在我們的日常生活中，看到一顆球滾下斜坡或者積木倒塌，我們能立刻預(yù)測(cè)接下來(lái)會(huì)發(fā)生什么。這種對(duì)物理世界的直覺(jué)理解似乎是理所當(dāng)然的，但當(dāng)科學(xué)家們?cè)噲D讓人工智能也具備這種能力時(shí)，卻發(fā)現(xiàn)了一個(gè)令人驚訝的問(wèn)題。

這項(xiàng)由滑鐵盧大學(xué)、Autodesk AI實(shí)驗(yàn)室以及獨(dú)立研究者共同完成的研究發(fā)表于2026年2月，論文編號(hào)為arXiv:2602.13294v1，研究團(tuán)隊(duì)通過(guò)一種全新的方式揭示了一個(gè)震驚學(xué)術(shù)界的事實(shí)：那些在語(yǔ)言和圖像理解方面表現(xiàn)出色的大型AI模型，在理解基本的物理定律方面其實(shí)存在著根本性的缺陷。

要理解這個(gè)問(wèn)題的嚴(yán)重性，我們可以把當(dāng)前的AI比作一個(gè)非常博學(xué)的學(xué)者，他能夠背誦大量的物理教科書(shū)，也能回答各種物理問(wèn)題，甚至能描述復(fù)雜的物理現(xiàn)象。但是當(dāng)你真正讓他預(yù)測(cè)一個(gè)簡(jiǎn)單的物理實(shí)驗(yàn)結(jié)果時(shí)，比如一個(gè)球撞擊積木塔會(huì)發(fā)生什么，他卻經(jīng)常給出錯(cuò)誤的答案。這就像一個(gè)能夠流利朗誦莎士比亞作品的人，卻無(wú)法理解其中的情感內(nèi)涵一樣。

傳統(tǒng)的AI物理理解測(cè)試就像是讓學(xué)生做選擇題——給出幾個(gè)選項(xiàng)，讓AI選擇最可能的答案。這種方式的問(wèn)題在于，AI可能僅僅是在進(jìn)行模式匹配，而非真正理解物理原理。就好比一個(gè)學(xué)生可能通過(guò)記憶答案模式來(lái)應(yīng)付考試，但卻不真正理解背后的原理。

研究團(tuán)隊(duì)意識(shí)到，要真正測(cè)試AI是否理解物理，就必須讓它不僅僅是"說(shuō)"出正確答案，而是要"做"出正確的預(yù)測(cè)。于是他們開(kāi)發(fā)了一個(gè)叫做VisPhyWorld的創(chuàng)新測(cè)試框架，這個(gè)框架的巧妙之處在于讓AI不再是簡(jiǎn)單地選擇答案，而是要求它編寫(xiě)出能夠?qū)嶋H運(yùn)行的物理模擬程序。

這就像是從讓學(xué)生做選擇題變成了讓他們實(shí)際動(dòng)手做實(shí)驗(yàn)。如果一個(gè)學(xué)生真的理解了物理原理，他應(yīng)該能夠設(shè)計(jì)并執(zhí)行一個(gè)實(shí)驗(yàn)來(lái)驗(yàn)證自己的理論。同樣，如果AI真的理解了物理，它應(yīng)該能夠編寫(xiě)出符合物理定律的模擬程序。

為了驗(yàn)證這個(gè)想法，研究團(tuán)隊(duì)構(gòu)建了一個(gè)名為VisPhyBench的測(cè)試平臺(tái)，包含了209個(gè)不同難度的物理場(chǎng)景，就像為AI準(zhǔn)備了209道不同的"動(dòng)手實(shí)驗(yàn)題"。這些場(chǎng)景涵蓋了從簡(jiǎn)單的球體碰撞到復(fù)雜的積木倒塌等各種情況，每一個(gè)都考驗(yàn)著AI對(duì)物理世界的真實(shí)理解。

一、AI如何"看懂"物理世界

要理解這項(xiàng)研究的突破性，我們首先需要了解研究團(tuán)隊(duì)是如何讓AI"看懂"物理世界的。這個(gè)過(guò)程可以比作教一個(gè)從未接觸過(guò)廚房的人學(xué)做菜。傳統(tǒng)方法是給他一本食譜書(shū)，讓他背誦各種菜譜，然后通過(guò)問(wèn)答來(lái)測(cè)試他是否"學(xué)會(huì)"了做菜。但VisPhyWorld采用了完全不同的方法：直接把這個(gè)人放進(jìn)廚房，給他食材，讓他真正做出一道菜來(lái)。

VisPhyWorld的工作原理相當(dāng)巧妙。研究人員首先向AI展示兩個(gè)關(guān)鍵的視頻幀：一個(gè)是物理事件開(kāi)始時(shí)的畫(huà)面，另一個(gè)是稍后時(shí)刻的畫(huà)面。就像給廚師展示食材的初始狀態(tài)和烹飪過(guò)程中的某個(gè)瞬間，然后要求他推斷出完整的烹飪過(guò)程。

接下來(lái)，AI需要完成兩個(gè)重要任務(wù)。第一個(gè)任務(wù)是分析這兩個(gè)畫(huà)面之間發(fā)生了什么，就像廚師需要觀察食材的變化并理解烹飪過(guò)程。AI必須用自然語(yǔ)言描述它觀察到的物理現(xiàn)象：哪些物體在移動(dòng)，它們是如何相互作用的，重力、摩擦力等物理因素是如何發(fā)揮作用的。

第二個(gè)任務(wù)更加關(guān)鍵，也是這項(xiàng)研究的創(chuàng)新之處：AI必須編寫(xiě)出一個(gè)完整的、可執(zhí)行的計(jì)算機(jī)程序。這個(gè)程序就像一個(gè)精確的食譜，必須能夠從初始狀態(tài)開(kāi)始，通過(guò)物理模擬準(zhǔn)確再現(xiàn)觀察到的物理過(guò)程。如果AI真的理解了物理原理，那么它編寫(xiě)的程序運(yùn)行后應(yīng)該產(chǎn)生與真實(shí)情況高度一致的結(jié)果。

