AI影片中的物理模擬：模型終於學會尊重現實法則

籃球問題

OpenAI在發布Sora 2時完美地描述了這個問題：在早期模型中，如果籃球沒投進籃框，它會直接出現在網裡。模型知道敘事結果（球進籃框），但對支配這一過程的物理約束毫無概念。

這不是一個小錯誤，而是根本性架構局限的症狀。早期的影片生成模型擅長視覺模式匹配，能生成單獨看起來合理但連續觀看時物理上不連貫的幀。

物理理解的三大支柱

物理模擬的突破建立在三個相互關聯的進展之上：世界模型、思維鏈推理和改進的時間注意力機制。

世界模型 vs 幀預測

傳統影片生成將任務視為順序幀預測：給定第1幀到第N幀，預測第N+1幀。這種方法本質上難以處理物理問題，因為它沒有對底層物理狀態的顯式表示。

世界模型採用根本不同的方法。它們不直接預測像素，而是首先構建場景物理狀態的內部表示，包括物體位置、速度、材質和交互。然後才將這種狀態渲染成視覺幀。我們在世界模型分析中深入探討的這種方法，代表了影片生成思維方式的範式轉變。

影片的思維鏈

2025年底發布的Kling O1將思維鏈推理引入影片生成。在生成幀之前，模型會明確推理場景中應該發生什麼物理現象。

對於玻璃杯從桌子上掉落的場景，模型首先推理：

• 玻璃杯初始速度為零，位置在桌邊
• 重力以9.8 m/s²向下加速玻璃杯
• 大約0.45秒後玻璃杯接觸地面
• 玻璃材質易碎，地面是硬質表面
• 衝擊力超過破裂閾值，玻璃杯碎裂
• 碎片按動量守恆散開

這個顯式推理步驟發生在模型的潛在空間中，在任何像素生成之前。結果是不僅尊重視覺美學，還尊重因果鏈的影片。

大規模時間注意力

支撐這些進展的架構基礎是時間注意力，這是影片模型保持幀間一致性的機制。驅動現代影片模型的擴散Transformer架構將影片作為時空區塊處理，允許注意力在幀內空間流動和幀間時間流動。

現代影片模型每個影片處理數百萬個時空區塊，配備專門用於物理一致性的注意力頭。這種規模使模型能夠跨數百幀追蹤物體身份和物理狀態，保持早期架構無法實現的連貫性。

真實物理基準測試

我們實際上如何衡量物理模擬品質？該領域已開發出幾個標準化測試：

Kling模型在流體動力學方面一直表現出色，尤其是水模擬和布料物理令人印象深刻。OpenAI的Sora 2在碰撞真實性和動量守恆方面領先，以令人印象深刻的準確度處理複雜的多物體交互。

體操運動員測試

最具挑戰性的物理基準測試之一涉及奧運體操。翻滾的體操運動員經歷複雜的旋轉動力學：角動量守恆、四肢伸展和收縮時的轉動慣量變化，以及起跳和落地時力量應用的精確時機。

早期影片模型能生成令人印象深刻的空中體操運動員單幀，但在物理方面完全失敗。旋轉會隨機加速或減速。落地發生在不可能的位置。身體以違反解剖學約束的方式變形。

Sora 2明確強調奧運體操作為其現已正確處理的基準測試。模型在整個動作過程中追蹤體操運動員的角動量，當四肢收緊時旋轉加速（花式滑冰旋轉效應），伸展時減速。

材質理解

物理模擬不僅涉及運動，還涉及材質屬性。模型如何知道玻璃會碎裂而橡膠會彈跳？水會濺起而油會積聚？金屬會塑性變形而木頭會折斷？

答案在於訓練資料和模型學到的先驗知識。透過在數百萬個展示材質與世界交互的影片上訓練，模型發展出隱式材質理解。玻璃杯落在混凝土上與落在地毯上會產生不同結果，現代模型能捕捉這種區別。

局限性和邊緣情況

儘管取得了這些進展，AI影片中的物理模擬仍不完美。存在幾個已知的局限性：

長期穩定性：物理在5-10秒內保持準確，但在更長時間內可能會漂移。延長的影片可能逐漸違反守恆定律。

複雜多體系統：兩個物體碰撞效果良好，但包含數十個交互物體的場景（如倒塌的積木塔）可能產生錯誤。

非常規材質：由於訓練資料偏差，常見材質（水、玻璃、金屬）比非常規材質（非牛頓流體、磁性材料）模擬得更好。

極端條件：非常小尺度（分子）、非常大尺度（天文）或極端條件（接近光速）下的物理通常會失敗。

對創作者的影響

改進的物理模擬對影片創作者意味著什麼？

首先，大大減少了後製修正的需要。以前需要仔細編輯來糾正物理不可能性的場景，現在第一次就能正確生成。

其次，開啟了新的創作可能性。準確的物理模擬意味著可以生成魯布·哥德堡機器、體育序列和動作場景，無需費力的手動修正。

第三，改善了觀眾感知。觀眾會下意識地檢測物理違反，使物理準確的影片感覺更真實，即使很難說清楚具體差異在哪裡。

未來之路

物理模擬將沿著幾個方向繼續改進：

更長的時間一致性：當前模型維持幾秒的物理一致性，未來模型將維持幾分鐘。

更複雜的交互：包含數百個交互物體的場景將變得可行。

學習型物理引擎：未來模型可能不再依賴訓練資料中的隱式物理，而是將顯式物理模擬作為組件納入。

即時物理：目前物理感知生成較慢，但最佳化可能實現具有物理準確性的即時生成。

從瞬移的籃球到真實的彈跳，這一歷程代表了AI影片生成中最重要的進展之一。模型已經學會了尊重物理約束，即使它們理解物理的方式與人類不同。對於創作者來說，這意味著更少的修正、更多的可能性，以及感覺更真實的影片。