输入一句“宇航员在月球上慢跑”，一段60秒的视频在几分钟内生成——这不是未来，而是OpenAI的Sora、谷歌Veo等AI视频模型已经实现的“分钟级”生成能力。但表面的惊艳背后，一场关于AI能否真正理解物理世界的深刻变革正在发生。
2024年2月，OpenAI推出Sora文本转视频模型，仅凭一句提示词就能生成长达一分钟的高质量视频。四个月后，Sora 2宣布将核心定位从“视频生成工具”转向“世界模拟器”。
短短时间内，从生成画面到模拟世界运行规律的技术路径已经清晰可见。AI视频生成进入“分钟级”时代的同时，也正在跨越从“视觉逼真”到“物理合理”的关键门槛。
01 竞赛版图，从模型竞技到生态之争
视频生成领域已形成多元竞争格局。主流的Sora基于扩散变换器（DiT）架构，将视频切割为“时空块”同时处理空间和时间信息，这一设计使其在生成更长视频时保持连续性。
开源力量同样不容忽视。中国市场的阿里万相、腾讯混元等模型选择开源策略，吸引了大量开发者和中小企业参与技术迭代。同时，一些厂商尝试全新路径。
值得注意的是，如今的AI视频模型已不再是纯粹的技术演示，而是真正的“产品”。为了降低使用门槛，厂商们开发了各种控制工具。
02 物理瓶颈，从“视觉模仿”到“物理理解”的鸿沟
当前视频生成面临的最大挑战，是物理规律理解和时间连贯性。即使最先进的模型，仍经常生成“视觉逼真但物理荒谬”的内容。
专家指出，Sora等模型难以准确理解和生成连续的人类动作。常见问题包括人物在动作过程中卡住、雨伞物理逻辑异常等，类似于电子游戏中的NPC卡顿。
这些问题源于根本性的技术差异：当前模型只是在预测视频帧，而非模拟真实物理。Sora团队认为，真正的突破在于让模型理解世界运行规律，而不仅仅是生成好看画面。
从认知科学视角看，视频生成系统的物理认知演进可分为三个阶段：基础图式感知、被动认知物理知识、面向世界模拟的主动认知。
当前多数模型仍处于第一阶段，而Sora等先进模型已开始展现第二阶段的特征。真正的世界模拟器需要达到第三阶段的水平。
03 产业冲击，从影视工业到教育模式的全面重塑
Sora等AI视频生成技术正在对影视行业产生“降本增效”的显著影响。以《流浪地球2》为例，月球引爆、高速升降机等场景完全依赖虚拟制作，人员规模较前作大幅缩减。
传统“作者论”在算法介入后被重新定义，人工智能成为人类大脑与肢体的延伸，形成“人机共生”的创作生态。
除了影视行业，教育领域也在经历深刻变革。人工智能生成影像的“真实感”可能超越实拍，却并非对现实的直接反映。
传统戏剧影视教育在长期发展过程中形成了相对固定的教学模式，AI技术与戏剧影视教育的深度融合正在重塑传统教学模式，推动教学资源、方法及人才培养体系的全面革新。
北京大学与吉林动画学院合作的“AI影视创意与管理人才高级研修班”，正是这一方向的实践。
04 未来融合，从二维平面到三维空间的跨越
随着视频生成向世界模拟演进，与3D/XR技术的融合成为必然趋势。山东大学的研究展示了这一融合的潜力：大模型在三维场景生成与编辑、真实场景重建与增强、人物舞蹈动作与人机交互生成等方面展现出强大能力。
这种融合代表了AI视频生成的下一个前沿：从2D画面生成转向3D空间模拟。
未来几年，视频生成与3D/XR技术的结合将为建筑设计、城市规划、虚拟旅游等领域带来革命性变化。人们可以通过自然语言描述，快速生成具有物理合理性的三维环境，并进行沉浸式体验。
05 伦理挑战，从技术狂欢到责任框架的建立
随着AI视频生成能力的提升，伦理问题日益凸显。外部层面，AI作品的版权、署名权界定模糊；内部层面，人机情感交互引发对伦理体系的重新审视。
研究人员在利用合成数据生成逼真医学影像时，这些影像带有特定的病理特征但不对应任何真实患者。这虽然保护了隐私，但也带来了如何确保数据代表性和无偏见的新挑战。
针对深度伪造的风险、AI生成内容的版权归属、高昂的计算成本以及尚不完善的监管框架，都是需要整个行业面对的问题。
技术之外，AI视频模型的竞争已进入全方位较量阶段，涵盖技术、产品、商业模式和生态建设。
从最初的“能不能做出来”转向“谁能让用户有效使用，并愿意为此付费”。各家厂商正依据自身条件和市场判断，走上差异化的发展道路。
快手的可灵在2025年第二季度收入超过2.5亿元，其中近70%由专业创作者贡献。这表明市场已经开始为高质量的AI视频生成能力买单。
在这场定义AI“物理世界”的竞赛中，胜出的将不仅是技术最先进的模型，更是能构建完整生态系统、解决实际问题、符合伦理规范的技术体系。