這種方法的巧妙之處在于程序必須是可執(zhí)行的，這意味著任何錯(cuò)誤的物理理解都會(huì)在程序運(yùn)行時(shí)暴露出來(lái)。就像廚師如果不真正理解烹飪?cè)恚?食譜"就無(wú)法做出真正可口的菜肴。程序要么能正確模擬物理過(guò)程，要么完全失敗，沒(méi)有中間地帶。

研究團(tuán)隊(duì)選擇了幾種不同的編程環(huán)境來(lái)測(cè)試AI的能力。其中Three.js和P5.js是支持真實(shí)物理模擬的環(huán)境，就像配備了精確溫度計(jì)和計(jì)時(shí)器的專業(yè)廚房。而SVG和Manim則更像是沒(méi)有這些精密工具的簡(jiǎn)單廚房。有趣的是，當(dāng)AI使用支持真實(shí)物理模擬的環(huán)境時(shí)，它們的表現(xiàn)明顯更好，這從側(cè)面證明了物理引擎的重要性。

這整個(gè)過(guò)程就像是對(duì)AI進(jìn)行了一次"實(shí)踐能力"的全面考核。不再是紙上談兵的理論問(wèn)題，而是要求AI在真實(shí)的物理約束下證明自己的理解。正如我們?cè)u(píng)判一個(gè)廚師不應(yīng)該只看他能否背誦食譜，而應(yīng)該看他能否做出美味的菜肴，評(píng)判AI的物理理解能力也應(yīng)該看它能否準(zhǔn)確模擬出真實(shí)的物理過(guò)程。

二、令人震驚的發(fā)現(xiàn)：AI的"表面功夫"

當(dāng)研究團(tuán)隊(duì)開(kāi)始測(cè)試各種頂尖的AI模型時(shí)，結(jié)果令人大跌眼鏡。這些在其他任務(wù)中表現(xiàn)出色的AI模型，在真正的物理理解測(cè)試中暴露出了嚴(yán)重的缺陷。這種情況就像發(fā)現(xiàn)一個(gè)在理論考試中總是拿滿分的駕駛員，實(shí)際開(kāi)車時(shí)卻頻頻發(fā)生事故。

研究人員測(cè)試了五個(gè)目前最先進(jìn)的多模態(tài)AI模型，包括GPT-5、GPT-4.1、Gemini-3-Pro、Claude Sonnet 4.5和Qwen3-VL-Plus。這些模型就像是AI界的"優(yōu)等生"，在語(yǔ)言理解、圖像識(shí)別等多個(gè)領(lǐng)域都有出色表現(xiàn)。然而，當(dāng)面對(duì)真實(shí)的物理模擬挑戰(zhàn)時(shí)，它們的表現(xiàn)卻參差不齊，暴露出了一個(gè)核心問(wèn)題：能夠"說(shuō)"物理和真正"懂"物理之間存在巨大差異。

從表面數(shù)據(jù)看，這些AI模型在某些方面確實(shí)表現(xiàn)不錯(cuò)。比如在場(chǎng)景識(shí)別和語(yǔ)義理解方面，大多數(shù)模型都能準(zhǔn)確識(shí)別視頻中的物體，正確描述它們的顏色、形狀和大體位置。這就像一個(gè)學(xué)生能夠準(zhǔn)確描述實(shí)驗(yàn)器材的外觀和基本設(shè)置。Gemini-3-Pro在這方面表現(xiàn)尤為出色，在CLIP圖像相似度測(cè)試中達(dá)到了0.8973的高分，這意味著它生成的視頻在視覺(jué)上與原始視頻非常相似。

但是，當(dāng)深入分析物理準(zhǔn)確性時(shí)，問(wèn)題就暴露出來(lái)了。研究團(tuán)隊(duì)采用了一種巧妙的評(píng)估策略，不僅要看生成的視頻在視覺(jué)上是否相似，更要看物理過(guò)程是否合理。他們使用了光流分析技術(shù)來(lái)檢測(cè)物體運(yùn)動(dòng)的一致性，并通過(guò)Gemini-2.5-Pro作為"物理評(píng)判員"來(lái)評(píng)估生成視頻中的物理合理性。

結(jié)果顯示，即使是表現(xiàn)最好的GPT-5，在綜合物理合理性評(píng)分中也只獲得了3.50分（滿分10分）。這個(gè)分?jǐn)?shù)意味著，雖然AI能夠生成看起來(lái)不錯(cuò)的視頻，但其中的物理過(guò)程經(jīng)常違反基本的物理定律。就像一部電影的視覺(jué)效果很華麗，但仔細(xì)觀察就會(huì)發(fā)現(xiàn)演員在"飛翔"時(shí)沒(méi)有遵循重力定律。

更令人擔(dān)憂的是，當(dāng)AI使用非物理模擬環(huán)境（如SVG和Manim）時(shí)，問(wèn)題變得更加嚴(yán)重。這些環(huán)境本身不支持真實(shí)的物理計(jì)算，AI只能依靠自己對(duì)物理的理解來(lái)編程實(shí)現(xiàn)物理效果。結(jié)果顯示，在這種情況下，AI經(jīng)常產(chǎn)生明顯不合理的物理現(xiàn)象，比如物體相互穿透、違反重力定律的運(yùn)動(dòng)軌跡，或者在應(yīng)該發(fā)生碰撞時(shí)卻靜止不動(dòng)。

這種現(xiàn)象揭示了一個(gè)深層問(wèn)題：當(dāng)前的AI模型很大程度上依賴于模式匹配而非真正的物理理解。它們能夠識(shí)別"球撞擊積木"這樣的場(chǎng)景，也能從訓(xùn)練數(shù)據(jù)中學(xué)到"球撞擊積木后積木會(huì)倒塌"的關(guān)聯(lián)關(guān)系，但它們并不真正理解支配這一過(guò)程的物理原理，比如動(dòng)量守恒、重力作用、摩擦力的影響等。

特別值得關(guān)注的是不同模型之間的表現(xiàn)差異。GPT-5和Gemini-3-Pro在大多數(shù)指標(biāo)上表現(xiàn)相對(duì)較好，而一些其他模型的表現(xiàn)則相當(dāng)糟糕。比如Qwen3-VL-Plus在使用P5.js環(huán)境時(shí)，生成視頻的成功率雖然達(dá)到了100%，但質(zhì)量評(píng)分卻只有1.46分，這意味著雖然程序能夠運(yùn)行，但生成的物理模擬完全不合理。

