Simulacija fizike u AI videu: Kako su modeli konacno naucili postivati stvarnost

Problem kosarkaske lopte

OpenAI je to savrseno opisao prilikom lansiranja Sora 2: u ranijim modelima, ako bi kosarkaska lopta promasila kos, jednostavno bi se materijalizirala unutar mreze. Model je znao narativni ishod (lopta ulazi u kos), ali nije imao pojam o fizickim ogranicenjima koja bi trebala upravljati njenim putovanjem.

Ovo nije bio manji bug. Bio je simptomatican za temeljno arhitektonsko ogranicenje. Rani modeli za generiranje videa bili su izvrsni u vizualnom prepoznavanju uzoraka, ucili su generirati okvire koji su pojedinacno izgledali uvjerljivo dok su u sekvenci ostajali fizicki nekoherentni.

Tri stupa fizickog razumijevanja

Proboj u simulaciji fizike pociva na tri medusobno povezana napretka: modeliranje svijeta, lancanom zakljucivanje i poboljsani mehanizmi vremenske paznje.

Modeli svijeta vs predikcija okvira

Tradicionalno generiranje videa tretiralo je zadatak kao sekvencijalnu predikciju okvira: dani okviri od 1 do N, predvidi okvir N+1. Ovaj pristup inherentno ima poteskoca s fizikom jer nema eksplicitnu reprezentaciju temeljnog fizickog stanja.

Modeli svijeta imaju fundamentalno drugaciji pristup. Umjesto izravnog predvidanja piksela, prvo konstruiraju internu reprezentaciju fizickog stanja scene, ukljucujuci pozicije objekata, brzine, materijale i interakcije. Tek tada renderiraju ovo stanje u vizualne okvire. Ovaj pristup, detaljno istrazean u nasoj analizi modela svijeta, predstavlja paradigmatsku promjenu u nacinu razmisljanja o generiranju videa.

Lancano razmisljanje za video

Kling O1, izdan krajem 2025., uveo je lancano zakljucivanje u generiranje videa. Prije generiranja okvira, model eksplicitno razmislja o tome sto bi se fizicki trebalo dogoditi u sceni.

Za scenu case koja pada sa stola, model prvo razmislja:

• Casa ima pocetnu brzinu nula, pozicija na rubu stola
• Gravitacija ubrzava casu prema dolje brzinom 9,8 m/s²
• Casa dodiruje pod nakon otprilike 0,45 sekundi
• Materijal case je krhak, pod je tvrda povrsina
• Udarac premuje prag lomljenja, casa se razbija
• Krhotine se rasipaju uz ocuvanje zamaha

Ovaj eksplicitni korak zakljucivanja dogada se u latentnom prostoru modela prije nego sto se generiraju bilo koji pikseli. Rezultat je video koji postuje ne samo vizualnu estetiku vec i uzrocne lance.

Vremenska paznja u velikom mjerilu

Arhitektonski temelj koji omogucuje ove napretke je vremenska paznja, mehanizam kojim video modeli odrzavaju konzistentnost kroz okvire. Arhitektura difuzijskog transformera koja pokrece moderne video modele procesira video kao prostorno-vremenske zakrpe, omogucujuci paznji da tece prostorno unutar okvira i vremenski izmedu njih.

Moderni video modeli procesiraju milijune prostorno-vremenskih zakrpi po videu, sa specijaliziranim glavama paznje posvedenima fizickoj konzistentnosti. Ovo mjerilo omogucuje modelima pracenje identiteta objekata i fizickog stanja kroz stotine okvira, odrzavajuci koherentnost koja je bila nemoguca s ranijim arhitekturama.

Benchmark-ovi fizike stvarnog svijeta

Kako zapravo mjerimo kvalitetu simulacije fizike? Podrucje je razvilo nekoliko standardiziranih testova:

Kling modeli dosljedno briljiraju u dinamici fluida, s posebno impresivnom simulacijom vode i fizikom tkanina. OpenAI-jev Sora 2 vodi u realizmu sudara i ocuvanju zamaha, rukujuci kompleksnim interakcijama vise objekata s impresivnom tocnoscu.

Test gimnasticarke

Jedan od najzahtjevnijih benchmark-ova fizike ukljucuje olimpijsku gimnastiku. Gimnasticarka koja izvodi akrobacije prolazi kroz kompleksnu rotacijsku dinamiku: ocuvanje kutne kolicine gibanja, promjenjivi moment tromosti kako se udovi ispruaju i skupljaju, te precizno tempiranje primjene sile za odskoke i doskoke.

