AI自动化生成视频：蒸汽向下飘、踢歪的球还能进球、物体凭空消失，流体和碰撞是跨模型最高频的失败类别，哪些场景从一开始就不该交给AI生成？

问题的定义：从“像”到“对”的范式断层

视频生成模型在过去两年完成了从“能出画面”到“能出可用画面”的跃迁。以扩散模型为骨架的潜空间视频生成方案，把时空潜变量压缩后做去噪采样，配合大规模文本-视频对训练，已经能稳定输出数秒级、分辨率可接受、镜头语言基本合理的片段。问题在于，这类系统的优化目标始终是“与训练分布中的真实视频在感知上不可区分”，而不是“满足某一组物理约束”。这两件事在多数日常镜头里高度重合，但在流体与碰撞场景里会迅速分叉。

所谓物理一致性，本文采用一个可操作的界定：给定初始状态与外部作用，生成序列中可观测物理量的演化，应当与真实世界在同一精度下的演化在统计意义上不可区分。可观测物理量包括但不限于重力方向、速度场、动量与角动量、接触约束、体积守恒。蒸汽向下飘违反的是浮力与重力方向；踢歪的球仍然进球违反的是动量传递与轨迹预测；物体凭空消失违反的是物质守恒与遮挡连续性。这三类症状看似分散，实则同源。

一个常被忽略的事实：视频生成本质上是在做“条件采样”，条件里没有牛顿定律。模型见过大量下落的水滴，学到的是“水滴在画面中向下移动”这一像素级相关性，而不是“重力加速度约 9.8 m/s²”这一物理量。相关性在分布内足够用，一旦镜头、材质、光照或初始条件偏离训练分布，相关性就会失效，表现为方向反转、速度突变、接触穿透。

笔者认为，把这类失败简单归因为“模型还不够大、数据还不够多”是一种危险的简化。规模定律在感知指标上确实持续有效，但在约束满足上存在收益递减：模型可以学会更细腻的烟雾纹理，却不会因此学会纳维-斯托克斯方程的不可压缩约束。约束满足需要的是结构，而不是容量。这也是为什么跨模型比较时，流体与碰撞会稳定地排在失败类别前列——它不随参数量线性改善。

从工程视角看，这个断层直接决定了工作流设计。把视频生成当作“万能镜头工厂”，在人物口播、氛围空镜、风格化转场上收益极高；但一旦镜头里出现液体倾倒、织物飘动、多物体堆叠、球类运动、破碎飞溅，纯生成路线的返工率会陡增。返工不是调参能解决的，因为错误是结构性的。识别这一点，比继续堆提示词更有价值。

失败机理拆解：数据、表示与目标函数的三重错配

要判断“哪些场景不该交给 AI”，先要理解它为什么会在特定场景失败。笔者把机理归为三层错配，逐层递进。

三层错配里，第三层最根本。本文评述：即便前两层被完美解决——数据集全是高质量流体、表示做到像素级无损——只要目标函数仍是纯感知损失，模型依然可能生成“视觉上极像、物理上错误”的样本。因为感知损失对“蒸汽向下飘但纹理极真”的惩罚，远小于对“方向正确但纹理模糊”的惩罚。这是目标函数的价值排序问题，不是数据问题。

一个具体的量化视角：在公开的物理一致性评测中，研究者通常用光流估计器提取生成序列的运动场，再与仿真参考的运动场比对，计算端点误差与方向一致率。流体类样本的方向一致率普遍显著低于刚体类，原因在于流体的运动场是高维、连续、强非线性的，任何局部误差都会沿时间累积；而刚体碰撞的误差集中在接触瞬间的几个帧，其余时段相对稳定。这解释了为什么“蒸汽向下飘”比“球没进”更容易被肉眼第一时间发现——前者是全程错误，后者是瞬时错误。