這些發(fā)現(xiàn)表明，目前的AI模型在物理理解方面還處于相當(dāng)初級(jí)的階段。它們就像是學(xué)會(huì)了物理術(shù)語(yǔ)和基本概念，但缺乏對(duì)物理原理的深層理解。這種"表面功夫"在傳統(tǒng)的測(cè)試方法中可能不易察覺(jué)，但在需要實(shí)際應(yīng)用物理知識(shí)的任務(wù)中就暴露無(wú)遺了。

三、為什么傳統(tǒng)測(cè)試方法會(huì)"放水"

要理解為什么這項(xiàng)研究如此重要，我們需要先了解傳統(tǒng)的AI物理理解測(cè)試方法存在什么問(wèn)題。這就像理解為什么僅僅通過(guò)筆試來(lái)選拔外科醫(yī)生是不夠的，必須要有實(shí)際的手術(shù)操作考核一樣。

傳統(tǒng)的AI物理測(cè)試主要采用兩種方法，它們都存在根本性的缺陷。第一種是視覺(jué)問(wèn)答式測(cè)試，就像給學(xué)生看一個(gè)物理實(shí)驗(yàn)的圖片，然后問(wèn)"接下來(lái)會(huì)發(fā)生什么？"，并提供幾個(gè)選項(xiàng)讓AI選擇。這種方法的問(wèn)題在于，AI可能僅僅通過(guò)記憶大量的圖片-答案對(duì)應(yīng)關(guān)系來(lái)"作弊"，而不需要真正理解物理原理。就像一個(gè)學(xué)生可能通過(guò)死記硬背來(lái)應(yīng)付考試，但實(shí)際上對(duì)知識(shí)一知半解。

第二種傳統(tǒng)方法叫做"違背期望"測(cè)試，原理是向AI展示一些違反物理定律的場(chǎng)景，看它是否能識(shí)別出不合理之處。比如展示一個(gè)球向上"飛"而不受重力影響的視頻，看AI是否覺(jué)得奇怪。但這種方法同樣存在問(wèn)題：能夠識(shí)別明顯錯(cuò)誤的物理現(xiàn)象，并不意味著能夠準(zhǔn)確預(yù)測(cè)正確的物理過(guò)程。這就像一個(gè)人能夠識(shí)別出一幅畫(huà)中的人物有三只眼睛不正常，但這不代表他就能畫(huà)出一幅逼真的人像。

更關(guān)鍵的問(wèn)題是，這些傳統(tǒng)測(cè)試方法都允許AI"蒙對(duì)"答案。在多選題中，即使AI完全不懂物理，也有一定概率選中正確答案。而在開(kāi)放式問(wèn)答中，AI可能通過(guò)模糊的表達(dá)來(lái)掩蓋自己理解上的缺陷。就像一個(gè)學(xué)生在考試中寫(xiě)一些看起來(lái)有道理但實(shí)際上沒(méi)有具體內(nèi)容的答案，可能也能得到部分分?jǐn)?shù)。

VisPhyWorld的創(chuàng)新之處就在于完全消除了這種"蒙混過(guò)關(guān)"的可能性。當(dāng)AI必須編寫(xiě)可執(zhí)行的物理模擬程序時(shí)，任何對(duì)物理原理的誤解都會(huì)立即暴露。程序要么能正確運(yùn)行并產(chǎn)生合理的物理結(jié)果，要么就會(huì)失敗或產(chǎn)生明顯錯(cuò)誤的結(jié)果，沒(méi)有中間地帶。這就像要求學(xué)生不僅要回答物理問(wèn)題，還要親手做實(shí)驗(yàn)來(lái)驗(yàn)證自己的答案。

這種方法的另一個(gè)重要優(yōu)勢(shì)是可檢查性和可解釋性。傳統(tǒng)測(cè)試中，當(dāng)AI給出一個(gè)答案后，我們很難深入了解它的推理過(guò)程。但在VisPhyWorld中，AI生成的程序代碼就是它"思考過(guò)程"的直接體現(xiàn)。研究人員可以逐行檢查代碼，了解AI是如何理解物理現(xiàn)象的，哪些地方理解正確，哪些地方存在誤區(qū)。

比如，在一個(gè)簡(jiǎn)單的球體碰撞場(chǎng)景中，如果AI真正理解了動(dòng)量守恒定律，它的程序中應(yīng)該包含正確的動(dòng)量計(jì)算和傳遞邏輯。如果它不理解摩擦力的作用，程序中的物體運(yùn)動(dòng)可能會(huì)過(guò)于"理想化"，缺乏真實(shí)世界中的能量損耗。這些細(xì)節(jié)都可以通過(guò)檢查代碼來(lái)發(fā)現(xiàn)，這是傳統(tǒng)測(cè)試方法無(wú)法提供的。

研究結(jié)果顯示，當(dāng)AI被迫"展示"而不僅僅是"敘述"它們的物理理解時(shí)，即使是最先進(jìn)的模型也暴露出了嚴(yán)重的不足。這就像發(fā)現(xiàn)那些在理論考試中表現(xiàn)優(yōu)異的醫(yī)學(xué)生，在面對(duì)真實(shí)病患時(shí)卻手足無(wú)措。這個(gè)發(fā)現(xiàn)對(duì)整個(gè)AI領(lǐng)域都具有重要意義，因?yàn)樗嵝盐覀儯篈I在某個(gè)任務(wù)上的表面表現(xiàn)并不一定反映其真實(shí)的理解深度。

四、深度剖析：AI到底哪里不懂

通過(guò)詳細(xì)分析AI生成的程序代碼和模擬結(jié)果，研究團(tuán)隊(duì)發(fā)現(xiàn)了一些令人深思的模式。這些發(fā)現(xiàn)就像醫(yī)生通過(guò)各種檢查手段診斷病人的具體病癥一樣，幫助我們準(zhǔn)確定位AI在物理理解方面的具體問(wèn)題。

