Sora爆火以来，“视频生成模型到底懂不懂物理规律”受到热议，但业界一直未有研究证实。近日，字节跳动豆包大模型团队公布最新论文，研究历时8个月，围绕“视频生成模型距离世界模型有多远”首次在业界完成系统性实验并给出明确结论：视频生成模型可以记忆训练案例，但暂时还无法真正理解物理规律，做到“举一反三”。
图灵奖得主、Meta首席AI科学家杨立昆点赞并转发了该研究，表示“结论不令人意外，但很高兴终于有人做了这个尝试！”
自OpenAI发布Sora模型以来，很多视频生成模型都会强调其生成结果对物理规律的遵循。豆包大模型视觉团队相关小组，对视频生成模型究竟能否从视觉数据中“发现”并“理解”物理定律感到好奇，决定深入研究。
历时8个月，该团队完成了业界首个系统性的实验研究。团队通过专门开发的物理引擎合成了匀速直接运动、小球碰撞、抛物线运动等经典物理场景的运动视频，用于训练基于主流DiT架构的视频生成模型。然后，通过检验模型后续生成的视频在运动和碰撞方面是否符合力学定律，判断模型是否真正理解了物理规律，并具有“世界模型”的潜力。
实验中设计的不同运动场景
豆包大模型团队的实验发现，即使遵循“Scaling Law”增大模型参数规模和数据量，模型依然无法抽象出一般物理规则，做到真正“理解”。
以最简单的匀速直线运动为例，当模型学习了不同速度下小球保持匀速直线运动的训练数据后，给定初始几帧，要求模型生成小球在训练集速度区间内匀速直线运动的视频，随着模型参数和训练数据量的增加，生成的视频逐渐更符合物理规律。
然而，当要求模型生成未曾见过的速度区间（即超出训练数据范围）的运动视频时，模型突然不再遵循物理规律，并且无论如何增加模型参数或训练数据，生成的结果都没有显著改进。这表明，视频生成模型无法真正理解物理规律，也无法将这些规律泛化应用到全新的场景中。
通过进一步的实验分析，研究团队得出结论，“生成新视频时，模型主要依赖对训练案例的记忆和匹配。视频生成模型就像一个只会‘抄作业’的学生，一旦遇到从未见过的场景，如不同大小、速度的物体相互作用，就会‘犯迷糊’，生成结果与物理规则不符。”
不过，研究中也有一个好消息：如果训练视频中所有概念和物体都是模型已熟悉的，此时加大训练视频的复杂度，比如组合增加物体间的物理交互，通过加大训练数据，模型对物理规律的遵循将越来越好。这一结果可为视频生成模型继续提升表现提供启发。
据了解，本研究两位核心一作都非常年轻，一位是95后，一位是00后，在豆包大模型团队专注视觉领域的基础研究工作。作者们一直对世界模型感兴趣，在8个月的探索中，他们阅读了大量物理学研究文献，也尝试从游戏中获得研发灵感，历经多次失败后，最终一步步确定研究思路和实验方法。
今年以来，字节跳动在大模型领域不断加大投入，底层研究、基础模型、AI应用均有亮眼产出。不久前，字节豆包大模型团队还发起了Top Seed人才计划，在全球范围持续招募大语言模型、视觉、语音、大模型基座等领域的顶尖研究人才，提供充分的创新探索空间。
研究论文链接：https://arxiv.org/pdf/2411.02385
研究成果网站：https://phyworld.github.io/#combo_gen