处理因果、状态和时间连续性。生成一个新奇幻想和预测已发生事件的后续，可能需要不同能力，未来甚至可能对应不同模型和产品。
这段讨论的结论是：Sora 可能形成了某种对世界的“足够好”的直觉，而不必先写出牛顿定律；但目前的官方样片不足以证明它能长期、可控、可证伪地模拟物理和社会世界。
九、视频平台的数据优势：有数据还不够，关键是能否筛出好数据
主持人问抖音、B 站、YouTube 等内容平台是否天然拥有视频模型优势。嘉宾的回答有两面。一方面，拥有视频数据肯定比没有数据更有利；另一方面，原始视频数量不是关键，真正困难的是从海量视频里筛出质量高、版权清楚、隐私可用、适合训练的样本。
大平台还会面对一个反直觉问题：自己的内容生态可能因为生成模型而受损。训练者需要创作者授权，平台需要保护广告和内容分发业务，不能把“有数据”直接等同于“可以拿来训练”。长期看，内容平台的优势可能不只在历史数据，还在实时知识：新的游戏、新的主播、新的事件可以更快通过自有平台进入模型，减少知识截止日期问题。
主持人和嘉宾也讨论了视频模型与语言模型是否应该统一。语言是离散 token，图像和音频是连续信号；每种模态有不同的编码器、训练目标和 loss。强行把它们放到一个模型里，未必立即带来质变。短期更可能是“拼接”：语言模型承担理解、规划和导演角色，Diffusion 模型负责生成视频，接口之间通过更详细的 Prompt 连接起来。
十、多模态大一统的价值：工具越专越好，主体越需要完整感知
节目没有把“大一统”当作唯一正确方向。对一个工具来说，越专越强可能更有用：只要它把视频生成、翻译或某个专业任务做得极好，不必同时承担所有模态。对一个拥有自主学习能力的主体来说，多模态输入可能更重要，因为它需要把语言、视觉、动作和环境状态结合起来。
嘉宾用自动驾驶和机器人说明融合的潜在价值：语言模型更擅长抽象知识、工具调用和人性判断，视觉模型更擅长感知周围运动和物理信号。真正有用的统一模型，不能是“每个模态都一般”，而需要在各自模态上足够强，再在跨模态任务上产生增益。
他们同时提醒，越端到端、越大一统，系统越像黑盒，可解释性和可控性可能下降。最好的架构未必是最统一的架构，而是根据场景选择：哪些能力需要统一训练，哪些能力需要可解释模块和硬安全边界。
十一、从 GPT-5 到 AI 投资：能力进步很快，应用落地可能更慢
谈到下一代模型，嘉宾预测的方向包括更少随机性、更高可靠性、更长上下文、更好的工具使用与 Agent 能力、更低推理成本，以及操作电脑界面的能力。他们不敢给 GPT-5 的具体发布时间和能力做确定预测，但认为 Sora 已经提高了市场对模型曲线的期待。
与模型投资热情相对的是应用落地速度。戴雨森用“智商 80、90 还不够，必须越过 100 的有用门槛”来解释 AI 的突变性：传统互联网可以在底层不完美时先上线网站、邮件和电商；AI 助手只有在可靠性达到某个门槛后，用户才会愿意把工作交给它。自动驾驶从 2005 年挑战赛到产生可观察收入也用了近二十年，技术进步和商业化并不同步。
两人仍然看好基础设施投资，因为国家、平台和大公司不敢错过通用技术；但他们对应用出现的速度更谨慎。泡沫会浪费很多钱，却可能留下训练集群、人才、数据治理和基础软件，为未来应用铺路。投资人既不能等泡沫破灭后才开始学习，也不能因为泡沫破灭就放弃行业。
十二、大模型淘汰赛：像芯片一样分化，而不是永远有很多通用冠军
节目把通用大模型比作芯片产业。通用模型需要极高技术难度和资本开支，消费者会偏向更好的模型，因此不太可能长期存在大量同质化的通用模型公司。但这不代表只有一个赢家，嘉宾提出三种可能的分化路径。