还有一个容易被低估的因素：文本条件的语义鸿沟。提示词里写“蒸汽升腾”，模型对“升腾”的理解来自图文对齐训练，而图文对齐数据里“升腾”常与“向上”共现，但也会与“弥漫”“缭绕”共现，后者在视觉上并不强调方向。当提示词同时包含“浓郁”“弥漫”“升腾”时，方向信号被稀释，模型可能采样到方向模糊甚至反向的样本。这不是模型不懂物理，而是条件本身没有把物理约束编码进去。

评测方法论：如何把“物理对不对”变成可测指标

没有度量就没有工程。判断“该不该交给 AI”，前提是能稳定测出“交给 AI 之后错到什么程度”。笔者建议采用三层评测：感知层、运动层、约束层，逐层加严。

约束层是最关键也最难做的一层。以碰撞为例，可用实例分割或点跟踪提取物体掩码，逐帧检测掩码重叠面积；真实世界中刚体不应有显著重叠，重叠面积超过阈值即记为穿透帧。以流体为例，可用光流积分估计区域体积变化，不可压缩流体的体积漂移应控制在很小范围内。这些指标不需要真值仿真，只需要几何与守恒的先验，因而具备跨模型可比性。

笔者认为，评测设计里最容易犯的错误是“用生成模型评生成模型”。用另一个大模型做裁判，裁判本身也可能被纹理欺骗，给出偏高的物理合理性评分。更稳的做法是引入不依赖学习的几何检查器与守恒检查器，哪怕它们粗糙，也比一个会“欣赏”错误样本的裁判可靠。工程上可以两者并用：学习型裁判负责语义合理性，几何检查器负责硬约束，二者冲突时以硬约束为准。

还有一点值得强调：评测必须绑定具体场景与具体镜头参数。同一模型在“慢速全景流体”和“高速特写碰撞”上的表现可能差出一个量级。脱离场景谈“物理一致性得分”没有工程意义。建议在内部建立场景化的评测集，每个场景固定 20–50 条提示词与初始帧，长期跟踪，才能看出模型迭代是否真的改善了约束满足，而不是只改善了观感。

判定矩阵：四维坐标下的场景分级

本文的核心主张是：是否该把某个场景交给 AI 生成，不应凭感觉，而应落在一个四维判定矩阵上。四个维度分别是：因果链长度、约束硬度、观测精度要求、可接受返工成本。每个维度打分后，场景会自然落到“放心生成”“生成+校验”“仿真主导”“实拍主导”四个区间。

这张表是本文的“操作核心”。它的价值不在于给出绝对答案，而在于把模糊的“能不能用 AI”转成可讨论的坐标。团队在立项时逐项打分，分数落在哪一档，就走哪一档的管线，避免在错误的路线上反复调参。笔者认为，比起追求一个更强的模型，先把场景分级做对，对产出质量的提升更直接、更可控。

需要提醒边界条件：矩阵的权重不是固定的。品牌片对硬约束的容忍度接近零，短视频信息流则可以放宽；同一场景在 1080p 与 4K 下的精度要求也不同。因此矩阵应作为“可配置模板”使用，而不是一张放之四海皆准的评分卡。建议每个团队基于自身业务，校准一次权重，再固化下来。

工程路径：分级管线与兜底策略

判定之后是落地。笔者把可操作的路径整理为“四级管线”，从纯生成到纯实拍，中间两级是混合方案，也是大多数团队真正该投入的地方。

L3 是当前性价比最高的混合路线，值得展开。其核心思想是“运动与外观解耦”：物理引擎负责把位置、速度、接触这些硬约束算对，生成模型只负责把低模渲染得好看。具体步骤可以拆成五步。第一步，用简化几何体在引擎中搭建场景，设定质量、摩擦、恢复系数，跑出运动轨迹与相机参数。第二步，导出深度图、法线图、物体掩码与光流作为条件。第三步，以这些条件驱动视频生成模型做条件采样，约束其运动与仿真一致。第四步，用校验器检查合成结果的接触与体积，必要时回退重采。第五步，做色彩与颗粒的统一，消除仿真与生成之间的质感断层。

