AI视频里的物理漏洞：为什么瓶子会穿墙，以及怎么让模型「遵守常识」

一眼假，假在哪

看 AI 生成视频时，很多人说不出哪里不对，但就是觉得”假”。大部分时候，问题不在画质，在物理：

• 手拿起杯子，杯子穿过了桌面边缘
• 液体会自己向上流
• 物体落地没有形变，弹起的轨迹不符合重力
• 人物转身时，背后的影子方向没跟着变

这些都是模型没有内在物理引擎的表征。它学的是”像素如何依次出现”，不是”世界如何运转”。

四类漏洞的成因

一、刚体与碰撞

训练数据里，“物体触碰”通常只是短暂的几帧。模型因此学到了视觉上的接触，但没学到接触后的约束——所以经常出现穿插、悬浮、粘连。

规避技巧：把交互动作拆成极短镜头（1～2 秒），减少需要维持一致性的事件数。宁可多剪几个小镜头，也不要让模型在一段 8 秒长镜头里处理”拿起—转身—放下”。

二、流体与软体

水、烟、布料、头发属于拓扑会变化的对象。模型对这类对象容易在帧间丢失身份，表现为”液体凭空增加或消失""布料穿模”。

规避技巧：主动降低复杂度——只拍局部（比如杯口的水面），或用固定机位。别让模型同时处理多个流体对象，这是当前的硬边界。

三、光照与影子连续性

镜头运动时，遮挡关系改变，影子应随之变化。模型倾向于保持”看起来好看”的布光，而不是”符合场景”的布光。

规避技巧：少用大幅度镜头运动；提示中明确光源位置（“左侧窗光，静止机位”）。如果必须运镜，优先用推拉而非环绕。

四、因果顺序

模型对”因”和”果”没有因果概念，只有时间上的相关性。所以会出现”开门前门已经开着""玻璃碎了才开始掉”这类倒放感。

规避技巧：把因果动作交给剪辑。让模型分别生成”因”和”果”两个镜头，在剪辑台上用剪辑点衔接。观众不会发现，而模型不会出错。

一个反直觉的结论

提升物理真实感，最好的办法往往是减少镜头里发生的事，而不是换更强的模型或写更长的提示词。

我们的经验规律：一段 4 秒、只有一个主体和一个动作的镜头，成品可用率远高于一段 8 秒、三个动作的长镜头——后者的返工时间通常把”省下的生成次数”全部吃掉。

提示词里的物理词真的有用吗

部分有用，但别指望太多。有效的写法是描述静态约束而非动态结果：

• 有效：“纸箱放在桌边，桌沿清晰可见，桌面为木纹”
• 效果存疑：“纸箱落地后弹跳两次”

因为前者是模型能”看见”的构图信息，后者是模型没有能力计算的物理结果。给模型画布，不要给它物理题。

一个实用的结构模板

我们目前用得最顺手的提示结构是四段式，顺序不能乱：

1. 场景：空间、材质、时间（白天/夜晚/室内外）
2. 主体与状态：谁、在哪、什么姿势、手里有什么
3. 静态约束：桌沿位置、光源方向、遮挡关系
4. 镜头：机位、焦段倾向、是否运动

注意第四段只描述镜头，不描述动作结果。把”纸箱落地弹起”这种描述从提示里删掉，改成让摄影机的运动来交代这件事——比如”镜头向下摇，跟随纸箱落下”。你控制的是看见什么，模型负责画出画面，谁也别越界。

什么时候该放弃 AI 生成

如果镜头里有精确的物理交互（机械装配、球赛、专业运动、液体倾倒），而且这个交互是画面重点，那就别硬上。此处的正确做法是实拍或三维制作，把 AI 用在环境、背景、转场上。承认边界，比和一个不擅长物理的模型死磕更省时间。