第一是更经济的模型，能力略低但成本大幅下降，适合大量调用；第二是更小、更低功耗的端侧模型，部署在手机、电脑和设备上；第三是垂直模型，在金融、医疗、代码等领域牺牲通用能力，换取更高的专业精度。模型公司的商业价值最终取决于它能否帮助别人创造价值，并从价值中收取一部分 take rate；如果没有自己的应用，也需要和拥有入口的平台形成强合作。
OpenAI 被比作“超级大脑”，微软提供身体、基础设施和分发。节目借 ChatGPT 的产品化说明一个关键事实：GPT 最初只是 autocomplete，ChatGPT 通过对话把用户输入、模型输出和反馈连接起来，才真正形成产品。Sora 如果只生成一次视频就结束，还没有完成从 GPT 到 ChatGPT 的产品跃迁，需要让用户继续修改、延展、互动和调用。
十三、应用生态什么时候爆发：先是新瓶装旧酒，再出现全新的商业模式
嘉宾把 AI 应用的演进分成两个阶段。第一阶段是用新技术解决旧问题：AI 写文章、画图、写代码，相当于把报纸、画笔和程序员的部分工作迁移到新工具。原有平台往往有分发和数据优势，因此创业公司会很难在旧功能上直接取代它。
第二阶段是当大多数人都能使用 AI 后，出现旧技术无法表达的新组织方式。例如个人真正拥有自己的 Agent，内容主要由 AI 产生，人与 AI、AI 与 AI 之间协作，机器人进入现实世界。届时价值分配、内容消费和企业组织都会变化，这才可能产生超越“AI 加在旧功能上”的大公司。
因此 Sora 应用不是“不靠谱”，很多只是太早。移动互联网早期如果有人预测抖音，方向可能正确，但在黑莓和早期网络条件下无法落地。技术革命通常短期被高估、长期被低估；看到一个演示就认为一年后所有公司都能复现，是把软件复制速度误套到模型训练上。
十四、投资人的选择：看人、看产品化能力，但不假装比研究员更懂技术
戴雨森解释真格为什么投月之暗面和光年之外：两位创始人都是长期关注的技术人才，但投资并不是“把所有模型公司都买一遍”。真正知道谁能进入淘汰赛，需要先花时间看候选人，不能事后看到冠军再倒推自己应该全投。
对应用创业者，两人看重三点：真的理解 AI，不一定是研究员但不能只会包装；有国际视野，因为当时创新仍在全球同步发生；足够年轻、AI native，并能把技术、产品和组织整合起来。他们认为研究员向企业家转型是少数但重要的能力，不能把“技术大牛”当作创业完成态。
作为投资人，他们会学习论文、跟踪 SOTA 和关键问题，但不把自己放在技术判断的最高位置。既然过去多数人没有预测到 ChatGPT 这样快的跃迁，就应该承认预测能力有限，把注意力放在驱动变化的根本条件和最优秀的人身上。
十五、最后的两个建议：好奇心与个人数据
戴雨森给普通人的建议是，不要把自己的工作变成 AI 最擅长的“拼接”：从这里复制一点、那里整理一点、再把信息缝在一起。越容易被训练数据覆盖的重复内容，越可能被机器完成；人类更需要走向原创思考、真实关系和必须由人承担的互动。他同时建议，无论是记者、律师还是投资人，都应该把自己的职业与 AI 建立连接。
季逸超给了一个更私人、也更可操作的建议：从现在开始记录生活。他因为担心未来 AI 越来越强，而人的身体和认知状态会衰退，开始写日记，后来升级成图文并茂的多媒体日记。这样做不是把“数字永生”当成已实现的技术，而是把自己当下的经验、判断和生活数据保存下来，未来的 AI 才可能更好地理解这个具体的人。
节目最后承认仍有两个未知：Sora 到底用了哪些尚未公开的数据处理方法；它对真实世界的模拟能走到什么程度。季逸超还希望看到开发者接口：如果 Sora 不仅生成视频，还能通过少量示例完成视觉任务，它才可能像 ChatGPT 一样成为新的通用平台。