Sora爆火以來，“視頻生成模型到底懂不懂物理規(guī)律”受到熱議，但業(yè)界一直未有研究證實(shí)。近日，字節(jié)跳動(dòng)豆包大模型團(tuán)隊(duì)公布最新論文，研究歷時(shí)8個(gè)月，圍繞“視頻生成模型距離世界模型有多遠(yuǎn)”首次在業(yè)界完成系統(tǒng)性實(shí)驗(yàn)并給出明確結(jié)論：視頻生成模型可以記憶訓(xùn)練案例，但暫時(shí)還無法真正理解物理規(guī)律，做到“舉一反三”。
圖靈獎(jiǎng)得主、meta首席AI科學(xué)家楊立昆點(diǎn)贊并轉(zhuǎn)發(fā)了該研究，表示“結(jié)論不令人意外，但很高興終于有人做了這個(gè)嘗試!”
自O(shè)penAI發(fā)布Sora模型以來，很多視頻生成模型都會(huì)強(qiáng)調(diào)其生成結(jié)果對物理規(guī)律的遵循。豆包大模型視覺團(tuán)隊(duì)相關(guān)小組，對視頻生成模型究竟能否從視覺數(shù)據(jù)中“發(fā)現(xiàn)”并“理解”物理定律感到好奇，決定深入研究。
歷時(shí)8個(gè)月，該團(tuán)隊(duì)完成了業(yè)界首個(gè)系統(tǒng)性的實(shí)驗(yàn)研究。團(tuán)隊(duì)通過專門開發(fā)的物理引擎合成了勻速直接運(yùn)動(dòng)、小球碰撞、拋物線運(yùn)動(dòng)等經(jīng)典物理場景的運(yùn)動(dòng)視頻，用于訓(xùn)練基于主流DiT架構(gòu)的視頻生成模型。然后，通過檢驗(yàn)?zāi)Ｐ秃罄m(xù)生成的視頻在運(yùn)動(dòng)和碰撞方面是否符合力學(xué)定律，判斷模型是否真正理解了物理規(guī)律，并具有“世界模型”的潛力。
實(shí)驗(yàn)中設(shè)計(jì)的不同運(yùn)動(dòng)場景
豆包大模型團(tuán)隊(duì)的實(shí)驗(yàn)發(fā)現(xiàn)，即使遵循“Scaling Law”增大模型參數(shù)規(guī)模和數(shù)據(jù)量，模型依然無法抽象出一般物理規(guī)則，做到真正“理解”。
以最簡單的勻速直線運(yùn)動(dòng)為例，當(dāng)模型學(xué)習(xí)了不同速度下小球保持勻速直線運(yùn)動(dòng)的訓(xùn)練數(shù)據(jù)后，給定初始幾幀，要求模型生成小球在訓(xùn)練集速度區(qū)間內(nèi)勻速直線運(yùn)動(dòng)的視頻，隨著模型參數(shù)和訓(xùn)練數(shù)據(jù)量的增加，生成的視頻逐漸更符合物理規(guī)律。
然而，當(dāng)要求模型生成未曾見過的速度區(qū)間(即超出訓(xùn)練數(shù)據(jù)范圍)的運(yùn)動(dòng)視頻時(shí)，模型突然不再遵循物理規(guī)律，并且無論如何增加模型參數(shù)或訓(xùn)練數(shù)據(jù)，生成的結(jié)果都沒有顯著改進(jìn)。這表明，視頻生成模型無法真正理解物理規(guī)律，也無法將這些規(guī)律泛化應(yīng)用到全新的場景中。
通過進(jìn)一步的實(shí)驗(yàn)分析，研究團(tuán)隊(duì)得出結(jié)論，“生成新視頻時(shí)，模型主要依賴對訓(xùn)練案例的記憶和匹配。視頻生成模型就像一個(gè)只會(huì)‘抄作業(yè)’的學(xué)生，一旦遇到從未見過的場景，如不同大小、速度的物體相互作用，就會(huì)‘犯迷糊’，生成結(jié)果與物理規(guī)則不符。”
不過，研究中也有一個(gè)好消息：如果訓(xùn)練視頻中所有概念和物體都是模型已熟悉的，此時(shí)加大訓(xùn)練視頻的復(fù)雜度，比如組合增加物體間的物理交互，通過加大訓(xùn)練數(shù)據(jù)，模型對物理規(guī)律的遵循將越來越好。這一結(jié)果可為視頻生成模型繼續(xù)提升表現(xiàn)提供啟發(fā)。
據(jù)了解，本研究兩位核心一作都非常年輕，一位是95后，一位是00后，在豆包大模型團(tuán)隊(duì)專注視覺領(lǐng)域的基礎(chǔ)研究工作。作者們一直對世界模型感興趣，在8個(gè)月的探索中，他們閱讀了大量物理學(xué)研究文獻(xiàn)，也嘗試從游戲中獲得研發(fā)靈感，歷經(jīng)多次失敗后，最終一步步確定研究思路和實(shí)驗(yàn)方法。
今年以來，字節(jié)跳動(dòng)在大模型領(lǐng)域不斷加大投入，底層研究、基礎(chǔ)模型、AI應(yīng)用均有亮眼產(chǎn)出。不久前，字節(jié)豆包大模型團(tuán)隊(duì)還發(fā)起了Top Seed人才計(jì)劃，在全球范圍持續(xù)招募大語言模型、視覺、語音、大模型基座等領(lǐng)域的頂尖研究人才，提供充分的創(chuàng)新探索空間。
研究論文鏈接：https://arxiv.org/pdf/2411.02385
研究成果網(wǎng)站：https://phyworld.github.io/#combo_gen