最明顯的問(wèn)題出現(xiàn)在參數(shù)設(shè)置上。當(dāng)AI需要為物理模擬設(shè)置具體的數(shù)值參數(shù)時(shí)，比如物體的質(zhì)量、摩擦系數(shù)、彈性系數(shù)等，它們經(jīng)常給出不合理的數(shù)值。這就像一個(gè)廚師知道做菜需要放鹽，但不知道該放多少鹽一樣。比如，在模擬一個(gè)簡(jiǎn)單的球體碰撞時(shí)，AI可能會(huì)設(shè)置過(guò)高的彈性系數(shù)，導(dǎo)致球體在碰撞后彈跳得過(guò)于劇烈，違反了能量守恒定律。

更深層的問(wèn)題體現(xiàn)在因果關(guān)系的理解上。研究人員發(fā)現(xiàn)，AI經(jīng)常能夠識(shí)別"原因"和"結(jié)果"，但對(duì)它們之間的具體關(guān)系缺乏準(zhǔn)確理解。比如，AI知道"球撞擊積木塔會(huì)導(dǎo)致積木倒塌"，但它可能不理解撞擊的角度、速度、質(zhì)量等因素如何具體影響倒塌的方式和程度。這就像知道"下雨會(huì)讓地面變濕"，但不理解雨量大小如何影響地面濕潤(rùn)程度的關(guān)系。

在處理復(fù)雜物理場(chǎng)景時(shí)，AI的局限性更加明顯。當(dāng)場(chǎng)景中涉及多個(gè)物體的相互作用時(shí)，比如一個(gè)球撞擊積木塔后，積木之間發(fā)生連鎖倒塌，AI經(jīng)常無(wú)法正確模擬這種級(jí)聯(lián)效應(yīng)。它們可能能夠處理簡(jiǎn)單的一對(duì)一相互作用，但在處理多體系統(tǒng)的復(fù)雜動(dòng)力學(xué)時(shí)就力不從心了。

特別值得注意的是，AI在處理接觸和碰撞問(wèn)題時(shí)表現(xiàn)尤為糟糕。在真實(shí)的物理世界中，當(dāng)兩個(gè)物體接觸時(shí)，會(huì)產(chǎn)生復(fù)雜的力學(xué)相互作用，包括法向力、摩擦力等。但AI生成的程序中經(jīng)常出現(xiàn)物體相互穿透或者在應(yīng)該發(fā)生接觸時(shí)卻沒(méi)有相互作用的情況。這表明AI缺乏對(duì)物體邊界和接觸力學(xué)的基本理解。

研究團(tuán)隊(duì)還發(fā)現(xiàn)，AI對(duì)三維空間中的物理現(xiàn)象理解更加困難。雖然在二維場(chǎng)景中AI的表現(xiàn)就已經(jīng)不夠理想，但在三維場(chǎng)景中，問(wèn)題變得更加嚴(yán)重。這可能是因?yàn)槿S物理涉及更多的自由度和更復(fù)雜的幾何關(guān)系，對(duì)AI的空間推理能力提出了更高要求。

另一個(gè)有趣的發(fā)現(xiàn)是AI對(duì)不同物理概念的理解存在明顯的不均衡性。比如，大多數(shù)AI對(duì)重力的基本概念有一定理解，能夠讓物體向下墜落，但對(duì)于更復(fù)雜的概念，如角動(dòng)量、轉(zhuǎn)動(dòng)慣量等，理解就相當(dāng)有限。這種不均衡性反映了AI訓(xùn)練數(shù)據(jù)中不同物理概念出現(xiàn)頻率的差異，以及這些概念本身的復(fù)雜程度。

最令研究人員擔(dān)憂的發(fā)現(xiàn)是AI經(jīng)常表現(xiàn)出一種"虛假自信"。即使在生成明顯錯(cuò)誤的物理模擬時(shí)，AI在描述階段仍然表現(xiàn)得很"confident"，用準(zhǔn)確的物理術(shù)語(yǔ)描述場(chǎng)景，讓人誤以為它真正理解了物理原理。這就像一個(gè)并不真正理解醫(yī)學(xué)的人，通過(guò)使用醫(yī)學(xué)術(shù)語(yǔ)來(lái)掩飾自己的無(wú)知，可能會(huì)誤導(dǎo)他人對(duì)其專業(yè)能力的判斷。

這些發(fā)現(xiàn)共同指向一個(gè)重要結(jié)論：當(dāng)前的AI模型主要依靠統(tǒng)計(jì)模式匹配而非真正的物理原理理解。它們能夠?qū)W會(huì)物理現(xiàn)象的表面特征和常見(jiàn)模式，但缺乏對(duì)底層物理機(jī)制的深入理解。這就像一個(gè)人能夠模仿畫(huà)家的繪畫(huà)風(fēng)格，但不理解色彩理論和透視原理一樣。

五、實(shí)際案例：AI的"物理盲點(diǎn)"大揭秘

為了讓這些抽象的發(fā)現(xiàn)更加具體化，研究團(tuán)隊(duì)展示了幾個(gè)典型的案例，這些案例就像顯微鏡下的病理切片，清晰地展現(xiàn)了AI在物理理解方面的具體問(wèn)題。

第一個(gè)引人注目的案例涉及一個(gè)看似簡(jiǎn)單的場(chǎng)景：幾個(gè)彩色小球在重力作用下自由下落。對(duì)人類來(lái)說(shuō)，這是再簡(jiǎn)單不過(guò)的物理現(xiàn)象，我們能夠直覺(jué)地預(yù)測(cè)球體會(huì)勻加速下落，并在觸地后根據(jù)材質(zhì)產(chǎn)生相應(yīng)的彈跳。然而，當(dāng)不同的AI模型嘗試重現(xiàn)這個(gè)場(chǎng)景時(shí)，結(jié)果卻大相徑庭。

GPT-5表現(xiàn)相對(duì)較好，它生成的模擬能夠大致重現(xiàn)球體的下落過(guò)程，物體間的碰撞也基本合理。但即使是這個(gè)最優(yōu)秀的模型，在細(xì)節(jié)處理上仍然存在問(wèn)題。比如，球體的彈跳高度不夠真實(shí)，缺乏應(yīng)有的能量損耗，就像一個(gè)永動(dòng)機(jī)一樣持續(xù)彈跳。

