Sora的发布掀起了关于世界模型定义与能力边界的全球性讨论。信达证券世界模型专题报告指出，Sora能够生成一分钟高保真视频，在多数用例中展现出良好的一致性，但也出现了掉不碎的水杯、吃不完的苹果等物理异常现象。这引发了核心争议：Sora究竟是理解了物理世界，还是仅在像素层面进行生成？本文基于信达证券报告，深度解析Sora世界模型争议的技术根源与产业意义。
Sora的功能亮点——从文本到视频的跨越式生成
Sora代表了视频生成模型的重要突破。从功能层面看，Sora可根据用户的文本提示生成视频，也可以进行多种方式的视频编辑，包括替换视频中的元素、合并视频、拓展视频、提高视频质量等，应用前景较为光明。
Sora的技术架构基于扩散模型与Transformer的结合。压缩模型在时间和空间上将原始视频压缩为潜在表示，Transformer扩散模型在潜在空间中进行训练，语言模型将人工指令编码到嵌入中并注入生成模型。这一架构使Sora能够生成最高一分钟的高保真视频，在视频长度和质量上均显著超越此前的视频生成模型。信达证券指出，在许多用例中，Sora确实具备一定的理解和预测世界的能力，且其生成的视频在大部分时候能有良好的一致性。
物理异常现象——水杯掉不碎、苹果吃不完
尽管Sora表现出色，但在物理一致性方面仍存在明显缺陷。在Sora生成的视频中，出现了水杯掉落但不碎裂、苹果咬了一口但形状不变等无法用物理规律解释的现象。这些物理异常表明，Sora在某些情况下并未真正理解物体在物理世界中的行为规律。
信达证券认为，这些现象支撑了“Sora仅是像素层面的生成”的观点。如果模型真正理解了物理世界，应该能预测物体受力后的合理反应。但Sora在处理复杂物理交互时的不一致性表明，其内部可能更多依赖于训练数据中的模式匹配，而非对物理规律的深层理解。这也引发了关于视频生成模型是否能真正构建世界模型的根本性讨论。
两种对立的学术观点——像素生成vs物理理解
学术界对Sora是否构成世界模型存在明显分歧。一方认为Sora仅是像素层面的生成器，通过学习大量视频数据中的统计规律来生成视觉上合理的帧序列，并未真正理解物理世界。另一方认为Sora确实具备一定的理解和预测世界的能力，生成的视频在大部分时候能保持良好一致性，体现了对空间关系和物体运动的某种程度理解。
从技术路径看，如果仅是像素层面生成，模型缺乏对物理规律的内化，在面对训练分布外的场景时会表现出不合理的行为。如果模型真正理解物理世界，则应具备泛化到新场景的能力。信达证券认为，Sora当前的表现可能介于两者之间——在某些场景中表现出了对物理的理解，在其他场景中仍受限于统计学习的局限。
产业意义——无论结论如何，视频生成模拟器路径已被验证
尽管存在争议，Sora的产业意义不可否认。信达证券指出，Sora的结果表明，扩展视频生成模型是构建物理世界通用模拟器的一条有前景的途径。即使Sora本身尚不完美，但其展示的技术路径——即通过大规模视频训练让AI学会预测视觉世界的演变——已经证明具有巨大潜力。
从应用层面看，Sora在自动驾驶、机器人、影视制作、游戏开发等领域均有广泛的应用前景。随着模型规模的扩大和训练数据的增加，视频生成模型的物理一致性有望持续改善。信达证券认为，AI正在快速学习如何理解物理世界，大模型不会满足于帮人类查找资料，长期看它甚至具备改变部分行业运行逻辑的潜力，世界模型的研究正处于从争议走向突破的关键时期。
Sora世界模型争议核心对比| 观点 | 核心论据 | 代表现象 |
|---|
| 物理理解论 | Sora在多数用例中保持良好一致性，展现对空间关系的理解 | 生成视频中物体运动轨迹合理 |
| 像素生成论 | Sora在物理交互中出现不合理解释的现象 | 水杯掉不碎、苹果吃不完 |
| 中间立场 | Sora介于两者之间，部分场景理解物理、部分受限于统计学习 | 表现不一致说明能力不完整 |
