Simulacija fizike u AI videu: Kako su modeli konačno naučili da poštuju realnost

Problem košarkaške lopte

OpenAI je to savršeno opisao pri lansiranju Sora 2: u ranijim modelima, ako bi košarkaška lopta promašila koš, jednostavno bi se materijalizovala unutar mreže. Model je znao narativni ishod (lopta ulazi u koš) ali nije imao koncept fizičkih ograničenja koja bi trebalo da upravljaju putanjom.

Ovo nije bila manja greška. Bila je simptom fundamentalnog arhitekturalnog ograničenja. Rani modeli za generisanje videa su se isticali u vizuelnom prepoznavanju obrazaca, učeći da generišu kadrove koji izgledaju pojedinačno uverljivo dok ostaju fizički nekoherentni kada se gledaju u sekvenci.

Tri stuba fizičkog razumevanja

Proboj u simulaciji fizike počiva na tri međusobno povezana napretka: modelovanje sveta, lančano rezonovanje i poboljšani mehanizmi temporalne pažnje.

Modeli sveta nasuprot predviđanju kadrova

Tradicionalno generisanje videa je tretiralo zadatak kao sekvencijalno predviđanje kadrova: dati kadrovi od 1 do N, predvideti kadar N+1. Ovaj pristup inherentno ima probleme sa fizikom jer nema eksplicitnu reprezentaciju osnovnog fizičkog stanja.

Modeli sveta zauzimaju fundamentalno drugačiji pristup. Umesto direktnog predviđanja piksela, oni prvo konstruišu internu reprezentaciju fizičkog stanja scene, uključujući pozicije objekata, brzine, materijale i interakcije. Tek tada renderuju ovo stanje u vizuelne kadrove. Ovaj pristup, detaljno istražen u našoj analizi modela sveta, predstavlja promenu paradigme u načinu na koji razmišljamo o generisanju videa.

Lanac misli za video

Kling O1, objavljen krajem 2025, uveo je lančano rezonovanje u generisanje videa. Pre generisanja kadrova, model eksplicitno rezonuje o tome šta bi se fizički trebalo dogoditi u sceni.

Za scenu u kojoj čaša pada sa stola, model prvo rezonuje:

• Čaša ima početnu brzinu nula, pozicija na ivici stola
• Gravitacija ubrzava čašu nadole sa 9.8 m/s²
• Čaša dodiruje pod posle približno 0.45 sekundi
• Materijal čaše je krt, pod je tvrda površina
• Udar prelazi prag loma, čaša se razbija
• Krhotine se rasipaju uz očuvanje impulsa

Ovaj eksplicitni korak rezonovanja dešava se u latentnom prostoru modela pre nego što se generiše bilo koji piksel. Rezultat je video koji poštuje ne samo vizuelnu estetiku već i uzročne lance.

Temporalna pažnja u velikom obimu

Arhitekturalna osnova koja omogućava ove napretke je temporalna pažnja, mehanizam kojim video modeli održavaju konzistentnost kroz kadrove. Arhitektura difuzionog transformera koja pokreće moderne video modele obrađuje video kao prostorno-vremenske zakrpe, omogućavajući pažnji da teče i prostorno unutar kadrova i temporalno kroz njih.

Moderni video modeli obrađuju milione prostorno-vremenskih zakrpa po videu, sa specijalizovanim glavama pažnje posvećenim fizičkoj konzistentnosti. Ova skala omogućava modelima da prate identitet objekta i fizičko stanje kroz stotine kadrova, održavajući koherenciju koja je bila nemoguća sa ranijim arhitekturama.

Benčmarkovi fizike stvarnog sveta

Kako zapravo merimo kvalitet simulacije fizike? Oblast je razvila nekoliko standardizovanih testova:

Kling modeli su se konzistentno isticali u dinamici fluida, sa posebno impresivnom simulacijom vode i fizikom tkanine. OpenAI-jev Sora 2 predvodi u realizmu sudara i očuvanju impulsa, rukujući složenim interakcijama više objekata sa impresivnom preciznošću.

Test gimnastičara

Jedan od najzahtevnijih fizičkih benčmarkova uključuje olimpijsku gimnastiku. Gimnastičar koji se preturaca prolazi kroz složenu rotacionu dinamiku: očuvanje ugaonog momenta, promenljivi momenat inercije kako se udovi pružaju i skupljaju, i precizno vremensko određivanje primene sile za odskoke i doskoke.

