这是一个关于人工智能的有趣故事。当我们看到AI制作的视频越来越逼真，甚至能够生成电影级别的画面时，你有没有想过一个问题：这些AI真的理解物理世界的运作规律吗？还是说，它们只是非常善于模仿，就像一个技艺高超的画家，能够画出栩栩如生的苹果，但并不真正理解苹果为什么会从树上掉下来？

　　Google DeepMind的研究团队最近就这个问题展开了一项深入研究。这项由INSAIT索菲亚大学的Saman Motamed领导、与Google DeepMind合作完成的研究于2025年2月28日发表，完整论文可通过arXiv:2501.09038获取。研究团队包括来自Google DeepMind的Laura Culp、Kevin Swersky、Priyank Jaini和Robert Geirhos等学者，他们共同设计了一个名为"Physics-IQ"的全新评测体系。

　　研究的核心问题其实很简单：当前那些能够生成令人惊叹视频的AI模型，比如OpenAI的Sora、Runway Gen 3、Pika 1.0等，它们是否真正理解了物理世界的基本规律？还是说，它们只是凭借强大的计算能力和海量数据，学会了如何拼接出看起来很真实的画面？

　　为了回答这个问题，研究团队就像是要给AI学生出一份物理考试题一样，创建了一个包含396个真实视频的测试数据集。这些视频覆盖了五个主要的物理学领域：固体力学、流体动力学、光学、热力学和磁学。每个视频都是精心设计的物理实验场景，比如多米诺骨牌倒塌时中间放个橡皮鸭会发生什么，或者把水壶和一张纸分别扔到枕头上会有什么不同的反应。

　　研究团队使用高质量的索尼Alpha a6400相机，从左、中、右三个不同角度拍摄每个场景，每个场景还要拍摄两次以捕捉真实世界物理现象的自然变化。这样做的目的是为了确保测试的严谨性，就像医学研究中需要对照组一样。

　　测试方法很巧妙。研究团队给AI模型展示视频的前3秒作为"题目"，然后让它们预测接下来5秒会发生什么。这就好比给学生看一个球从桌子边缘滚落的开始画面，然后问它接下来会发生什么。如果AI真正理解重力、惯性这些物理规律，它应该能准确预测球会沿着抛物线轨迹落地，而不是飞向天花板或者突然停在半空中。

　　为了评估AI的表现，研究团队设计了四套评价标准。第一个标准叫"空间IoU"，简单说就是看AI预测的动作位置是否正确，就像考察学生能否正确指出球会落在地板的哪个位置。第二个是"时空IoU"，不仅要看位置对不对，还要看时间对不对，球应该在什么时候落地。第三个是"加权空间IoU"，考察的是动作的强度是否合理，比如重物落下的冲击应该比轻物更大。最后一个是"均方误差"（MSE），这是最严格的标准，要求画面细节都要尽可能接近真实情况。

　　研究团队测试了八个当前最先进的AI视频生成模型，包括大家熟知的Sora、Runway Gen 3、Pika 1.0，还有Lumiere、Stable Video Diffusion和VideoPoet等。测试结果让人既惊讶又不那么意外。

　　结果显示，即使是表现最好的VideoPoet多帧版本，其物理理解能力得分也只有29.5%，而理论上的满分是100%（这个满分是通过比较同一场景的两次真实拍摄得出的）。这意味着，当前最强的AI视频模型在理解物理规律方面还有巨大的提升空间。

　　更有趣的是，研究团队发现视觉真实度和物理理解能力之间几乎没有关联。Sora生成的视频在视觉上最难被人工智能助手识别出是假的（成功率只有55.6%，接近随机猜测的50%），说明它的视觉效果确实很逼真。但在物理理解方面，Sora的得分却只有10%，在所有测试模型中排名最后。这就像一个艺术家能够画出极其逼真的鸟类图画，但如果要求他预测鸟儿的飞行轨迹，他可能就完全不知所措了。

　　研究还发现了一些有趣的细节。能够接收多帧输入的AI模型（比如VideoPoet和Lumiere的多帧版本）普遍比只能接收单张图片的模型表现更好，这符合我们的直觉——看到更多信息当然能做出更准确的预测。同时，不同物理现象的难度也不一样，所有模型在空间定位方面（即预测动作会在哪里发生）表现相对较好，但在时间预测和动作强度判断方面则表现较差。

