大數據文摘受權轉載自數字生命卡茲克作者：卡茲克昨天Sora全網上線，大家也都測試了很多了。坦率的講， 產品完成度很高，但是模型質量，真的有點不及預期。不過今天不是來聊Sora模型的。而是，昨天白天測試Sora的時候，生成的一段讓我發了很久的呆的體操視頻。就是這個。在前面5秒，她蓄勢抬手的時候，一切都還能看。直到真的想做動作時，一切都變成的鬼畜了起來。畫面瞬間崩塌，甚至跟異形無異。在發呆之后，同時又陷入了深思。在我這玩AI視頻的一年里面，體操，好像永遠都是所有AI視頻的噩夢。不管是Sora、Luma，還是可靈、Runway等等，在生成體操視頻時都會翻車。有的翻車翻的比較溫柔，因為他們動作幅度小。有的翻車翻得比較大，直接讓員在空中扭曲變形。體操，就是AI視頻最殘酷的圖靈測試。當年大家都在用威爾斯吃面來衡量AI視頻時，但其實，體操才是真正的那個門神。五個月前，DiT視頻模型剛剛出來的時候，一段Luma生成的體操視頻在X上就引發軒然。視頻里面，員的四肢在空中扭曲變形。這段由Luma生成的視頻不僅讓近百萬網友圍觀，還讓包括LeCun在內的AI大佬們吵得不可開交。爭論的焦點只有一個：AI到底理解不理解物理規律？如今5個月過去，現在其實這個問題，幾乎已經有了。物理規律，那肯定是不懂的。回到體操，為啥人的跑步、走路等動作現在幾乎很好，很多動物的也很穩定，但一旦涉及到復雜動作，特別是體操這種，就直接炸了呢？其實也挺簡單的。首先，我們得聊聊體操有多難。一個標準的體操動作，比如后空翻加轉體720度，看起來只有短短兩秒鐘，但這兩秒鐘里，有大概三重對于AI來說非常地獄的難點。第一個是物理難點。不同于走路奔跑這些幾乎刻在基因里面的動作。體操，是要在一瞬間爆發出足夠的力量起跳，在空中完成兩周旋轉，然后穩穩落地。這個過程中涉及了重力、慣性、角動量守恒等多個物理定律。坦率的講，起跳角度差1度、力量差一分，你可能最后都是落地不穩。在現實世界中，一個體操員要經過至少十年的訓練，才能這些刻在記憶里、刻在肌肉里。而AI要在短短的訓練過程中領悟這些規律，難度可想而知。第二個是生物力學難點。人的身體結構極其復雜，206塊骨頭、超過600塊肌肉。每一個骨頭和肌肉，都有自己的軌跡和配合。對于人類來說，這種配合是與生俱來的本能。但對AI來說，理解這種復雜的生物力學系統卻是一個巨大的挑戰。就像在AI繪畫時經常會畫出六根手指的人一樣，AI在生成一些復雜動作時，也經常會在生物力學層面犯下很多致命錯誤。比如肘關節反向彎曲、膝蓋過度旋轉等等，還有最經典的，轉身是真的只轉身不轉頭。。。這些錯誤之所以會發生，是因為AI并不真正理解人體的構造限制。它不知道人的關節只能在特定角度活動，不懂得肌肉群之間的協同關系，更不理解人體在高速時的生物力學特性。更重要的是，AI不理解”疼痛”這個概念。在現實中，疼痛是人體對不合理動作的自然反饋，是保護機制的一部分。但AI生成的動作中，可不管你痛不痛，能動就行。這就好比讓一個對人體結構一無所知的畫家，閉著眼睛畫一個體操員的動作連續圖。他可能會畫出看似流暢，實則完全違背人體工程學的畫面。而這種生物力學上的局限性，恰恰是AI在生成體操視頻時最難突破的瓶頸之一。第三個點則是美學難點。體操不是純粹的體育競技，更是一門藝術。動作的優美程度、身體的線條感、整體的韻律美，都是體賽中的重要評分標準。一個動作即使完成了技術動作，如果缺乏美感，一樣會被扣分。動作要準，還要優美，這對AI來說，太難了。而這三重難度疊加在一起，就成了AI的噩夢。有人說AI生成體操視頻失敗是因為訓練數據不足，有人說是數據集模糊處理導致模型無法理解人體結構。但更深層的問題我覺得還是在于：AI終究還是在完美模仿。就像一只鸚鵡再怎么會模仿人類說話，它也不知道它所說的話是什么意思，哪怕它對答如流。這個比喻非常精準。我覺得對現在的大模型如此、對AI繪圖如此、對AI視頻，更是如此。當AI生成視頻時，它實際上是在進行一場概率游戲，根據已經見過的畫面去猜測下一幀最可能是什么樣子。這就像是一個從沒學過體操的人，在試圖通過看過的視頻去復現一個高難度動作。但體操不是概率游戲。一些比較前沿的學術屆，也嘗試引入物理引擎模擬（比如將動作生成與物理模擬器結合），或者在損失函數中加入物理規律約束，但還都在探索階段，離所謂的世界模擬器，還差太遠太遠了。就像圖靈測試用人類對話來檢驗AI的智能水平，體操視頻我覺得就是在考驗AI對現實世界的理解深度。它需要AI不僅能“完美模仿”，更要理解背后的物理規律、生物力學原理和美學標準。這種理解，遠比我們想象的要深刻得多。恰恰印證了Pedro Domingos教授的判斷。通往AGI的路，也許比我們想象的還要遠一些。這條路或許很遠。但終點一定值得期待。租售GPU算力租：4090/A800/H800/H100售：現貨H100/H800特別適合企業級應用掃碼了解詳情?點「在看」的人都變好看了哦！