每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/
布朗大学与DeepMind的研究团队最近展示了一项名为"力提示（force prompting）"的新方法，该方法允许生成式视频模型在无需依赖3D建模或物理引擎的情况下，通过模拟"力"的作用来生成逼真的视频运动效果。
所谓"力提示"，即研究人员通过人工设定方向与强度的力向量，引导AI生成运动。模型可以处理两种类型的力：一种是作用于整个场景的"全局力"（如风），另一种是针对特定点的"局部力"（如轻敲物体）。这些力被表示为向量场，并被直接输入至视频生成系统，从而转化为自然的运动表现。
本研究基于CogVideoX-5B-I2V视频模型，并整合了ControlNet模块以处理物理控制信号，整个系统以Transformer架构为基础，可生成每段49帧的视频。训练仅耗时一天，使用了四张Nvidia A100显卡。
在训练阶段，研究人员采用了完全合成的数据集：包括1.5万段不同风速下旗帜飘动的视频，用于训练对全局风力的响应；1.2万段滚球视频和1.1万段花朵因撞击而晃动的视频，则用于训练局部力的处理。每个训练样本都包括文本提示、初始图像和一个代表力的向量场（或移动信号），这些三维模拟力被投影到二维图像坐标中。研究人员还对背景、光照、摄像机角度和力的方向进行随机化，增强模型泛化能力。
尽管数据量有限，模型依然展现出较强的泛化能力。例如，它能分辨轻物体比重物体更易被推动，还能识别满的洗衣篮比空的移动得慢。这种"直觉物理"（intuitive physics）能力是在没有真实物理模拟的条件下学到的。
在人类主观评估中，"力提示"方法优于文本描述或运动路径控制等传统方式，甚至在运动匹配度与现实感方面超过了使用真实物理模拟的PhysDreamer模型（尽管后者图像质量更高）。消融实验进一步显示，训练数据的多样性对于模型识别力的方位与强度至关重要。若缺乏多样背景或文本中缺少与物理相关的词汇，模型表现显著下降。
值得注意的是，模型将物体视为整体单位：即使只是某个部位受力，整个物体都会运动。同时，模型还能够在生成视频过程中保留原图中的风格特征，如光照和景深。
不过研究人员也指出，该方法并不能完全替代高精度物理仿真。在复杂场景中，模型有时仍会出错，比如烟雾忽略风的作用，或人体手臂像布一样摆动。然而，作为一种高效手段，"力提示"为AI生成视频注入了具有物理可信度的动态表现。
DeepMind首席执行官Demis Hassabis近期也强调，像Veo 3这样的AI视频模型正在逐步理解物理规律。他认为，这是AI从图像处理迈向对世界物理结构建模的重要一步，也将推动更具通用性AI系统的发展，使其能通过模拟环境中的经验学习，而不再仅仅依赖于静态数据。