　　在具体的物理领域表现上，各个模型都有自己的"强项"和"弱项"。比如在固体力学方面，涉及物体碰撞、材料变形等现象，一些模型表现尚可；但在流体动力学方面，比如液体倾倒、混合等现象，大部分模型就显得力不从心了。光学现象（如反射、折射）、热力学现象（如蒸发、传热）和磁学现象更是让这些AI模型"头疼不已"。

　　研究团队在论文中展示了一些成功和失败的具体案例。成功的案例包括VideoPoet能够正确模拟转动的画笔蘸取颜料并在玻璃板上涂抹的过程，Runway Gen 3能够准确预测红色液体倒在橡皮鸭上的效果。但失败的例子同样引人深思：比如AI无法正确模拟球落入塑料箱的过程，或者用刀切橘子时的物理反应。

　　这项研究揭示了当前AI技术的一个重要局限性：视觉逼真度并不等同于对物理世界的真正理解。这个发现对AI发展有着深远的意义。

　　从技术层面来看，这项研究表明当前的AI视频生成模型主要依赖的是模式匹配和统计学习，而非对物理规律的深层理解。它们就像是一个记忆力超强的学生，能够背出教科书上的所有内容，但在面对全新情况时就不知道该如何应用这些知识了。

　　这种局限性的根源可能在于训练方式。当前的AI模型主要通过"预测下一帧"的方式学习，虽然这种方法在语言模型（如GPT）中取得了巨大成功，但对于物理世界的理解可能还不够。物理世界涉及因果关系、作用力与反作用力等复杂概念，这些可能需要更深层的推理能力，而不仅仅是模式识别。

　　研究团队还讨论了一个更深层的哲学问题：仅仅通过观察是否能够真正理解世界？这个问题在人工智能和认知科学领域一直存在争议。一派观点认为，通过大量观察和预测训练，AI最终能够获得对物理世界的深层理解，就像人类婴儿通过观察世界学习物理直觉一样。另一派则认为，真正的理解需要与环境的互动，需要能够进行实验、观察因果关系，而不是被动地观看视频。

　　从实际应用的角度来看，这项研究的发现对于AI在各个领域的应用都有重要启示。比如在自动驾驶领域，如果AI不能真正理解物理规律，它可能无法准确预测其他车辆或行人的行为。在机器人技术方面，缺乏物理直觉的机器人可能无法胜任需要精确操作的任务。在虚拟现实和游戏开发中，这种局限性可能会影响用户体验的真实感。

　　不过，研究结果并非完全悲观。虽然当前模型的整体表现不尽如人意，但在某些特定场景下，它们已经能够展现出一定的物理理解能力。这说明通过观察学习物理规律是有可能的，只是当前的技术还不够成熟。随着计算能力的提升、数据集的扩大和算法的改进，未来的AI模型很可能在物理理解方面取得突破性进展。

　　研究团队还观察到一些有趣的现象。比如，一些功能更强大的模型（如Runway Gen 3和Sora）在生成过程中会出现"幻觉"现象，即凭空创造出原本不存在的物体。但有趣的是，这些幻觉往往与场景的上下文保持一致，比如在火柴点燃场景中突然出现蜡烛，这表明模型至少具备了一定的上下文理解能力。

　　数据集的质量和设计也值得特别关注。与许多现有的物理推理测试数据集不同，Physics-IQ使用的是真实世界的视频，而不是计算机生成的合成画面。这避免了"真实世界-合成数据"之间的分布差异问题，使得评测结果更加可靠。每个场景从三个不同角度拍摄，每次拍摄两遍，这种设计不仅保证了数据的多样性，还能量化真实世界中物理现象的自然变化范围。

　　研究方法的创新性也值得称赞。通过设计需要深度物理理解才能解决的"分布外"场景（比如多米诺骨牌中间放橡皮鸭），研究团队确保了测试不能简单通过记忆训练数据来解决，而必须真正理解物理原理。这种设计思路对其他AI能力评估研究也很有借鉴意义。

