AI视频中的物理模拟：模型终于学会尊重现实法则

篮球问题

OpenAI在发布Sora 2时完美地描述了这个问题：在早期模型中，如果篮球没投进篮筐，它会直接出现在网里。模型知道叙事结果（球进篮筐），但对支配这一过程的物理约束毫无概念。

这不是一个小错误，而是根本性架构局限的症状。早期的视频生成模型擅长视觉模式匹配，能生成单独看起来合理但连续观看时物理上不连贯的帧。

物理理解的三大支柱

物理模拟的突破建立在三个相互关联的进展之上：世界模型、思维链推理和改进的时间注意力机制。

世界模型 vs 帧预测

传统视频生成将任务视为顺序帧预测：给定第1帧到第N帧，预测第N+1帧。这种方法本质上难以处理物理问题，因为它没有对底层物理状态的显式表示。

世界模型采用根本不同的方法。它们不直接预测像素，而是首先构建场景物理状态的内部表示，包括物体位置、速度、材质和交互。然后才将这种状态渲染成视觉帧。我们在世界模型分析中深入探讨的这种方法，代表了视频生成思维方式的范式转变。

视频的思维链

2025年底发布的Kling O1将思维链推理引入视频生成。在生成帧之前，模型会明确推理场景中应该发生什么物理现象。

对于玻璃杯从桌子上掉落的场景，模型首先推理：

• 玻璃杯初始速度为零，位置在桌边
• 重力以9.8 m/s²向下加速玻璃杯
• 大约0.45秒后玻璃杯接触地面
• 玻璃材质易碎，地面是硬质表面
• 冲击力超过破裂阈值，玻璃杯碎裂
• 碎片按动量守恒散开

这个显式推理步骤发生在模型的潜在空间中，在任何像素生成之前。结果是不仅尊重视觉美学，还尊重因果链的视频。

大规模时间注意力

支撑这些进展的架构基础是时间注意力，这是视频模型保持帧间一致性的机制。驱动现代视频模型的扩散Transformer架构将视频作为时空块处理，允许注意力在帧内空间流动和帧间时间流动。

现代视频模型每个视频处理数百万个时空块，配备专门用于物理一致性的注意力头。这种规模使模型能够跨数百帧跟踪物体身份和物理状态，保持早期架构无法实现的连贯性。

真实物理基准测试

我们实际上如何衡量物理模拟质量？该领域已开发出几个标准化测试：

Kling模型在流体动力学方面一直表现出色，尤其是水模拟和布料物理令人印象深刻。OpenAI的Sora 2在碰撞真实性和动量守恒方面领先，以令人印象深刻的准确度处理复杂的多物体交互。

体操运动员测试

最具挑战性的物理基准测试之一涉及奥运体操。翻滚的体操运动员经历复杂的旋转动力学：角动量守恒、四肢伸展和收缩时的转动惯量变化，以及起跳和落地时力量应用的精确时机。

早期视频模型能生成令人印象深刻的空中体操运动员单帧，但在物理方面完全失败。旋转会随机加速或减速。落地发生在不可能的位置。身体以违反解剖学约束的方式变形。

Sora 2明确强调奥运体操作为其现已正确处理的基准测试。模型在整个动作过程中跟踪体操运动员的角动量，当四肢收紧时旋转加速（花样滑冰旋转效应），伸展时减速。

材质理解

物理模拟不仅涉及运动，还涉及材质属性。模型如何知道玻璃会碎裂而橡胶会弹跳？水会溅起而油会积聚？金属会塑性变形而木头会折断？

答案在于训练数据和模型学到的先验知识。通过在数百万个展示材质与世界交互的视频上训练，模型发展出隐式材质理解。玻璃杯落在混凝土上与落在地毯上会产生不同结果，现代模型能捕捉这种区别。

局限性和边缘情况

尽管取得了这些进展，AI视频中的物理模拟仍不完美。存在几个已知的局限性：

长期稳定性：物理在5-10秒内保持准确，但在更长时间内可能会漂移。延长的视频可能逐渐违反守恒定律。

复杂多体系统：两个物体碰撞效果良好，但包含数十个交互物体的场景（如倒塌的积木塔）可能产生错误。

非常规材质：由于训练数据偏差，常见材质（水、玻璃、金属）比非常规材质（非牛顿流体、磁性材料）模拟得更好。

极端条件：非常小尺度（分子）、非常大尺度（天文）或极端条件（接近光速）下的物理通常会失败。

对创作者的影响

改进的物理模拟对视频创作者意味着什么？

首先，大大减少了后期制作修正的需要。以前需要仔细编辑来纠正物理不可能性的场景，现在第一次就能正确生成。

其次，开启了新的创作可能性。准确的物理模拟意味着可以生成鲁布·戈德堡机器、体育序列和动作场景，无需费力的手动修正。

第三，改善了观众感知。观众会下意识地检测物理违反，使物理准确的视频感觉更真实，即使很难说清楚具体差异在哪里。

未来之路

物理模拟将沿着几个方向继续改进：

更长的时间一致性：当前模型维持几秒的物理一致性，未来模型将维持几分钟。

更复杂的交互：包含数百个交互物体的场景将变得可行。

学习型物理引擎：未来模型可能不再依赖训练数据中的隐式物理，而是将显式物理模拟作为组件纳入。

实时物理：目前物理感知生成较慢，但优化可能实现具有物理准确性的实时生成。

从瞬移的篮球到真实的弹跳，这一历程代表了AI视频生成中最重要的进展之一。模型已经学会了尊重物理约束，即使它们理解物理的方式与人类不同。对于创作者来说，这意味着更少的修正、更多的可能性，以及感觉更真实的视频。