Rani video modeli generirali su impresivne pojedinacne okvire gimnasticarki u zraku, ali su katastrofalno zakazali na fizici. Rotacije bi se nasumicno ubrzavale ili usporavale. Doskoci bi se dogadali u nemogucim pozicijama. Tijelo bi se deformiralo na nacine koji su krsili anatomska ogranicenja.

Sora 2 eksplicitno je istaknuo olimpijsku gimnastiku kao benchmark koji sada pravilno rukuje. Model prati kutnu kolicinu gibanja gimnasticarke kroz cijelu rutinu, ubrzavajuci rotaciju kada se udovi povlace (efekt pirouette klizaca) i usporavajuci kada se ispruaju.

Razumijevanje materijala

Simulacija fizike protee se izvan kretanja na svojstva materijala. Kako model zna da se staklo razbija dok guma odskakuje? Da voda prska dok se ulje nakuplja? Da se metal plasticno deformira dok drvo puca?

Odgovor lezi u podacima za treniranje i naucenim pretpostavkama modela. Treningom na milijunima videa koji prikazuju materijale u interakciji sa svijetom, modeli razvijaju implicitno razumijevanje materijala. Staklo koje pada na beton proizvodi drugaciji rezultat od stakla koje pada na tepih, a moderni modeli hvataju ovu distinkciju.

Ogranicenja i granicni slucajevi

Unatos ovim naprecima, simulacija fizike u AI videu ostaje nesavrsena. Nekoliko poznatih ogranicenja ostaje:

Dugorocna stabilnost: Fizika ostaje tocna 5-10 sekundi, ali moze odstupati tijekom duljeg trajanja. Produljeni videi mogu postupno krsiti zakone ocuvanja.

Kompleksni sustavi vise tijela: Dok sudar dva objekta funkcionira dobro, scene s desecima objekata u interakciji (poput padajuceg tornja Jenga) mogu proizvoditi greske.

Neobicni materijali: Pristranosti podataka za treniranje znace da se uobicajeni materijali (voda, staklo, metal) bolje simuliraju od egzoticnih (nenewtonski fluidi, magnetski materijali).

Ekstremni uvjeti: Fizika na vrlo malim skalama (molekularna), vrlo velikim skalama (astronomska), ili ekstremnim uvjetima (blizu brzine svjetlosti) cesto zakazuje.

Implikacije za kreatore

Sto poboljsana simulacija fizike znaci za kreatore videa?

Prvo, dramaticno smanjuje potrebu za postprodukcijskim popravcima. Scene koje su prethodno zahtijevale pazljivo uredivanje za ispravljanje fizickih nemogucnosti sada se pravilno generiraju iz prvog pokusaja.

Drugo, omogucuje nove kreativne mogucnosti. Tocna simulacija fizike znaci da se Rube Goldbergovi strojevi, sportske sekvence i akcijske scene mogu generirati bez mukotrpne rucne korekcije.

Trece, poboljsava percepciju gledatelja. Gledatelji podsvjesno detektiraju krsenja fizike, cime fizicki tocni videi djeluju stvarnije cak i kada je razliku tesko artikulirati.

Put naprijed

Simulacija fizike nastavit ce se poboljsavati duz nekoliko osi:

Dulja vremenska konzistentnost: Sadasnji modeli odrzavaju fiziku sekundama, buduci modeli ce je odrzavati minutama.

Kompleksnije interakcije: Scene sa stotinama objekata u interakciji postat ce izvedive.

Nauceni fizicki engine-i: Umjesto implicitne fizike iz podataka za treniranje, buduci modeli mogu ukljucivati eksplicitnu simulaciju fizike kao komponentu.

Fizika u stvarnom vremenu: Trenutno je generiranje svjesno fizike sporo, ali optimizacija bi mogla omoguciti generiranje u stvarnom vremenu s fizickom tocnoscu.

Putovanje od teleportirajucih kosarkaskih lopti do realisticnih odskoka predstavlja jedan od najznacajnijih napredaka u generiranju AI videa. Modeli su naucili, ako ne razumjeti fiziku na nacin na koji to rade ljudi, barem postivati njezina ogranicenja. Za kreatore, ovo znaci manje korekcija, vise mogucnosti i videe koji jednostavno djeluju stvarnije.