2026 年 3 月，OpenAI 悄然宣布将停止其大肆宣传的 AI 视频生成工具 Sora。对于一款曾经以其令人惊叹的演示视频吸引互联网的产品来说，最终的结局并不是一声巨响，而是一篇简短的博客文章和有关数据删除的常见问题解答。 Sora 的兴衰是近代人工智能历史上最具启发性的故事之一，揭示了有关计算经济学、市场竞争以及令人印象深刻的演示和可持续产品之间差距的残酷事实。
本文探讨了 Sora 的承诺、失败的原因、人工智能视频生成的现状，以及每个人工智能初创公司和开发人员应该吸取的教训。
当 OpenAI 于 2024 年 2 月首次预览 Sora 时，感觉就像看到了未来。演示视频令人震惊：一名女子走过霓虹灯闪烁的东京街道，长毛猛犸象在雪地里艰难前行，一部完全由文本提示生成的电影预告片。市场上没有其他产品可以与 Sora 所展示的视觉质量和时间连贯性相媲美。
这个承诺很简单，而且雄心勃勃：输入一句话，获得好莱坞品质的视频。 OpenAI 将 Sora 定位为生成式 AI 的下一个前沿领域，沿着从文本 (GPT) 到图像 (DALL-E) 再到视频的路径。
炒作是巨大的。电影制片厂、广告公司和内容创作者开始围绕人工智能生成的视频规划工作流程。分析师预测两年内市场规模将达到数十亿美元。
人工智能视频生成的根本挑战是物理学。视频的计算成本比图像高几个数量级。单个图像是一帧。每秒 24 帧的 10 秒视频为 240 帧，每个帧必须在空间上与其他帧一致。
Sora 需要大量 GPU 集群来生成甚至很短的剪辑。前 OpenAI 工程师的报告表明，生成一分钟的 Sora 视频比处理数千个 ChatGPT 对话消耗的计算量更多。从规模上看，经济根本行不通。据报道，即使定价较高，OpenAI 在 Sora 基础设施上的支出也超过了该产品产生的收入。
尽管 Sora 的演示视频令人印象深刻，但 2024 年 12 月向用户发货的产品讲述了一个不同的故事。用户很快就发现了局限性：扭曲的手、不一致的物理特性、镜头之间的角色变形，以及产生“恐怖谷”结果的倾向，这些结果几乎足够好，但不太适用于专业工作。
事实证明，精心策划的演示视频与实际输出之间的差距很难弥合。每一项改进都需要成倍增加的计算量，从而形成成本上升和回报递减的恶性循环。
也许最具破坏性的因素是竞争。到 2026 年初，多家公司推出了可行的视频 AI 产品：
这些竞争对手并没有试图与索拉的最高品质相匹配。相反，他们找到了实用的利基市场，“足够好”的视频生成可以以可持续的成本提供真正的价值。这是技术领域反复出现的模式：获胜的产品很少是技术上最令人印象深刻的。它是以可接受的价格解决实际问题的。
要点： Sora 的失败主要并不是技术问题。这是一个经济问题。大规模生成高质量视频的计算成本超出了市场愿意支付的价格，尤其是在存在更便宜的替代方案的情况下。
随着 Sora 的离开，人工智能视频领域已经进入了更加现实的平衡状态。事情就是这样。
|工具|实力|最适合 |典型成本| |------|----------|----------|----------| |跑道 Gen-3 |专业编辑|电影和广告| 30-100 美元/月 | |鼠兔2.0 |快速短片 |社交媒体内容 | $10-30/月 | |克林1.6 |成本效益|大批量生产| 5-20 美元/月 | |谷歌 Veo 2 | YouTube 集成 |内容创作者 |包含在 YouTube Premium 中 | |稳定性视频|开源 |开发人员和研究人员|免费（自托管）|
尽管取得了实际进展，2026 年的人工智能视频生成仍面临几个基本挑战：
2026 年最成功的 AI 视频工具不是生成器。他们是编辑。他们不是从无到有地创建视频，而是增强、修改和扩展现有的镜头。背景替换、风格转换、对象移除和自动颜色分级都是人工智能以合理成本提供明确价值的领域。
这反映了人工智能图像工具所发生的情况。虽然文本到图像生成成为头条新闻，但真正的商业成功来自 Photoshop、Canva 和 Figma 中人工智能驱动的编辑工具。
要点： 人工智能视频的未来不是“输入提示，观看电影”。它是人工智能驱动的编辑工具，可以增强而不是取代人类的创造力。最具有商业可行性的应用程序增强了现有的工作流程。
索拉的故事所提供的重要教训远远超出了视频生成的范畴。
策划的演示和可投入生产的产品之间的差距是巨大的。 Sora 的演示是通过无限的计算生成的，是从数百次尝试中手工选择的，并被选择来展示模型的优势。真正的用户需要在不同的提示中获得一致的质量，并且价格要能够承受，周转时间以秒而不是分钟为单位。
每个人工智能初创公司都应该问：“我们能否以市场愿意支付的价格可靠地、大规模地提供这种质量？”
每次推理都需要大量计算的人工智能产品存在一个基本的商业模式问题。与边际成本接近于零的软件不同，人工智能推理随着使用量呈线性（或更糟）扩展。 Sora 发现，如果每次使用的成本都高于客户愿意支付的价格，那么世界上最令人印象深刻的人工智能产品也毫无价值。
这就是为什么像 Google TurboQuant（它实现了 6 倍内存压缩且精度损失为零）这样的模型压缩技术如此重要。解决效率问题的公司将会获胜，而不是那些构建最大模型的公司。
Runway、Pika 和 Kling 并没有尝试与 Sora 的巅峰品质相媲美。他们确定了特定的用例（社交媒体剪辑、B-roll 片段、视频编辑），其中 80% 的质量和 20% 的成本是更好的产品。在技术市场上，实用的解决方案几乎总是胜过技术先进的解决方案。
Google Veo 2 与 YouTube Studio 的集成使其立即对数百万创作者有用。 Runway 的剪辑优先方法适合现有的制作工作流程。 Sora 作为一个独立的产品存在，需要用户改变他们的工作方式。教训：在用户所在的地方与他们见面。
Sora 的关闭并不意味着生成式人工智能正在失败。恰恰相反。更广泛的生成人工智能市场正在蓬勃发展。但这确实标志着该行业的成熟，炒作让位于有关单位经济效益、用户需求和可持续商业模式的难题。
对于任何学习 生成式 AI] 的人来说，Sora 是一个案例研究，展示了人工智能在实验室中可以做什么和作为产品可以做什么之间的差异。理解这种区别对于任何构建或投资人工智能的人来说都是至关重要的。
Sora 的去世标志着生成人工智能“越大越好”时代的结束。那些构建高效、集成且经济可持续的人工智能产品的公司将会蓬勃发展。
如果您有兴趣了解生成式 AI 背后的技术基础（包括扩散模型、变压器和多模态系统的工作原理），AI 分支计划] 深入介绍了这些架构。
索拉的故事并不是一个失败的故事。这是一个行业了解真正重要的事情的故事。这一教训，即可持续价值胜过壮观的演示，将影响未来几年人工智能的发展。