AI 已經(jīng)學(xué)會了電影的視覺語法，但還沒學(xué)會世界的物理語法。

作者｜湯一濤

編輯｜靖宇

Seedance 2.0 有多猛，過去一個月大家已經(jīng)見識過了。好萊塢已經(jīng)集體下場發(fā)了聲明，西半球最強法務(wù)部迪士尼也給字節(jié)跳動發(fā)了律師函。

但如果你讓它做一件事：生成一個男人從 1 數(shù)到 10 的視頻，它就露餡了。

能分清這是瑞安·雷諾茲還是本·斯蒂勒嗎？好萊塢的抵制是有道理的｜視頻來源：@fofrai

生成出來的「人」五官端正、皮膚質(zhì)感逼真，廚房背景細節(jié)豐富得像是實拍。他說出「one」的時候還一切正常，然后就開始鬼打墻，嘴里不斷重復(fù)「t、t、t」這個音節(jié)（不是從 1 到 10 中任何一個數(shù)字的發(fā)音）；或者伸出三根手指，口中卻自信地說出「ten」。從頭到尾，他豎起的手指沒超過三根。

因為背景和人物都太真實了，所以手指崩壞的瞬間反而制造出了一種強烈的「偽人感」。

這道題不只是 Seedance 2.0 的噩夢。

視頻來自一位在 X 網(wǎng)友 fofr（簡介顯示是在 DeepMind 的開發(fā)者）。去年他就發(fā)現(xiàn)，「從 1 數(shù)到 10 并用手指比出數(shù)字」這個對三歲小孩都毫無難度的任務(wù)，是當(dāng)前所有 AI 視頻模型的共同死穴。

Seedance 2.0 發(fā)布后，他第一時間把這道老題扔了過去，果然也翻車了。

網(wǎng)友在這條推文下面掀起了一場自發(fā)的「AI 數(shù)數(shù)挑戰(zhàn)賽」。他們把同一道題喂給了 Sora、Veo、Kling 等幾乎所有主流模型，結(jié)果全軍覆沒，沒有一個能正確地從 1 數(shù)到 10。

Veo 也沒法從 1 數(shù)到 10｜視頻來源：@AGI_FromWalmart

當(dāng)一個行業(yè)最強的產(chǎn)品們被一道幼兒園級別的題目集體難倒，這其實指向了一個問題：為什么這些模型已經(jīng)能騙過你的眼睛，卻無法理解常識？

它們到底「理解」了什么，又缺失了什么？

01

統(tǒng)計預(yù)測 vs 理解世界：

AI 視頻的能力邊界

「數(shù)不到 10」不是一個孤立的 bug，它揭示了一整片當(dāng)前 AI 的能力盲區(qū)。

原因也不復(fù)雜：所有的視頻模型本質(zhì)上做的是同一件事，從海量視頻數(shù)據(jù)中學(xué)習(xí)統(tǒng)計規(guī)律，然后在生成每一幀畫面時預(yù)測「接下來什么樣的像素排列最可能出現(xiàn)」。這和大語言模型的「預(yù)測下一個詞」（Next-Token Prediction）是同一套邏輯。

所以它們能把人臉毛孔、廚房光影、衣服褶皺渲染得以假亂真，因為訓(xùn)練數(shù)據(jù)里有海量樣本，統(tǒng)計規(guī)律足夠豐富。但一旦任務(wù)超出了樣本的范疇，進入「常識」的領(lǐng)域，問題就來了。

這些問題大致可以分成三類。

首先就是手部精細動作，這是最廣為人知的「AI 照妖鏡」。從圖像生成時代的「六指人」，到視頻生成時代的「軟糖手指」，手一直是 AI 的噩夢。

Midjourney 和 DALL-E 爆火的 2022 年，「手部多指」是當(dāng)時文生圖最明顯的 Bug｜圖片來源：Medium

公平地說，AI 在「畫手」這件事上已經(jīng)取得了巨大進步。日常場景里，六指人和軟糖手已經(jīng)越來越少見了。

但 fofr 的測試之所以能讓所有模型集體翻車，是因為它只是一個視覺渲染問題，同時還暗含了一個邏輯推理問題。它要求在 10 秒內(nèi)連續(xù)變換 10 個不同手勢，每個手勢的手指數(shù)量嚴(yán)格遞增，同時嘴里說的數(shù)字還要對得上。

人的手有 27 塊骨骼、34 塊肌肉、超過 100 條韌帶，單個手掌就有 18 個自由度。即便采用高分辨率擴散模型，若缺乏明確的三維先驗知識，也難以表達這種精確度。

人體運動維度示意圖｜圖片來源：ScienceDirect

況且，在訓(xùn)練數(shù)據(jù)中，手通常出現(xiàn)在畫面邊緣、被物體遮擋或處于運動模糊中。模型能學(xué)到的高質(zhì)量手部樣本遠少于面部。

第二類 AI 的能力盲區(qū)是物理規(guī)律。流體怎么流、物體怎么碰撞、織物怎么飄……這些人類靠直覺就能判斷的東西，AI 視頻經(jīng)常給出違反物理定律的答案。OpenAI 在發(fā)布 Sora 時的官方技術(shù)報告中就明確承認(rèn)：Sora 無法準(zhǔn)確模擬許多基本物理交互，比如玻璃破碎，也無法正確反映某些物體狀態(tài)變化。