相比之下，一些其他模型的表現(xiàn)就相當(dāng)糟糕了。Qwen3-VL-Plus在某些測(cè)試中甚至產(chǎn)生了靜止的畫(huà)面，就像時(shí)間被凍結(jié)了一樣，球體懸浮在空中不受重力影響。這種結(jié)果不僅在物理上完全錯(cuò)誤，也暴露了AI對(duì)基本物理概念的嚴(yán)重誤解。

第二個(gè)有趣的案例展示了AI在處理碰撞和接觸問(wèn)題時(shí)的困難。在一個(gè)紅球撞擊積木塔的場(chǎng)景中，人類能夠預(yù)期球體會(huì)傳遞動(dòng)量給積木，導(dǎo)致積木塔倒塌，整個(gè)過(guò)程遵循動(dòng)量守恒和能量守恒定律。但AI的表現(xiàn)卻讓人啼笑皆非。

一些AI模型生成的模擬中，球體直接穿過(guò)了積木塔，就像幽靈一樣沒(méi)有產(chǎn)生任何物理相互作用。這種"穿墻術(shù)"在物理世界中是不可能的，但AI卻渾然不覺(jué)。另一些模型雖然避免了穿透問(wèn)題，但碰撞效果卻過(guò)于夸張，就像積木塔遇到了炸彈而不是一個(gè)簡(jiǎn)單的球體。

更令人驚訝的是在三維場(chǎng)景中的表現(xiàn)。研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)三維的物理場(chǎng)景，包含一個(gè)在斜面上滾動(dòng)的球體和一個(gè)U形容器。在真實(shí)世界中，球體應(yīng)該沿著斜面滾動(dòng)，最終落入容器中。但AI生成的三維模擬經(jīng)常出現(xiàn)奇怪的現(xiàn)象：球體可能會(huì)突然改變方向，或者在空中做出不符合物理定律的運(yùn)動(dòng)軌跡。

特別值得關(guān)注的是AI在處理摩擦力時(shí)的表現(xiàn)。在一個(gè)涉及物體滑動(dòng)的場(chǎng)景中，AI經(jīng)常忽略摩擦力的存在，導(dǎo)致物體在表面上滑動(dòng)得過(guò)于順暢，就像在完全光滑的冰面上一樣。這反映了AI對(duì)表面相互作用力的理解不足，這在工程和日常生活中都是極其重要的物理概念。

研究人員還發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：AI的表現(xiàn)似乎與場(chǎng)景的復(fù)雜程度呈反比關(guān)系。在簡(jiǎn)單的單體運(yùn)動(dòng)場(chǎng)景中，AI還能勉強(qiáng)應(yīng)付，但當(dāng)場(chǎng)景中涉及多個(gè)物體的復(fù)雜相互作用時(shí)，AI的表現(xiàn)就急劇下降。這就像一個(gè)學(xué)生在處理簡(jiǎn)單算數(shù)時(shí)還能應(yīng)付，但面對(duì)復(fù)雜的數(shù)學(xué)應(yīng)用題時(shí)就完全束手無(wú)策。

最讓研究人員印象深刻的是AI在描述和執(zhí)行之間的巨大差異。在分析階段，AI經(jīng)常能夠用非常專業(yè)和準(zhǔn)確的語(yǔ)言描述物理現(xiàn)象，使用正確的物理術(shù)語(yǔ)，甚至能夠提及相關(guān)的物理定律。但當(dāng)它需要將這種"理論知識(shí)"轉(zhuǎn)化為具體的程序代碼時(shí)，就暴露出了理解上的巨大缺陷。

這種現(xiàn)象特別類似于某些學(xué)生在考試中的表現(xiàn)：他們能夠背誦物理公式，甚至能夠在口頭上解釋物理概念，但一旦需要解決實(shí)際的物理問(wèn)題，就會(huì)出現(xiàn)各種錯(cuò)誤。這提醒我們，語(yǔ)言表達(dá)能力和真正的概念理解之間存在著重要區(qū)別。

六、與傳統(tǒng)視頻生成模型的對(duì)比

為了更全面地評(píng)估VisPhyWorld框架的有效性，研究團(tuán)隊(duì)還將基于代碼生成的方法與傳統(tǒng)的像素級(jí)視頻生成模型進(jìn)行了對(duì)比。這種對(duì)比就像比較兩種不同的藝術(shù)創(chuàng)作方式：一種是基于深入理解創(chuàng)作原理的藝術(shù)家，另一種是專門模仿表面效果的復(fù)印機(jī)。

傳統(tǒng)的視頻生成模型，如Stable Video Diffusion和Veo-3.1，采用的是完全不同的工作原理。它們不需要理解物理定律，而是通過(guò)分析大量視頻數(shù)據(jù)，學(xué)習(xí)像素級(jí)別的變化模式。這就像一個(gè)畫(huà)家不理解透視原理和色彩理論，而是通過(guò)觀察大量畫(huà)作來(lái)模仿繪畫(huà)風(fēng)格。

在視覺(jué)效果方面，這些傳統(tǒng)模型確實(shí)表現(xiàn)出了一定的競(jìng)爭(zhēng)力。Veo-3.1在一些視覺(jué)相似度指標(biāo)上甚至能夠與基于代碼的方法相媲美，生成的視頻在表面上看起來(lái)相當(dāng)逼真。這就像一個(gè)技術(shù)精湛的模仿者能夠創(chuàng)作出外觀上非常接近原作的復(fù)制品。

但是，當(dāng)研究人員深入分析這些視頻的物理合理性時(shí)，問(wèn)題就暴露出來(lái)了。傳統(tǒng)視頻生成模型雖然能夠產(chǎn)生視覺(jué)上令人信服的效果，但其中的物理過(guò)程經(jīng)常存在嚴(yán)重問(wèn)題。比如，在一個(gè)球體碰撞的場(chǎng)景中，傳統(tǒng)模型可能會(huì)生成看起來(lái)"差不多"的碰撞效果，但仔細(xì)觀察會(huì)發(fā)現(xiàn)物體的運(yùn)動(dòng)軌跡、速度變化、碰撞時(shí)機(jī)等細(xì)節(jié)都存在不合理之處。

更重要的是，傳統(tǒng)模型生成的視頻無(wú)法提供任何關(guān)于其"推理過(guò)程"的信息。當(dāng)一個(gè)傳統(tǒng)模型生成了一個(gè)物理上不合理的視頻時(shí)，我們無(wú)法了解它為什么會(huì)犯這樣的錯(cuò)誤，也無(wú)法對(duì)其進(jìn)行針對(duì)性的改進(jìn)。這就像面對(duì)一個(gè)黑匣子，我們只能看到輸入和輸出，卻無(wú)法理解中間的處理過(guò)程。

