你刷到过那种AI生成的‘丝滑’视频吗？小球从楼顶坠落、水波一圈圈荡开、镜子精准反射光线……画面挑不出毛病，连帧率都稳得像电影。可要是拿把尺子去量——小球下落距离没按t²增长，反射角比入射角大了12度，浮冰化完水位居然没降反升。不是AI手抖，是它压根儿不懂牛顿第二定律。
Einsia AI刚发布的「世界模型终极大考」，就是专门给这些视频模型来一场物理期末考。40道题，9类真实物理现象，8个当前最火的模型全上场。结果呢？第一名Seedance 2.5，57.76分——连及格线都没摸到。这不是题目太难，而是考法变了：不问‘这是什么’，而问‘这会怎么变’。它不看你认不认识苹果，而要看你能不能算出苹果落地时的速度和动能损耗。
更扎心的是，斯坦福那帮人发现，很多模型根本不是在‘看视频推理’，是在‘翻记忆答题’。就像背熟了‘自由落体加速度是9.8m/s²’，但给它一段真实下落视频，让它测实际加速度？它不会算，只会猜。这种‘伪理解’，在PPT里能炫技，在工厂里会撞墙，在手术室里要命。说白了，现在的AI不是‘智能体’，是‘高清复读机’——画面越真，漏洞越致命。
这事儿其实早有苗头。去年MIT团队用120段真实物理实验视频测试过7个主流模型，结果发现：哪怕同一段钢球滚下斜面的视频，不同模型给出的加速度预测值能差出3倍多。有人算出4.2m/s²，有人硬凑到13.6m/s²——而真实值是9.78±0.02。误差不是来自画质，而是模型压根没建立“力→加速度→位移”的因果链，只是把“斜面+小球+滚动”这几个词在训练数据里高频共现过，就自动拼出个答案。
有意思的是，考卷里有一道题叫“冰水混合物升温”，要求判断温度计读数变化趋势。人类初中生靠热学常识就能答对，可所有AI都栽了。Seedance 2.5选了“先升后平”，Qwen-VL选了“持续缓慢上升”。真相是：冰水共存时温度恒为0℃，直到冰全化完才升温。这不是记忆盲区，是模型根本没内化“相变潜热”这个概念。它见过一万张融冰照片，却没学会“状态改变不等于温度改变”。
更现实的问题在工业端。比亚迪去年试过用某国产视频模型辅助质检电池极片涂布厚度——模型能精准识别涂层颜色渐变，但当涂布辊轻微偏心导致厚度呈正弦波动时，它把周期性误差当成正常工艺波动放行了。后来人工复检才发现，这批极片良率低了2.3%。不是AI看不清，是它不懂“几何偏心→受力不均→材料延展差异→厚度波动”这条物理链。
好在路子正在变。Einsia团队透露，下一轮测试会加入“可干预实验”：比如让模型自己决定是否给下落小球加个空气阻力参数，再观察轨迹变化。这种“动手验证”比纯看题更能筛出真理解。毕竟物理不是背出来的，是试出来的。就像费曼说的：“你不能教鸟儿怎么飞，但得让它知道风从哪来。”现在的AI，连风向标都还没装上。
说到底，我们不该怪AI“笨”。它只是太听话——人类喂它海量像素，它就拼命拟合像素；人类没塞进牛顿定律的因果逻辑，它就永远在视觉表层打转。真正的智能，得既看得清苹果落地，也想得到为什么苹果不往天上飞。这一步，还得靠人来搭桥。
天顺优配提示：文章来自网络，不代表本站观点。
