2026年，AI视频生成赛道经历了两件看似矛盾的事：一方面，社区版的Sora 3还在出物理穿帮——杯子凭空消失、车辆转弯像软糖；另一方面，字节跳动的Seedance 2.0已经登上马年春晚，生成《贺花神》的惊艳画面，还开放了API，一秒一元。这两件事指向同一个根本问题：生成画质上来了，但物理规律还是没学好。
“物理一致性”是圈内术语。几乎所有基于扩散模型的视频生成器都有这个毛病：模型擅长填充像素，但不理解物体在真实世界里该怎么动、怎么碰撞。镜头短还好，一拉长就露馅。EDN电子技术设计5月的一篇报道点出了这个尴尬：Sora关停后，社区衍生的Sora 3版本仍在产出“物理穿帮”视频——角色手里的水杯凭空消失，汽车拐弯时车身像融化的蜡一样扭曲。画质已经足以乱真，但逻辑在穿帮。
时间倒回两年前，Sora刚发布的时候，国产模型基本接不住。它们只能生成5到12秒的画面，且效果“一眼假”——僵硬的脸、乱穿的手指，物理穿帮是家常便饭。36氪的一篇报道回忆，Sora那段“女生走在东京街头”的60秒视频像一记耳光，打醒了中国AI行业。此后国产模型开始拼命追赶。
到了2026年，追赶有了成果。马年除夕，字节跳动的Seedance 2.0模型支撑了春晚节目《贺花神》的视觉特效，画面美得刷屏。节目一播完，字节就迅速开放了API，定价一秒一元。这不仅是一次商业试探，更是国产视频生成能力的一次公开展示。差不多同时，国家自然科学基金委的报道提到，过去一个月已有4款国产视频生成模型陆续上线，内容创作者开始尝到“会打字就生视频”的甜头。国产模型正从“无”迈向“有”，并逐步向“优”进化。不过，目前国产工具还没法做到分钟级的无缝生成，与Sora当初展示的一镜到底还有差距。
但根本瓶颈是共通的。6月12日的北京智源大会上，智源研究院院长王仲远说得很直接：AI正从“预测下一个词”转向“预测下一个状态”，但“当前世界模型领域所有夺冠的模型都还不是真正的世界模型”。说白了，不管是中外的视频模型，离真正能模拟世界的“世界模型”还有距离。
这个瓶颈怎么破？业界现在主要尝试两条路：一是隐式地往生成模型里加入物理约束，让模型自己学会遵守重力、碰撞等规律；二是用神经渲染技术强行保持物体在多帧之间的几何连贯性。两条路都相当消耗算力，还没到高效商用的阶段。
一旦物理一致性有所突破，受益最快的是影视和游戏行业。导演可以用一句话修改场景，几分钟拿到符合物理规律的连贯镜头；游戏里的角色动作也许能直接从文本描述生成，再微调即可。更长远的，这种能力还可能用于具身智能训练——如果模型能稳定地生成物理合理的视频，这些视频就可以作为合成数据，帮机器人理解真实世界中物体的运动和相互作用。
从Sora 3的穿模到Seedance 2.0的抢跑，AI视频生成这场竞赛的赛道已经换了：画得像不再是终点，动得“真”才是新门槛。下一步，谁能把物理课补好，谁就可能拿到下一张船票。