本文评述：这条路线并非没有代价。仿真出的运动在风格化场景里可能显得“太规整”，与生成模型的有机质感冲突；条件控制过强又会压制生成模型的细节表现力。工程上需要在“约束强度”上做连续调节，而不是二选一。笔者的经验是，把仿真条件作为软引导而非硬掩码，给模型留出局部自由度，往往能在一致性与观感之间取得更好的平衡。

兜底策略同样重要。任何生成管线都应有“失败可回退”的设计：当校验器连续多次判定不合格时，自动降级到上一级管线，而不是无限重试。无限重试是工程上最常见的隐性成本黑洞。建议设定明确的预算上限——比如单镜头采样不超过 N 次、校验不通过超过 M 次即转人工或转仿真，把不确定性关进预算的笼子里。

如果想动手验证，可以从公开的物理引擎与视频生成工具入手。物理仿真可参考 PyBullet 官方文档 与 NVIDIA PhysX；光流与跟踪可用 CoTracker 一类开源实现；视频生成侧可关注 Hugging Face Diffusers 的视频管线示例。这些资源足以搭出一个最小可用的 L2/L3 验证环境。

前沿预判：世界模型能否补上这一课

当前学界与工业界的一条主线，是把视频生成推向“世界模型”：不只预测下一帧像素，而是预测下一时刻的状态。若状态表示里显式包含位置、速度、接触等物理量，约束就有了落脚点。这条路线在概念上是对的，但落地仍有距离。

笔者认为，世界模型要真正解决流体与碰撞问题，至少需要三个条件同时成立：一是状态表示可观测且可监督，二是训练目标里显式包含约束项，三是推理时能做长程一致性维护。三者缺一不可。目前多数工作在前两点上有进展，第三点仍是难点——自回归式的长程生成会漂移，漂移一旦发生，物理量就失去意义。这不是靠更大模型能自动解决的，需要架构层面的记忆与校正机制。

另一个值得关注的方向是“生成+可微仿真”的联合训练。把可微物理求解器嵌入生成管线，让梯度从感知损失回传到物理参数，理论上能让模型学会“为了看起来对而把物理算对”。这条路线在刚体与布料上有初步探索，在流体上仍受限于求解器成本与稳定性。本文评述：方向正确，但短期内更适合作为研究工具，而非生产管线。生产环境更现实的选择，仍是前面说的分级混合。

对从业者而言，前沿预判的意义不在于押注哪条路线，而在于判断“现在该不该等”。笔者的判断是：不要等。物理一致性的改善会是渐进的，而业务对视频的需求是当下的。正确的姿态是建立分级管线，把当前能做的做扎实，同时保留接口，等新能力成熟时能低成本接入。把架构做成可插拔的，比赌一个模型更稳。

结论与展望

回到标题里的三个症状：蒸汽向下飘、踢歪的球还能进球、物体凭空消失。它们不是三个孤立的 bug，而是同一个结构性问题的三种表现——生成模型优化的是感知相似度，不是物理约束满足。流体与碰撞之所以成为跨模型最高频的失败类别，正因为它们对约束最敏感、对因果链最长、对观测精度要求最高。

因此，“哪些场景从一开始就不该交给 AI 生成”有了可操作的答案：因果链长、约束硬、精度要求高、返工成本高的场景，不该把纯生成当作主路线。它们应走仿真主导或实拍主导，生成模型退居辅助。反过来，软约束、短链、低精度、可试错的场景，生成模型的性价比无可替代。中间地带用“生成+校验”兜底，是当前最务实的工程选择。

展望来看，物理一致性会沿着“评测标准化 → 混合管线普及 → 世界模型逐步补位”的路径演进。短期内，评测标准化的价值最大，因为它让不同方案可比、让返工可量化。中期，混合管线会成为行业默认，纯生成与纯仿真的边界会随场景细分而移动。长期，若世界模型在长程一致性上取得突破，今天的判定矩阵会被重写——但在那之前，按边界办事，是更负责任的选择。

最后需要强调本文的局限：判定矩阵的权重来自工程经验与公开评测的归纳，并非严格的控制实验；不同模型、不同版本的表现差异很大，读者应以自建评测集为准。所有结论都应被视为“当前条件下的工程判断”，而非终局定论。