生成视频的物理短板：重力还学不会

引言

现在的 AI 生成视频已经能做到一眼看去以假乱真：光影细腻、运镜流畅、人物表情自然。但只要多看几秒，破绽就出来了：水往高处流，球落地不弹，人走路脚不沾地。画面越逼真，这些物理错误就越刺眼。生成视频的短板不在画质，而在物理：模型学会了“看起来像”，还没学会“就该是这样”。

错得最明显的地方

视频里最容易穿帮的，是那些人人都有直觉的物理现象。手是最常见的灾难：手指数量不对、关节弯折的方向反了、拿东西时手和物体对不上。液体也好不到哪去：倒水时水流时断时续，杯子倾斜的角度和水面的角度对不上。还有运动：人跑步时腿的摆动和身体的前进速度不匹配，球扔出去划出的弧线不符合抛物线。这些错误单独看都很小，放在一起就让人觉得“哪里不对劲”，只是说不上来。

为什么画面真、物理假

根子在于模型的学习方式。它学的是像素之间的统计规律：什么样的画面在训练数据里经常一起出现，而不是画面背后的物理原因。它知道“球落地后通常会弹起来”，是因为数据里有很多球弹起来的画面，而不是因为它理解重力和弹性。这种学习方式对付外观很有效，对付规律就力不从心了。物理规律是因果链条，统计规律是相关性，模型擅长后者，不擅长前者。画面越复杂，需要的因果链条越长，穿帮的概率就越高。

世界模型这条路

为了解决这个问题，行业正在尝试让模型不只学画面，还要学“世界是怎么运转的”。一种思路是引入物理引擎：在生成过程中加入重力、碰撞、摩擦这些硬约束，让画面必须符合物理规则。另一种思路是训练“世界模型”：让模型通过大量视频学习物体运动的内在规律，形成对物理的隐式理解。两条路各有代价：物理引擎准确但死板，世界模型灵活但不保证正确。现实的做法可能是两者结合：用世界模型负责大方向，用物理约束负责兜底。

哪些场景最先过关

物理短板的影响不是均匀的。风景、抽象画面、慢镜头这类对物理要求低的场景，生成视频已经很能打；人物互动、运动、液体这类对物理要求高的场景，还要再等一等。短视频和广告会先用起来，因为它们可以反复挑选、人工修补；影视级长镜头会晚一些，因为它要求每一秒都经得起推敲。用户的容忍度也在变化：刚开始看个热闹，慢慢就会用真实视频的标准去要求生成视频。

结尾

生成视频的物理短板，提醒我们一件事：逼真和真实是两回事。逼真骗的是眼睛，真实经得起推敲。模型要跨过这道坎，不能只靠更大的数据和更强的算力，还得补上对世界如何运转的理解。等到视频里的水往低处流、球落地会弹起、人走路脚踏实地那一天，生成视频才算真正过关。在那之前，多看几秒，破绽总会出现。