【世界模型】AI世界模型的两次物理大考（测评）

如果你让当今最先进的AI视频模型生成一段“冰块落入温水”的视频，你很可能会得到一个画质惊艳、光线完美、动态流畅的短片。它几乎能以假乱真。

但如果你是一位物理系学生，可能会立刻发现破绽：冰块的融化速度均匀得诡异，热水降温的过程没有遵循热传导应有的梯度，汽化与液滴的形态违背了相变的基本原理。

这看似微小的“失真”，揭示了一个关乎AI未来的根本性问题：现有的 “世界模型” ，并不是理解并模拟这个世界的运行法则，而是在记忆并模仿我们曾记录过的画面

一、物理常识测试

论文《TOWARDS WORLD SIMULATOR: Crafting Physical Commonsense-Based Benchmark for Video Generation》 ，构建了 PhyGenBench 基准：

• 测试范围：涵盖力学、光学、热学、材料属性4大领域，共27条基础物理定律（如重力、浮力、反射、热传导等）。
• 测试内容：设计了160个提示词，每个都对应一个简单、清晰、可观察的物理现象。例如：“一块铁被轻轻放在水箱的水面上”（测试对密度与浮力的理解）。

在PhyGenEval自动化评估框架下，即使当时表现最佳的模型Gen-3，得分也仅为0.51（满分1分）。

结论一：AI视频模型，在生成符合基础物理常识的画面时，表现依然不足。它们更像是在复刻“看起来合理”的视觉模式，而非内化了“铁比水重所以会下沉”的因果规律。真正的“世界模拟器”，需要掌握的是成体系的科学知识。

二、科学推理测试

《Benchmarking Scientific Understanding and Reasoning for Video Generation using VideoScience-Bench》推出了 VideoScience-Bench 基准：

• 测试范围：涵盖物理学与化学的14个主题、103个核心概念。从经典力学、光学，到氧化还原反应、反应动力学，要求本科级别的知识储备。
• 测试内容：每个prompt，必须同时涉及至少两个科学概念的交叉与推理。例如：“演示一个装有不同浓度盐水的烧杯，在相同低温下，因凝固点降低效应而产生的差异化结冰过程与冰晶形态。” 要答对此题，模型需整合 溶液性质、热传导、晶体生长 多个知识点。
• 测试指标：专家从五个严格维度评分：提示一致性、现象符合性、正确动力学、不变性、时空连贯性。
• 拓展测试：研究还配套开发了 VideoScience-Judge 评估框架，它利用“任务清单+关键帧证据+计算机视觉工具”，让另一个AI（VLM）扮演严谨的助教，其评分与人类专家高度相关。

对Sora-2, Veo-3, Kling, Wan等7个顶级模型的测试显示：

• 优点：所有模型在视觉质量（时空连贯性、不变性）上表现优异，这也是当前技术最卷的方向。
• 缺点：在科学现象的正确性（Phenomenon Congruency）和基本物理定律的遵守（Correct Dynamism）上，所有模型都大幅失分。即便是表现最好的Sora-2和Veo-3，在“现象符合性”上的得分（按4分制）也仅分别为2.56和2.35，相当于刚过及格线。
• 代表案例：在“铝碘反应”测试中，Sora-2能正确生成点燃的紫色闪光，而Hailuo-2.3则完全未能引发反应。在“旋转杯中的小球”测试中（考察离心力），Sora-2和Veo-3这两个“优等生”竟都未能正确设置实验或模拟出现象。

结论二：当前视频生成模型，在需要复杂、交叉科学推理的任务上，能力仍然非常有限。 它们可以成为顶级的“视觉特效师”，但距离成为理解科学原理的“实验模拟器”还有很长的路要走。

三、“世界模型”演进路线

1. 第一级：视觉真实。目标是生成高分辨率、连贯、美观的视频。现已基本攻克。
2. 第二级：物理常识。目标是让视频中的物体运动符合日常直觉（球下落、水流动）。PhyGenBench显示，此关仍未通过。
3. 第三级：科学推理。目标是让视频能正确演绎复杂的、多概念交织的科学过程。VideoScience-Bench表明，此关挑战巨大。

未来的突破，或许在于神经符号结合（将深度学习与物理公式引擎融合）、仿真器引导训练（用高精度物理仿真生成“正确”数据），或更根本的因果表征学习。

1. 论文1：《Meng, F., Liao, J., Tan, X., Shao, W., Lu, Q., Zhang, K., Cheng, Y., Li, D., Qiao, Y., & Luo, P. (2024). TOWARDS WORLD SIMULATOR: Crafting Physical Commonsense-Based Benchmark for Video Generation》.

2. 论文2：《Hu, L., Shankarampeta, A., Huang, Y., Dai, Z., Yu, H., Zhao, Y., Kang, H., Zhao, D., Rosing, T., & Zhang, H. (2025). Benchmarking Scientific Understanding and Reasoning for Video Generation using VideoScience-Bench》.