Симулација физике у AI видеу: Како су модели коначно научили да поштују реалност

Проблем кошаркашке лопте

OpenAI је то савршено описао при лансирању Sora 2: у ранијим моделима, ако би кошаркашка лопта промашила кош, једноставно би се материјализовала унутар мреже. Модел је знао наративни исход (лопта улази у кош) али није имао концепт физичких ограничења која би требало да управљају путањом.

Ово није била мања грешка. Била је симптом фундаменталног архитектуралног ограничења. Рани модели за генерисање видеа су се истицали у визуелном препознавању образаца, учећи да генеришу кадрове који изгледају појединачно уверљиво док остају физички некохерентни када се гледају у секвенци.

Три стуба физичког разумевања

Пробој у симулацији физике почива на три међусобно повезана напретка: моделовање света, ланчано резоновање и побољшани механизми темпоралне пажње.

Модели света насупрот предвиђању кадрова

Традиционално генерисање видеа је третирало задатак као секвенцијално предвиђање кадрова: дати кадрови од 1 до N, предвидети кадар N+1. Овај приступ инхерентно има проблеме са физиком јер нема експлицитну репрезентацију основног физичког стања.

Модели света заузимају фундаментално другачији приступ. Уместо директног предвиђања пиксела, они прво конструишу интерну репрезентацију физичког стања сцене, укључујући позиције објеката, брзине, материјале и интеракције. Тек тада рендерују ово стање у визуелне кадрове. Овај приступ, детаљно истражен у нашој анализи модела света, представља промену парадигме у начину на који размишљамо о генерисању видеа.

Ланац мисли за видео

Kling O1, објављен крајем 2025, увео је ланчано резоновање у генерисање видеа. Пре генерисања кадрова, модел експлицитно резонује о томе шта би се физички требало догодити у сцени.

За сцену у којој чаша пада са стола, модел прво резонује:

• Чаша има почетну брзину нула, позиција на ивици стола
• Гравитација убрзава чашу надоле са 9.8 m/s²
• Чаша додирује под после приближно 0.45 секунди
• Материјал чаше је крт, под је тврда површина
• Удар прелази праг лома, чаша се разбија
• Крхотине се расипају уз очување импулса

Овај експлицитни корак резоновања дешава се у латентном простору модела пре него што се генерише било који пиксел. Резултат је видео који поштује не само визуелну естетику већ и узрочне ланце.

Темпорална пажња у великом обиму

Архитектурална основа која омогућава ове напретке је темпорална пажња, механизам којим видео модели одржавају конзистентност кроз кадрове. Архитектура дифузионог трансформера која покреће модерне видео моделе обрађује видео као просторно-временске закрпе, омогућавајући пажњи да тече и просторно унутар кадрова и темпорално кроз њих.

Модерни видео модели обрађују милионе просторно-временских закрпа по видеу, са специјализованим главама пажње посвећеним физичкој конзистентности. Ова скала омогућава моделима да прате идентитет објекта и физичко стање кроз стотине кадрова, одржавајући кохеренцију која је била немогућа са ранијим архитектурама.

Бенчмаркови физике стварног света

Како заправо меримо квалитет симулације физике? Област је развила неколико стандардизованих тестова:

Kling модели су се конзистентно истицали у динамици флуида, са посебно импресивном симулацијом воде и физиком тканине. OpenAI-јев Sora 2 предводи у реализму судара и очувању импулса, рукујући сложеним интеракцијама више објеката са импресивном прецизношћу.

Тест гимнастичара

Један од најзахтевнијих физичких бенчмаркова укључује олимпијску гимнастику. Гимнастичар који се претураца пролази кроз сложену ротациону динамику: очување угаоног момента, променљиви моменат инерције како се удови пружају и скупљају, и прецизно временско одређивање примене силе за одскоке и доскоке.

Рани видео модели би генерисали импресивне појединачне кадрове гимнастичара у ваздуху али би катастрофално пропали на физици. Ротације би се насумично убрзавале или успоравале. Доскоци би се дешавали на немогућим позицијама. Тело би се деформисало на начине који крше анатомска ограничења.

Sora 2 је експлицитно истакла олимпијску гимнастику као бенчмарк који сада правилно обрађује. Модел прати угаони момент гимнастичара кроз целу рутину, убрзавајући ротацију када се удови скупљају (ефекат вртње клизача) и успоравајући када се пружају.

Разумевање материјала

Симулација физике се протеже изван кретања на својства материјала. Како модел зна да се стакло ломи док се гума одбија? Да вода прска док се уље скупља? Да се метал пластично деформише док дрво пуца?

Одговор лежи у подацима за обуку и наученим приорима модела. Обучавањем на милионима видео снимака који показују материјале у интеракцији са светом, модели развијају имплицитно разумевање материјала. Чаша која пада на бетон производи другачији исход од чаше која пада на тепих, и модерни модели хватају ову разлику.

Ограничења и гранични случајеви

Упркос овим напретцима, симулација физике у AI видеу остаје несавршена. Неколико познатих ограничења постоји:

Дугорочна стабилност: Физика остаје тачна 5-10 секунди али може да одступа током дужих трајања. Продужени видео снимци могу постепено кршити законе очувања.

Сложени системи више тела: Док два објекта у судару функционишу добро, сцене са десетинама објеката у интеракцији (попут куле Јенга која пада) могу произвести грешке.

Необични материјали: Пристрасности података за обуку значе да се уобичајени материјали (вода, стакло, метал) боље симулирају од егзотичних (ненутнијански флуиди, магнетни материјали).

Екстремни услови: Физика на веома малим скалама (молекуларним), веома великим скалама (астрономским) или екстремним условима (близу брзине светлости) често не успева.

Импликације за креаторе

Шта побољшана симулација физике значи за видео креаторе?

Прво, драматично смањује потребу за исправкама у пост-продукцији. Сцене које су раније захтевале пажљиво уређивање да се исправе физичке немогућности сада се генеришу исправно из првог покушаја.

Друго, омогућава нове креативне могућности. Прецизна симулација физике значи да се Рубе Голдберг машине, спортске секвенце и акционе сцене могу генерисати без мукотрпне ручне корекције.

Треће, побољшава перцепцију гледалаца. Гледаоци подсвесно детектују кршења физике, чинећи да физички тачни видео снимци изгледају реалније чак и када је разлику тешко артикулисати.

Пут напред

Симулација физике ће наставити да се побољшава дуж неколико оса:

Дужа темпорална конзистентност: Тренутни модели одржавају физику секундама, будући модели ће је одржавати минутима.

Сложеније интеракције: Сцене са стотинама објеката у интеракцији постаће изводљиве.

Научени физички мотори: Уместо имплицитне физике из података за обуку, будући модели могу укључити експлицитну симулацију физике као компоненту.

Физика у реалном времену: Тренутно је генерисање свесно физике споро, али оптимизација би могла омогућити генерисање у реалном времену са физичком тачношћу.

Путовање од телепортујућих кошаркашких лопти до реалистичних одскока представља један од најзначајнијих напредака у генерисању AI видеа. Модели су научили, ако не да разумеју физику на начин на који људи то чине, барем да поштују њена ограничења. За креаторе, ово значи мање корекција, више могућности и видео снимке који једноставно изгледају реалније.