相比之下，基于代碼生成的方法雖然在某些視覺(jué)指標(biāo)上可能不如傳統(tǒng)模型，但它提供了完全透明的"思考過(guò)程"。研究人員可以檢查AI生成的每一行代碼，了解它對(duì)物理現(xiàn)象的具體理解，識(shí)別錯(cuò)誤的來(lái)源，并進(jìn)行有針對(duì)性的改進(jìn)。這種可解釋性在科學(xué)研究和實(shí)際應(yīng)用中都具有重要價(jià)值。

研究結(jié)果還揭示了一個(gè)有趣的現(xiàn)象：當(dāng)使用支持真實(shí)物理模擬的編程環(huán)境時(shí)，AI的表現(xiàn)明顯優(yōu)于使用簡(jiǎn)單繪圖環(huán)境的情況。這表明，物理引擎本身的存在能夠在某種程度上"補(bǔ)償"AI理解上的不足。就像給一個(gè)不完全理解烹飪?cè)淼膹N師提供精確的烹飪?cè)O(shè)備，能夠幫助他做出更好的菜肴。

這個(gè)發(fā)現(xiàn)具有重要的實(shí)踐意義：它提示我們，在開(kāi)發(fā)需要物理準(zhǔn)確性的AI應(yīng)用時(shí)，應(yīng)該優(yōu)先選擇集成了物理引擎的開(kāi)發(fā)環(huán)境，而不是依賴AI自身的物理理解能力。這就像在建筑設(shè)計(jì)中，我們會(huì)使用結(jié)構(gòu)分析軟件來(lái)確保設(shè)計(jì)的安全性，而不是完全依賴設(shè)計(jì)師的直覺(jué)。

另一個(gè)重要發(fā)現(xiàn)是，基于代碼的方法在處理復(fù)雜場(chǎng)景時(shí)表現(xiàn)出了更好的穩(wěn)定性。傳統(tǒng)視頻生成模型在處理復(fù)雜多體相互作用時(shí)，經(jīng)常產(chǎn)生完全不合理的結(jié)果，比如物體突然消失、出現(xiàn)不符合物理定律的運(yùn)動(dòng)等。而基于代碼的方法雖然也會(huì)出錯(cuò)，但錯(cuò)誤通常更加可預(yù)測(cè)和可理解。

這些對(duì)比結(jié)果強(qiáng)調(diào)了VisPhyWorld框架的獨(dú)特價(jià)值：它不僅能夠測(cè)試AI的物理理解能力，還能提供改進(jìn)的方向和具體的反饋信息。這對(duì)于推動(dòng)AI在物理理解方面的進(jìn)步具有重要意義，也為未來(lái)的相關(guān)研究提供了有價(jià)值的工具和方法。

七、技術(shù)細(xì)節(jié)：如何確保測(cè)試的科學(xué)性

為了確保研究結(jié)果的可靠性和科學(xué)性，研究團(tuán)隊(duì)在技術(shù)實(shí)現(xiàn)方面下了很大功夫。這個(gè)過(guò)程就像設(shè)計(jì)一個(gè)精密的科學(xué)實(shí)驗(yàn)，需要控制各種變量，確保結(jié)果的準(zhǔn)確性和可重復(fù)性。

首先，在數(shù)據(jù)集構(gòu)建方面，研究團(tuán)隊(duì)采用了系統(tǒng)性的方法。他們基于PHYRE物理推理引擎創(chuàng)建了VisPhyBench測(cè)試平臺(tái)，包含了108個(gè)物理模板和209個(gè)評(píng)估場(chǎng)景。這些場(chǎng)景不是隨機(jī)生成的，而是經(jīng)過(guò)精心設(shè)計(jì)，涵蓋了不同的難度等級(jí)和物理現(xiàn)象類型。就像構(gòu)建一個(gè)全面的物理實(shí)驗(yàn)室，包含了從基礎(chǔ)到高級(jí)的各種實(shí)驗(yàn)設(shè)備。

每個(gè)測(cè)試場(chǎng)景都包含了詳細(xì)的標(biāo)注信息，包括物體的精確位置、速度、質(zhì)量等物理參數(shù)。這些標(biāo)注就像實(shí)驗(yàn)中的控制變量，確保不同的AI模型面對(duì)的是完全相同的初始條件。研究團(tuán)隊(duì)甚至為每個(gè)場(chǎng)景提供了可選的物體檢測(cè)信息，幫助AI更準(zhǔn)確地識(shí)別場(chǎng)景中的元素。

在評(píng)估指標(biāo)設(shè)計(jì)方面，研究團(tuán)隊(duì)采用了多維度的綜合評(píng)估體系，而不是依賴單一的指標(biāo)。這種做法就像醫(yī)生診斷疾病時(shí)需要綜合多種檢查結(jié)果一樣，確保評(píng)估的全面性和準(zhǔn)確性。評(píng)估體系包含了五個(gè)主要方面：重構(gòu)和感知質(zhì)量、視覺(jué)語(yǔ)義一致性、文本-視頻一致性、運(yùn)動(dòng)和物理合理性，以及整體質(zhì)量評(píng)估。

特別值得一提的是運(yùn)動(dòng)和物理合理性的評(píng)估方法。研究團(tuán)隊(duì)使用了RAFT光流算法來(lái)分析物體運(yùn)動(dòng)的一致性，這種技術(shù)能夠精確測(cè)量視頻中像素的運(yùn)動(dòng)軌跡。同時(shí)，他們還引入了Gemini-2.5-Pro作為"AI評(píng)判員"，專門評(píng)估生成視頻的物理合理性。這個(gè)AI評(píng)判員被特別訓(xùn)練來(lái)識(shí)別各種物理違規(guī)現(xiàn)象，如物體穿透、不合理的碰撞等。

