Cuando OpenAI presentó Sora, lo llamativo no fue solo que generase vídeo de hasta un minuto con una fidelidad notable para la época. El informe técnico que publicó la compañía planteaba algo más ambicioso: tratar los modelos de vídeo como simuladores generales del mundo físico, no solo como generadores de contenido.
Cómo se entrenó Sora
Sora se entrenó unificando datos visuales de duraciones, resoluciones y proporciones de aspecto muy distintas en una única representación común. La idea viene directamente de los grandes modelos de lenguaje: igual que un LLM trocea el texto en tokens, Sora trocea el vídeo en «parches visuales», su unidad básica de representación. Eso le permite aprender de un abanico enorme de datos visuales, desde una simple foto hasta vídeo en alta definición, sin tener que normalizarlo todo antes.
Antes de llegar al transformador, el vídeo pasa por un mecanismo de compresión que lo lleva a un espacio latente de menor dimensión. Ahí se descompone en parches espacio-temporales, que funcionan como los tokens que el modelo va a procesar. Es un método escalable, y por eso Sora puede generar contenido en resoluciones, duraciones y proporciones muy distintas sin cambiar de arquitectura.
Lo que sorprendió en las pruebas
Lo más comentado del informe fueron las capacidades «emergentes» que nadie había pedido explícitamente al modelo: coherencia tridimensional de la escena y permanencia de los objetos a lo largo del vídeo, incluso cuando quedan fuera de plano un momento y vuelven a aparecer. Son señales de que el modelo no solo genera píxeles convincentes, sino que capta algo de cómo se comportan los objetos en el espacio y el tiempo.
Eso sí, con límites claros. Sora no modelaba bien ciertas interacciones físicas, y acciones tan simples como comer un alimento no siempre generaban el cambio de estado del objeto que cabría esperar. Eran fallos típicos de un simulador todavía inmaduro, no de un generador de vídeo bonito pero sin entender lo que muestra.
Qué ha pasado con Sora desde entonces
Aquel primer Sora ya no es el que usan hoy los creadores. OpenAI retiró Sora 1 y concentró todo el desarrollo en Sora 2, con mejor coherencia física y una app social propia para compartir lo generado. El terreno, además, se ha llenado de competencia: Seedance de ByteDance ha llegado a chocar con estudios de Hollywood por derechos de autor y deepfakes, prueba de que la carrera por convertir el vídeo generativo en un simulador fiable del mundo real sigue muy viva.
Preguntas frecuentes
¿Qué es Sora?
Es el modelo de generación de vídeo de OpenAI, presentado en 2024, capaz de crear secuencias a partir de un prompt de texto con coherencia visual notable.
¿Por qué se dice que Sora es un «simulador del mundo»?
Porque, además de generar vídeo visualmente convincente, mostró capacidades como mantener la coherencia 3D de una escena y la permanencia de los objetos, señales de que capta algo de cómo funciona el mundo físico, no solo cómo se ve.
¿Sigue existiendo la versión original de Sora?
No como producto activo. OpenAI retiró Sora 1 y concentró el desarrollo en Sora 2, que mejora la coherencia física y añade una plataforma social para compartir los vídeos generados.
¿Qué limitaciones tenía el Sora original?
No modelaba con precisión ciertas interacciones físicas complejas, y algunas acciones simples, como comer, no siempre generaban un cambio de estado coherente en el objeto.
¿Qué otras empresas compiten en vídeo generativo?
ByteDance, con Seedance, es uno de los rivales más activos, hasta el punto de haber recibido requerimientos legales de estudios como Disney por cuestiones de copyright y deepfakes.