第三類是時序邏輯的一致性。視頻不是一組彼此獨立的圖片，而是一條有因果關(guān)系的時間鏈：第 3 秒的畫面必須建立在第 2 秒的基礎(chǔ)上。但當(dāng)前的擴散模型把時間當(dāng)作一個潛在的數(shù)學(xué)維度來處理。它在生成第 N 幀時，沒有內(nèi)部機制去「記住」前面伸了幾根手指、下一步該加 1。時間一長，前后就對不上了。

作個類比的話，當(dāng)前的 AI 視頻模型像一個從沒見過真手的畫家，看了一百萬張手的照片之后憑印象畫手。大部分時候畫得挺像，但他不知道手指只有五根，不知道伸出三根手指代表數(shù)字 3，更不知道從 3 到 4 意味著要再伸出一根。

02

另一條路：世界模型

既然問題的根源是「不理解物理世界」，那有沒有人在試圖從根本上解決這個問題？

事實上，這正在成為 AI 領(lǐng)域最受關(guān)注的新方向之一。一個正在凝聚共識的思路是：與其讓模型從海量視頻中學(xué)習(xí)「世界看起來是什么樣的」，不如讓它先理解「世界是怎么運作的」。

這條路徑有一個共同的名字，叫做世界模型（world model）。世界模型的核心思路是讓 AI 建立對三維物理世界的結(jié)構(gòu)性理解，包括空間的幾何關(guān)系、物體的物理屬性、運動的動力學(xué)規(guī)律等。

這就和當(dāng)前視頻生成模型的路徑產(chǎn)生了本質(zhì)區(qū)別。當(dāng)前模型在二維平面上預(yù)測像素排列的統(tǒng)計概率，世界模型則試圖讓 AI 在「懂」物理規(guī)律的基礎(chǔ)上做生成。

這個方向最知名的創(chuàng)業(yè)者是李飛飛。這位 ImageNet 的締造者在 2024 年創(chuàng)辦了 World Labs，核心目標(biāo)是讓 AI 擁有「空間智能」。她在去年的一篇長文中寫道：

「語言是人類認(rèn)知的產(chǎn)物，但世界遵循更復(fù)雜的規(guī)則——重力控制運動，原子結(jié)構(gòu)決定光線如何產(chǎn)生顏色，無數(shù)物理定律約束著每一次交互。要讓 AI 真正理解這一切，需要一種全新的、遠超大語言模型的架構(gòu)」。

今年 2 月，World Labs 完成了 10 億美元融資，其首個產(chǎn)品 Marble 已經(jīng)上線，可以從圖像或文本生成持久的 3D 環(huán)境。

Marble 可以從一張圖片或一段文字生成一個你能在里面自由走動、持續(xù)編輯的 3D 世界｜圖片來源：World Labs

李飛飛不是唯一的入局者。楊樂昆從 Meta 離職后創(chuàng)辦了 AMI Labs，同樣聚焦世界模型方向；Google DeepMind 的 Genie 系列模型也在探索 3D 環(huán)境的生成與模擬；Nvidia 則推出了 Cosmos，定位為「世界基礎(chǔ)模型」，試圖將視頻生成、物理感知模擬和機器人工作流統(tǒng)一到一個框架里。

當(dāng)這個領(lǐng)域最頂級的幾位研究者和最有錢的幾家公司同時往一個方向走，這本身就說明了一些問題。純數(shù)據(jù)驅(qū)動路徑的天花板，正在成為越來越多人的共識，只是解法還在探索中。

Seedance 2.0 剛出來的時候確實引起了一大波恐慌?！端朗獭肪巹?Rhett Reese 看完演示后甚至寫下了「我不想承認(rèn)，但我們可能完了」。

這種反應(yīng)可以理解，Seedance 2.0 確實很強，但「數(shù)不到 10」提供了一個有用的校準(zhǔn)視角：這些模型學(xué)會了電影的視覺語法，但還沒學(xué)會世界的物理語法。它們的進步，更多是「看起來更真」，而不是「更懂現(xiàn)實」。

從本質(zhì)上說，一個不知道手指只有五根的系統(tǒng)，距離真正取代人類創(chuàng)作者，中間還隔著一次范式級別的跨越。

人類可以稍稍松口氣了，至少在 AI 學(xué)會數(shù)到 10 之前。

*頭圖來源：Nano Banana

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請聯(lián)系極客君微信 geekparkGO

馬年春節(jié)最火的可能不是年味，而是 AI「小龍蝦」OpenClaw！

這個存活在人們 IM（即時通訊）工具里的 AI Agent，第一次將 Agent 的流行，描繪得如此傳神，「人手一蝦」已成極客標(biāo)配。

別人都養(yǎng)好幾只「龍蝦」了，你卻還沒上手？

下周一晚 20:00，極客公園視頻號直播間，我們特邀 MiniMax Agent 產(chǎn)品負責(zé)人梁麗，手把手教你如何一鍵「云養(yǎng)」。