Rani video modeli bi generisali impresivne pojedinačne kadrove gimnastičara u vazduhu ali bi katastrofalno propali na fizici. Rotacije bi se nasumično ubrzavale ili usporavale. Doskoci bi se dešavali na nemogućim pozicijama. Telo bi se deformisalo na načine koji krše anatomska ograničenja.

Sora 2 je eksplicitno istakla olimpijsku gimnastiku kao benčmark koji sada pravilno obrađuje. Model prati ugaoni moment gimnastičara kroz celu rutinu, ubrzavajući rotaciju kada se udovi skupljaju (efekat vrtnje klizača) i usporavajući kada se pružaju.

Razumevanje materijala

Simulacija fizike se proteže izvan kretanja na svojstva materijala. Kako model zna da se staklo lomi dok se guma odbija? Da voda prska dok se ulje skuplja? Da se metal plastično deformiše dok drvo puca?

Odgovor leži u podacima za obuku i naučenim priorima modela. Obučavanjem na milionima video snimaka koji pokazuju materijale u interakciji sa svetom, modeli razvijaju implicitno razumevanje materijala. Čaša koja pada na beton proizvodi drugačiji ishod od čaše koja pada na tepih, i moderni modeli hvataju ovu razliku.

Ograničenja i granični slučajevi

Uprkos ovim napretcima, simulacija fizike u AI videu ostaje nesavršena. Nekoliko poznatih ograničenja postoji:

Dugoročna stabilnost: Fizika ostaje tačna 5-10 sekundi ali može da odstupa tokom dužih trajanja. Produženi video snimci mogu postepeno kršiti zakone očuvanja.

Složeni sistemi više tela: Dok dva objekta u sudaru funkcionišu dobro, scene sa desetinama objekata u interakciji (poput kule Jenga koja pada) mogu proizvesti greške.

Neobični materijali: Pristrasnosti podataka za obuku znače da se uobičajeni materijali (voda, staklo, metal) bolje simuliraju od egzotičnih (nenutnijanski fluidi, magnetni materijali).

Ekstremni uslovi: Fizika na veoma malim skalama (molekularnim), veoma velikim skalama (astronomskim) ili ekstremnim uslovima (blizu brzine svetlosti) često ne uspeva.

Implikacije za kreatore

Šta poboljšana simulacija fizike znači za video kreatore?

Prvo, dramatično smanjuje potrebu za ispravkama u post-produkciji. Scene koje su ranije zahtevale pažljivo uređivanje da se isprave fizičke nemogućnosti sada se generišu ispravno iz prvog pokušaja.

Drugo, omogućava nove kreativne mogućnosti. Precizna simulacija fizike znači da se Rube Goldberg mašine, sportske sekvence i akcione scene mogu generisati bez mukotrpne ručne korekcije.

Treće, poboljšava percepciju gledalaca. Gledaoci podsvesno detektuju kršenja fizike, čineći da fizički tačni video snimci izgledaju realnije čak i kada je razliku teško artikulisati.

Put napred

Simulacija fizike će nastaviti da se poboljšava duž nekoliko osa:

Duža temporalna konzistentnost: Trenutni modeli održavaju fiziku sekundama, budući modeli će je održavati minutima.

Složenije interakcije: Scene sa stotinama objekata u interakciji postaće izvodljive.

Naučeni fizički motori: Umesto implicitne fizike iz podataka za obuku, budući modeli mogu uključiti eksplicitnu simulaciju fizike kao komponentu.

Fizika u realnom vremenu: Trenutno je generisanje svesno fizike sporo, ali optimizacija bi mogla omogućiti generisanje u realnom vremenu sa fizičkom tačnošću.

Putovanje od teleportujućih košarkaških lopti do realističnih odskoka predstavlja jedan od najznačajnijih napredaka u generisanju AI videa. Modeli su naučili, ako ne da razumeju fiziku na način na koji ljudi to čine, barem da poštuju njena ograničenja. Za kreatore, ovo znači manje korekcija, više mogućnosti i video snimke koji jednostavno izgledaju realnije.