文章来源：数字生命卡兹克
图片来源：由无界AI生成昨天Sora全网上线，大家也都测试了很多了。
坦率的讲， 产品完成度很高，但是模型质量，真的有点不及预期。
不过今天不是来聊Sora模型的。
而是，昨天白天测试Sora的时候，生成的一段让我发了很久的呆的体操视频。
在我这玩AI视频的一年里面，体操，好像永远都是所有AI视频的噩梦。
不管是Sora、Luma，还是可灵、Runway等等，在生成体操视频时都会翻车。
有的翻车翻的比较温柔，因为他们动作幅度小。
有的翻车翻得比较大，直接让运动员在空中扭曲变形。
体操运动，就是AI视频最残酷的图灵测试。
当年大家都在用威尔斯吃面来衡量AI视频时，但其实，体操才是真正的那个门神。
五个月前，DiT视频模型刚刚出来的时候，一段Luma生成的体操视频在X上就引发轩然大波。
视频里面，运动员的四肢在空中扭曲变形。这段由Luma生成的视频不仅让近百万网友围观，还让包括LeCun在内的AI大佬们吵得不可开交。
争论的焦点只有一个：AI到底理解不理解物理规律？
如今5个月过去，现在其实这个问题，几乎已经有了共识。
物理规律，那肯定是不懂的。
回到体操运动，为啥人的跑步、走路等动作现在几乎很好，很多动物的也很稳定，但一旦涉及到复杂动作，特别是体操这种，就直接炸了呢？
其实也挺简单的。
首先，我们得聊聊体操运动有多难。
一个标准的体操动作，比如后空翻加转体720度，看起来只有短短两秒钟，但这两秒钟里，有大概三重对于AI来说非常地狱的难点。
第一个是物理难点。
不同于走路奔跑这些几乎刻在基因里面的动作。
体操运动，是要在一瞬间爆发出足够的力量起跳，在空中完成两周旋转，然后稳稳落地。
这个过程中涉及了重力、惯性、角动量守恒等多个物理定律。坦率的讲，起跳角度差1度、力量差一分，你可能最后都是落地不稳。
在现实世界中，一个体操运动员要经过至少十年的训练，才能这些刻在记忆里、刻在肌肉里。而AI要在短短的训练过程中领悟这些规律，难度可想而知。
第二个是生物力学难点。
人的身体结构极其复杂，206块骨头、超过600块肌肉。
每一个骨头和肌肉，都有自己的运动轨迹和配合。
对于人类来说，这种配合是与生俱来的本能。但对AI来说，理解这种复杂的生物力学系统却是一个巨大的挑战。
就像在AI绘画时经常会画出六根手指的人一样，AI在生成一些复杂动作时，也经常会在生物力学层面犯下很多致命错误。比如肘关节反向弯曲、膝盖过度旋转等等，还有最经典的，转身是真的只转身不转头。。。
这些错误之所以会发生，是因为AI并不真正理解人体的构造限制。它不知道人的关节只能在特定角度活动，不懂得肌肉群之间的协同关系，更不理解人体在高速运动时的生物力学特性。
更重要的是，AI不理解"疼痛"这个概念。在现实中，疼痛是人体对不合理动作的自然反馈，是保护机制的一部分。但AI生成的动作中，可不管你痛不痛，能动就行。
这就好比让一个对人体结构一无所知的画家，闭着眼睛画一个体操运动员的动作连续图。他可能会画出看似流畅，实则完全违背人体工程学的画面。
而这种生物力学上的局限性，恰恰是AI在生成体操视频时最难突破的瓶颈之一。
第三个点则是美学难点。
体操不是纯粹的体育竞技，更是一门艺术。
动作的优美程度、身体的线条感、整体的韵律美，都是体操比赛中的重要评分标准。一个动作即使完成了技术动作，如果缺乏美感，一样会被扣分。
动作要准，还要优美，这对AI来说，太难了。
而这三重难度叠加在一起，就成了AI的噩梦。
有人说AI生成体操视频失败是因为训练数据不足，有人说是数据集模糊处理导致模型无法理解人体结构。
但更深层的问题我觉得还是在于：AI终究还是在完美模仿。
就像一只鹦鹉再怎么会模仿人类说话，它也不知道它所说的话是什么意思，哪怕它对答如流。
这个比喻非常精准。
我觉得对现在的大模型如此、对AI绘图如此、对AI视频，更是如此。
当AI生成视频时，它实际上是在进行一场概率游戏，根据已经见过的画面去猜测下一帧最可能是什么样子。这就像是一个从没学过体操的人，在试图通过看过的视频去复现一个高难度动作。
但体操不是概率游戏。
一些比较前沿的学术届，也尝试引入物理引擎模拟（比如将动作生成与物理模拟器结合），或者在损失函数中加入物理规律约束，但还都在探索阶段，离所谓的世界模拟器，还差太远太远了。
就像图灵测试用人类对话来检验AI的智能水平，体操视频我觉得就是在考验AI对现实世界的理解深度。它需要AI不仅能“完美模仿”，更要理解背后的物理规律、生物力学原理和美学标准。
这种理解，远比我们想象的要深刻得多。
恰恰印证了Pedro Domingos教授的判断。通往AGI的路，也许比我们想象的还要远一些。
这条路或许很远。
但终点一定值得期待。
OpenAI AI视频 Sora
