Sora之后，AI如何悄悄学会物理直觉
大家好，我是万象大叔。
专注 AI，讲透技术，看清产业，商业落地，投资赚钱。
当AI从生成静态图像进化到产出动态视频时，一个更深的疑问浮现：模型在构建视频时，是否悄然掌握了现实世界运行的底层规则？
OpenAI的Sora凭借其视频在物理逻辑上的高度一致性，让“世界模型”这一曾局限于机器人与强化学习领域的概念，成为AI前沿的焦点。
这揭示了一条清晰的技术跃迁：AI正从学习“词与词的关联”转向理解“状态与状态的演化”。其核心逻辑在于，预测视频下一帧的“时空块”这一看似简单任务，实则迫使模型构建一个隐含的、模拟物体存在、运动与交互的内部机制。
这并非意味着AI已掌握如F=ma般的数学公式，而是表明：通过海量视频中时空模式的压缩与归纳，AI能逼近物理规律的“表现形式”，完成从“读懂文字”到“感知世界”的关键跨越。
传统大语言模型的目标是“预测下一个词”，本质是学习语言符号的概率分布；而世界模型的核心是“预测下一状态”，本质是学习物理或抽象状态在时空中的演化规律。
Sora的架构显示：其采用“时空块”表示法，将视频切分为连续的时空单元，并基于扩散Transformer训练。这一设计的精髓在于，将视频的时空结构统一为序列预测问题，使Transformer能直接建模动态变化。当模型填补缺失块或生成后续块时，必须推断被遮挡物体的形态、轨迹及其与环境的互动关系。
“理解”的间接证据：Sora生成的视频中，物体行为展现出惊人合理性，例如：
物体持久性与三维稳定：物体移动、旋转或被遮挡后重现时，其形态与材质保持一致。
基础物理效应的模拟：液体飞溅、头发飘动、碰撞形变等，均符合日常直觉。
世界状态的因果延续：沙滩上的脚印不会消失，咬过的汉堡缺口不会自动愈合。
这些现象表明，模型并非仅做像素插值，而是在中间层进行“物理推理”，生成符合现实经验的状态演变。
Sora的突破在于，它证明了仅通过大规模无监督预测，即可从高维视频数据中“涌现”出对物理常识的近似掌握，无需人工编码物理规则。
内隐知识 vs 外显知识：Sora内部没有存储任何物理公式，它拥有的是内隐知识——一种通过海量数据训练后，在神经权重中形成的、将初始状态映射为合理后续状态的复杂函数。当输入“玻璃杯从桌面跌落”时，它能生成下落、撞击、碎裂的序列，因其“见过”类似统计模式并内化为生成能力。这种机制与婴儿通过观察习得的物理直觉高度相似。
从“关联”到“仿真”的跃迁：传统图形学依赖显式建模几何、材质与力，通过数值求解生成画面；Sora则反其道而行：从观测视频中逆向推导产生这些画面的潜在规律，构建一种“神经仿真器”——其仿真基于前向网络计算，而非微分方程求解。虽不精确，且在复杂场景易出错，但它验证了纯数据驱动逼近物理过程的可行性。
必须清醒：当前视频预测型世界模型，与真正理解物理定律仍有本质差距。
“纸片世界”与精确仿真：Sora的物理效果是“看起来合理”，而非精确守恒。动量、能量未必守恒，多体碰撞或流体湍流中常出错。它更像经验丰富的动画师凭直觉创作，而非物理引擎做可验证计算。
逻辑与抽象关系的缺失：物理不仅关乎运动，更涉及所有权、功能、社会规则。模型能学会“东西会掉”，却难理解“杯子是我的，碎了我会伤心”。世界模型需延伸至心理与社会维度，融合语言、动机与价值观。
因果与反事实推理的瓶颈：理解物理的核心是掌握因果机制，并能想象“若当时接住，杯子就不会碎”。当前模型主要依赖关联预测，对“干预”和“假设替代”的能力极其有限，这是“模式匹配”与“因果理解”的分水岭。
Sora是迈向完整世界模型的重要一步，但下一步需突破被动观测。
具身交互与行动数据：真正的物理理解离不开“行动-反馈”体验。未来训练需融入机器人与智能体的交互数据（动作、感知、环境变化），唯有通过主动改变世界，模型才能内化“因果关系”，区分相关与因果。
多模态感知融合：物理状态由视觉、听觉、触觉、力觉共同定义。更强的世界模型应能融合多模态信号，预测动作引发的综合后果，如敲击不同材质发出的不同声响与震动。
抽象表征与符号接地：终极目标是建立分层可解释表征——底层为感官信号，高层为离散概念（如“物体”“弹性”“易碎”）。如何连接神经网络的隐式表征与可推理的符号系统，是实现逻辑对话的关键。
科学发现工具：当世界模型足够精准，它可成为科研助手。研究者可提问“若重力常数改变，世界会如何？”或让模型在模拟中发现新规律，加速基础科学突破。
Sora之后，我们不再问“AI是否懂物理”，而应问：“它懂到什么程度？我们如何帮它懂更深、更真？”视频预测作为世界模型的雏形，证实了从感官数据中“涌现”物理常识是可行路径。
这项进展的根本价值，在于为构建具备基础物理直觉的通用AI铺路。未来的AI，将不再是符号处理的“文员”，而是能“想象运动”“预判后果”“在复杂环境中规划”的思维体。这不仅是生成更真视频的技术，更是通向真正理解我们世界的智能系统的基石。世界模型，正成为下一代AI不可或缺的“常识引擎”。