為了確保測(cè)試的公平性，研究團(tuán)隊(duì)對(duì)所有AI模型使用了完全相同的輸入格式和提示信息。每個(gè)模型都接收相同的兩個(gè)關(guān)鍵幀和可選的物體檢測(cè)信息，使用相同的提示模板來(lái)生成分析和代碼。這就像確保所有參賽選手在相同的條件下進(jìn)行比賽，避免因?yàn)檩斎氩町悓?dǎo)致的不公平比較。

在代碼執(zhí)行方面，研究團(tuán)隊(duì)建立了標(biāo)準(zhǔn)化的執(zhí)行環(huán)境，確保所有生成的程序在相同的條件下運(yùn)行。他們還實(shí)現(xiàn)了自動(dòng)錯(cuò)誤檢測(cè)和修復(fù)機(jī)制：如果AI生成的程序無(wú)法正常執(zhí)行，系統(tǒng)會(huì)自動(dòng)提供錯(cuò)誤信息，給AI一次修復(fù)機(jī)會(huì)。如果修復(fù)后仍然無(wú)法運(yùn)行，系統(tǒng)會(huì)使用一個(gè)最基本的默認(rèn)程序來(lái)確保測(cè)試的完整性。

時(shí)間對(duì)齊是另一個(gè)重要的技術(shù)挑戰(zhàn)。不同的AI模型可能生成不同時(shí)長(zhǎng)或幀率的視頻，為了公平比較，研究團(tuán)隊(duì)開(kāi)發(fā)了精密的時(shí)間對(duì)齊算法。這個(gè)算法首先進(jìn)行粗略的時(shí)間偏移搜索，然后使用動(dòng)態(tài)時(shí)間規(guī)整技術(shù)進(jìn)行精細(xì)調(diào)整，確保比較的是對(duì)應(yīng)時(shí)刻的視頻幀。

為了提高結(jié)果的統(tǒng)計(jì)可靠性，研究團(tuán)隊(duì)還進(jìn)行了廣泛的統(tǒng)計(jì)分析。他們不僅報(bào)告了平均性能，還分析了性能分布、置信區(qū)間等統(tǒng)計(jì)信息。通過(guò)配對(duì)Bootstrap方法，他們能夠確定不同模型之間的性能差異是否具有統(tǒng)計(jì)顯著性，而不僅僅是隨機(jī)波動(dòng)的結(jié)果。

在可重復(fù)性方面，研究團(tuán)隊(duì)做出了重要貢獻(xiàn)。他們?cè)敿?xì)記錄了所有的實(shí)驗(yàn)設(shè)置、參數(shù)配置和評(píng)估方法，并計(jì)劃公開(kāi)發(fā)布完整的測(cè)試框架和數(shù)據(jù)集。這使得其他研究人員能夠重復(fù)這些實(shí)驗(yàn)，驗(yàn)證結(jié)果的可靠性，并在此基礎(chǔ)上進(jìn)行進(jìn)一步的研究。

這種嚴(yán)謹(jǐn)?shù)募夹g(shù)方法確保了研究結(jié)論的可信度，也為這個(gè)全新的研究領(lǐng)域建立了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。正如任何重要的科學(xué)發(fā)現(xiàn)都需要嚴(yán)格的實(shí)驗(yàn)驗(yàn)證一樣，這項(xiàng)研究通過(guò)精心設(shè)計(jì)的技術(shù)框架為AI物理理解能力的評(píng)估提供了可靠的工具。

八、研究的局限性與未來(lái)展望

盡管VisPhyWorld取得了突破性進(jìn)展，但研究團(tuán)隊(duì)也誠(chéng)實(shí)地承認(rèn)了當(dāng)前工作的局限性，這種科學(xué)態(tài)度就像一個(gè)醫(yī)生在診斷疾病時(shí)不僅要說(shuō)明發(fā)現(xiàn)了什么，也要承認(rèn)還有哪些地方需要進(jìn)一步檢查。

首先，當(dāng)前的測(cè)試主要集中在相對(duì)簡(jiǎn)單的剛體物理場(chǎng)景上。就像一個(gè)物理教科書(shū)主要講解基礎(chǔ)力學(xué)一樣，VisPhyBench中的場(chǎng)景雖然涵蓋了碰撞、摩擦、重力等基本物理現(xiàn)象，但還沒(méi)有涉及更復(fù)雜的物理過(guò)程，比如流體動(dòng)力學(xué)、熱傳導(dǎo)、電磁相互作用等。這意味著我們目前只是窺見(jiàn)了AI物理理解能力的冰山一角。

其次，測(cè)試環(huán)境主要是基于合成數(shù)據(jù)的，而不是真實(shí)世界的視頻。這就像在實(shí)驗(yàn)室中進(jìn)行理想化實(shí)驗(yàn)，而不是在復(fù)雜的自然環(huán)境中進(jìn)行觀察。雖然合成數(shù)據(jù)能夠提供精確的控制和標(biāo)準(zhǔn)化的比較，但真實(shí)世界的物理現(xiàn)象往往更加復(fù)雜，涉及光照變化、噪聲干擾、遮擋等多種因素。AI在處理真實(shí)視頻時(shí)的表現(xiàn)可能與在合成數(shù)據(jù)上的表現(xiàn)有所不同。

另一個(gè)重要限制是當(dāng)前框架主要支持相對(duì)簡(jiǎn)短的物理過(guò)程。大多數(shù)測(cè)試場(chǎng)景只持續(xù)幾秒鐘，涉及的物理過(guò)程相對(duì)簡(jiǎn)單。但在實(shí)際應(yīng)用中，我們往往需要AI理解更長(zhǎng)時(shí)間跨度的復(fù)雜物理過(guò)程，比如一個(gè)復(fù)雜機(jī)械系統(tǒng)的長(zhǎng)期運(yùn)行狀態(tài)，或者多個(gè)物理過(guò)程的相互作用和演化。

在技術(shù)實(shí)現(xiàn)方面，當(dāng)前的框架主要依賴于相對(duì)簡(jiǎn)單的物理引擎和編程環(huán)境。雖然Three.js和Cannon.js已經(jīng)能夠處理基本的剛體物理，但對(duì)于更高精度的物理仿真或者專業(yè)的工程應(yīng)用來(lái)說(shuō)，可能還需要更強(qiáng)大的仿真工具。這就像從使用基礎(chǔ)計(jì)算器發(fā)展到使用高性能計(jì)算機(jī)一樣，需要不斷提升工具的能力。