　　评价指标的设计同样巧妙。四个不同的评价维度分别测试了AI对"在哪里"、"何时"、"多大程度"和"如何"等不同方面的理解，形成了一个相对完整的评估体系。虽然这些指标都是间接测量，不能直接量化物理现象本身，但它们提供的综合信息足以判断AI的物理理解水平。

　　值得注意的是，研究团队使用多模态大语言模型（Gemini 1.5 Pro）来评估视觉真实度也是一个有趣的创新。通过让AI判断哪个是生成的视频，研究团队避免了人工评估的主观性问题，同时也展示了当前AI技术在这方面的能力水平。

　　研究限制方面，团队也很诚实地承认了一些不足。比如，评价指标可能对某些类型的错误（如物体幻觉、镜头切换等）过于严格，这可能影响了某些模型（特别是Sora）的得分。此外，指标设计虽然全面，但仍然是物理理解的间接测量，无法直接评估模型对物理原理本身的掌握程度。

　　从更广阔的视角来看，这项研究触及了人工智能发展中的一个核心问题：如何让机器真正理解世界，而不仅仅是模仿表面现象。这个问题不仅在计算机视觉和视频生成领域重要，在自然语言处理、机器人学、自动驾驶等众多AI应用领域都同样关键。

　　研究团队已经将Physics-IQ数据集和评估代码开源，这为后续研究提供了宝贵的资源。其他研究者可以使用这个基准测试来评估新的模型，推动整个领域的发展。这种开放的研究态度对科学进步非常重要。

　　说到底，这项研究给我们上了重要的一课：表面的逼真和深层的理解是两回事。当前的AI视频生成技术虽然在视觉效果上已经达到了令人印象深刻的水平，但在理解支撑这些视觉现象的物理规律方面还有很长的路要走。这并不意味着我们应该对AI的发展感到悲观，恰恰相反，这个发现为未来的研究指明了明确的方向。

　　对于普通用户来说，这意味着在使用AI生成的视频内容时需要保持一定的警惕性，特别是在需要物理精确性的应用场景中。对于研究者来说，这项工作提供了一个清晰的挑战：如何让AI不仅能够生成漂亮的画面，更能真正理解支撑这些画面的物理世界。

　　未来的研究可能需要探索新的训练方法，比如结合物理模拟器的训练、引入更多交互式学习机制，或者开发能够进行物理推理的新架构。也许，真正的突破将来自于跨学科的合作，融合计算机科学、物理学、认知科学和神经科学的最新成果。

　　无论如何，Physics-IQ为我们提供了一个重要的里程碑，让我们能够量化AI在物理理解方面的真实水平，并为未来的改进提供了明确的目标。正如研究团队所说，虽然视觉真实度不等于物理理解，但这个发现本身就是推动AI向更深层智能发展的重要一步。有兴趣深入了解这项研究的读者可以通过arXiv:2501.09038访问完整论文，也可以在GitHub上找到相关的代码和数据集。

　　Q&A

　　Q1：Physics-IQ测试是什么？它如何评判AI视频模型的物理理解能力？

　　A：Physics-IQ是Google DeepMind开发的AI物理理解能力测试，包含396个真实物理实验视频。测试方法是给AI模型展示3秒视频开头，让它预测后续5秒的物理变化。通过四个评价标准（动作位置、时间准确性、强度合理性和画面细节）来判断AI是否真正理解重力、碰撞、流体等物理规律，而不只是凭记忆拼接画面。

　　Q2：为什么Sora视频看起来很真实，但物理理解得分却很低？

　　A：这正是研究的重要发现：视觉逼真度与物理理解能力是两回事。Sora在视觉效果上确实出色，连AI助手都很难识别出是假视频，但它主要是通过模式匹配来生成画面，而不是真正理解物理规律。就像一个画家能画出逼真的苹果，但不一定懂苹果为什么会掉下来。这种"表面功夫"在复杂物理场景中就暴露了局限性。

　　Q3：当前AI视频模型在哪些物理现象上表现最差？这对实际应用有什么影响？

　　A：AI模型在流体动力学、热力学和磁学方面表现最差，在时间预测和动作强度判断上也很困难。比如无法正确预测液体倾倒、物体受热变化等现象。这意味着在需要精确物理模拟的场景中（如自动驾驶、工业仿真、机器人操作），当前AI可能会做出错误判断，影响安全性和可靠性。