近年来，生成式AI领域最令人兴奋的发展之一便是视频生成模型的快速进步。从OpenAI的Sora到Google的Veo系列，这些模型展现出令人惊叹的能力，能够根据文本提示创建逼真的视频内容。然而，这些模型是否真正理解并掌握了现实世界的物理规律？最新研究揭示了这一问题的复杂答案。
研究背景：AI视频模型的崛起
过去几个月，许多AI支持者对生成式视频模型表现出越来越浓厚的兴趣，特别是它们似乎展现出的对现实世界物理属性有限的涌现知识。这种学习能力可能支撑起一个强大的"世界模型"，代表着生成式AI在实际现实世界操作能力上的重大突破。
Google DeepMind的研究团队试图为视频模型从训练数据中学习现实世界的能力增添科学严谨性。在其直白题为《视频模型是零样本学习者和推理者》的论文中，研究人员使用Google的Veo 3模型生成了数千个视频，测试其在感知、建模、操作和推理现实世界相关任务中的能力。
研究方法：多维度测试评估
研究人员设计了数十项与物理推理相关的任务，对Veo 3模型进行了全面评估。这些任务涵盖了从简单的图像处理到复杂的物理模拟等多个方面，旨在测试模型是否具备"零样本"学习能力——即解决未明确训练过的任务的能力。
论文中，研究人员大胆宣称Veo 3"能够解决各种它没有明确训练过的任务"（即标题中的"零样本"部分），并认为视频模型"正成为统一的通用视觉基础模型"。然而，深入分析实验结果，研究人员似乎对当前的视频模型采用了较为宽松的评估标准，并假设未来的进步将平滑掉许多目前高度不一致的结果。
测试结果：能力表现的巨大差异
成功案例：稳定的表现
在研究人员测试的数十项任务中，Veo 3确实在一些任务上取得了令人印象深刻且一致的结果。例如，该模型能够可靠地生成机器人手开罐子或投接球的逼真视频，在12次试验中表现一致。Veo 3在图像去模糊、去噪、填充复杂图像中的空白区域以及检测图像物体边缘等任务上也表现出完美或接近完美的结果。
失败案例：高度不一致的表现
然而，在其他任务上，模型表现则更为多变。例如，当被要求生成视频突出显示网格上的特定书写字符时，模型在12次试验中有9次失败。当被模拟本生 burner 点燃并燃烧一张纸时，同样有9次失败。在解决简单迷宫任务时，12次试验中有10次失败；而在按顺序弹出标记气泡来排序数字的任务中，12次试验中有11次失败。
研究争议："成功"的定义问题
对于研究人员来说，上述所有例子并非失败证据，而是模型能力的体现。在论文的"失败案例"列表中，Veo 3必须在所有12次试验中均失败某项测试才会被列入，这在62项测试中仅发生16次。对于其余任务，研究人员写道，"成功率大于0表明模型具备解决该任务的能力"。
因此，在论文中，某项任务12次试验中有11次失败被视为模型能力的证据。这种"模型具备解决任务能力"的证据包括18项任务，其中模型在超过一半的12次试验中失败，另有14项任务中模型在25%至50%的试验中失败。
这种评估方法引发了争议。从实践角度看，模型无法可靠地执行任务意味着，在大多数用例中，其性能将不够高。任何可能成为"统一的通用视觉基础模型"的未来模型都必须能够在这些测试中取得更一致的成功。
进步与展望：从Veo 2到Veo 3
研究人员确实承认Veo 3的表现"尚未完美"，但他们指出"从Veo 2到Veo 3的一致性改进"，暗示未来的视频模型"将像大语言模型对语言那样，成为视觉的通用基础模型"。研究人员确实有一些数据支持这一论点。
例如，在数千次视频生成的定量测试中，Veo 3能够72%的时间反映随机模式的水平翻转，而Veo 2的这一比例为零。Veo 3在边缘检测、物体提取和迷宫解决等任务上相比Veo 2也显示出较小但仍然令人印象深刻的改进。
然而，正如俗语所说，过去的表现并不预示未来的结果。从我们目前的角度来看，很难知道像Veo 3这样的视频模型是否即将在一致性方面看到指数级改进，或者正在接近收益递减的拐点。
技术挑战：从"偶尔正确"到"始终正确"
与编造大语言模型的经验也表明，模型"有时"产生正确结果与升级后的模型"总是"产生正确结果之间通常存在巨大差距。弄清楚视频模型在给定相同基本提示时失败或成功的原因、方式和时机并非一个简单问题，而且这不是未来的模型注定很快能解决的问题。
认知推理的复杂性
现实世界的物理推理涉及多层次的理解，从简单的因果关系到复杂的物理规律。当前的AI视频模型可能在某些方面表现出色，但在其他方面则完全失败。这种不一致性反映了AI系统在认知推理方面的根本局限性。
评估方法的局限性
目前的评估方法可能过于关注"是否能够"而非"是否能够可靠地"完成任务。在实际应用中，可靠性与能力本身同样重要，甚至更为重要。一个偶尔成功的系统很难被部署在关键任务中。
未来展望：迈向真正的世界模型
尽管当前的生成式视频模型令人印象深刻，但这种测试中显示的不一致结果证明，在它们能够被说成是对世界进行广泛推理之前，还有很长的路要走。
技术突破的可能方向
- 多模态学习整合：结合视觉、语言和其他感官数据，帮助模型建立更全面的世界表征。
- 物理规律显式学习：在训练过程中明确引入物理约束和规律，而非仅从数据中隐式学习。
- 强化学习应用：通过与环境交互和反馈，改进模型对物理世界的理解。
- 神经符号系统：结合神经网络的学习能力和符号系统的推理能力，创建更强大的认知系统。
行业影响与应用前景
尽管存在局限性，AI视频模型已经在创意产业、教育、娱乐和模拟等领域展现出巨大潜力。随着技术的进步，这些应用将变得更加可靠和强大。例如，在电影制作中，AI可以辅助创建逼真的特效；在教育领域，可以生成动态的科学演示；在游戏开发中，可以创建更加智能和响应迅速的虚拟环境。
结论：平衡乐观与审慎
AI视频模型在物理推理能力上的表现呈现出复杂图景：在某些任务上展现出接近人类水平的能力，而在其他任务上则完全失败。这种不一致性提醒我们，当前的AI系统虽然令人印象深刻，但仍处于发展的早期阶段。
Google DeepMind的研究既展示了进展，也暴露了挑战。将"偶尔成功"视为能力证据的做法可能过于乐观，但模型在某些任务上的一致成功也确实证明了其潜力。未来的发展需要在保持创新的同时，更加注重可靠性和一致性，才能实现真正的"世界模型"愿景。
随着技术的不断进步，我们有理由保持谨慎乐观。AI视频模型的发展将继续推动计算机视觉和人工智能领域的边界，但实现真正理解并推理物理世界的系统，可能还需要数年的研究和创新。