盡管存在這些局限性，這項(xiàng)研究為未來(lái)的發(fā)展指明了幾個(gè)重要方向。首先是擴(kuò)展到更復(fù)雜的物理現(xiàn)象。未來(lái)的研究可以逐步引入軟體物理、流體動(dòng)力學(xué)、多相物質(zhì)等更復(fù)雜的物理概念，逐步構(gòu)建一個(gè)更全面的AI物理理解能力評(píng)估體系。

其次是向真實(shí)世界數(shù)據(jù)的擴(kuò)展。研究團(tuán)隊(duì)正在考慮如何將VisPhyWorld框架應(yīng)用到真實(shí)視頻的分析上，這將需要解決許多額外的技術(shù)挑戰(zhàn)，比如從真實(shí)視頻中準(zhǔn)確提取物理信息、處理不完美的觀察條件等。這個(gè)發(fā)展方向?qū)τ贏I在實(shí)際應(yīng)用中的物理推理能力具有重要意義。

第三個(gè)重要方向是提高AI的物理推理能力本身。當(dāng)前的研究主要關(guān)注于評(píng)估和發(fā)現(xiàn)問(wèn)題，但最終目標(biāo)是幫助AI獲得更好的物理理解能力。這可能需要開(kāi)發(fā)新的訓(xùn)練方法、網(wǎng)絡(luò)架構(gòu)或者數(shù)據(jù)增強(qiáng)技術(shù)，專門針對(duì)物理推理能力進(jìn)行優(yōu)化。

長(zhǎng)期來(lái)看，這項(xiàng)研究可能會(huì)推動(dòng)AI向更深層次的概念理解發(fā)展。目前的大型語(yǔ)言模型主要基于統(tǒng)計(jì)學(xué)習(xí)和模式匹配，但要真正理解物理世界，可能需要集成更多的結(jié)構(gòu)化知識(shí)和推理機(jī)制。這就像從純粹的記憶學(xué)習(xí)發(fā)展到概念理解和邏輯推理一樣，是AI發(fā)展的一個(gè)重要飛躍。

研究團(tuán)隊(duì)特別強(qiáng)調(diào)，VisPhyWorld不僅僅是一個(gè)測(cè)試工具，更是一個(gè)研究平臺(tái)。它可以幫助研究人員系統(tǒng)地研究AI的物理理解能力，識(shí)別具體的缺陷，并開(kāi)發(fā)有針對(duì)性的改進(jìn)方法。這種診斷式的研究方法對(duì)于推動(dòng)AI技術(shù)的發(fā)展具有重要價(jià)值。

最令人興奮的是，這種研究方法可能會(huì)擴(kuò)展到其他認(rèn)知能力的評(píng)估上。比如，我們可以開(kāi)發(fā)類似的框架來(lái)測(cè)試AI的數(shù)學(xué)推理能力、邏輯思維能力或者創(chuàng)造性問(wèn)題解決能力。這將為構(gòu)建真正智能的AI系統(tǒng)提供重要的評(píng)估工具和改進(jìn)方向。

說(shuō)到底，這項(xiàng)研究提醒我們，在AI發(fā)展的道路上，我們不僅要關(guān)注模型的表面表現(xiàn)，更要深入了解其內(nèi)在的理解能力和推理機(jī)制。只有通過(guò)這種深入的分析和評(píng)估，我們才能構(gòu)建出真正可靠、可信賴的AI系統(tǒng)，讓它們?cè)诂F(xiàn)實(shí)世界中發(fā)揮更大的作用。

當(dāng)前AI系統(tǒng)在物理理解方面的局限性雖然讓人擔(dān)憂，但也為未來(lái)的改進(jìn)指明了明確方向。正如任何科學(xué)發(fā)現(xiàn)都是通過(guò)不斷發(fā)現(xiàn)問(wèn)題和解決問(wèn)題來(lái)推進(jìn)的，這項(xiàng)研究為AI物理推理能力的發(fā)展奠定了重要基礎(chǔ)。未來(lái)幾年，我們很可能會(huì)看到基于這些發(fā)現(xiàn)而開(kāi)發(fā)出的新一代AI系統(tǒng)，它們將具備更強(qiáng)的物理世界理解能力，能夠更好地服務(wù)于機(jī)器人學(xué)、自動(dòng)駕駛、工程設(shè)計(jì)等需要深度物理推理的應(yīng)用領(lǐng)域。

Q&A

Q1：VisPhyWorld到底是什么？

A：VisPhyWorld是滑鐵盧大學(xué)開(kāi)發(fā)的一套全新AI物理理解能力測(cè)試框架。它不像傳統(tǒng)測(cè)試那樣讓AI選擇答案，而是要求AI觀看物理場(chǎng)景視頻后，編寫(xiě)出能實(shí)際運(yùn)行的物理模擬程序。就像從讓學(xué)生做選擇題變成讓他們親手做物理實(shí)驗(yàn)，這樣可以真正檢驗(yàn)AI是否理解物理原理，還是只會(huì)表面的模式匹配。

Q2：為什么說(shuō)當(dāng)前的AI模型不真正懂物理？

A：研究發(fā)現(xiàn)AI雖然能用正確的物理術(shù)語(yǔ)描述現(xiàn)象，在傳統(tǒng)測(cè)試中表現(xiàn)不錯(cuò)，但當(dāng)要求它們編寫(xiě)物理模擬程序時(shí)就暴露了問(wèn)題。比如物體會(huì)相互穿透、違反重力定律、碰撞效果不合理等。這說(shuō)明AI更像是在背誦物理知識(shí)，而不是真正理解物理原理。就像一個(gè)能背誦醫(yī)學(xué)教科書(shū)但不會(huì)看病的人。

Q3：VisPhyWorld的測(cè)試結(jié)果有多糟糕？

A：即使是表現(xiàn)最好的GPT-5，在物理合理性評(píng)分中也只獲得了3.50分（滿分10分）。一些模型甚至?xí)a(chǎn)生完全靜止的畫(huà)面，讓球體懸浮在空中不受重力影響。這些結(jié)果表明，目前最先進(jìn)的AI模型在物理理解方面仍處于相當(dāng)初級(jí)的階段，距離真正理解物理世界還有很長(zhǎng)的路要走。