四川
AI視頻生成的天花板要被捅破了？就在Google I/O 2026開幕前，兩條還沒正式發布的Gemini Omni生成視頻悄悄泄露，整個社交媒體直接炸了，Reddit和X上全是“這不可能是現有技術水平”的驚呼！
沒有官方預告，沒有發布會造勢，就靠兩條日常場景的視頻，讓見慣了AI內容的技術圈集體破防，到底發生了什么？
泄露的兩條視頻看起來平平無奇：一條是教授站在黑板前推導三角恒等式，另一條是兩個男士在海邊餐廳吃意大利面。但懂行的人都知道，這背后藏著AI視頻生成的三大突破，以前從來沒人能同時做到。
先說教授講課的視頻，生成它只用了一句話的指令：“一位教授在傳統黑板上寫出三角恒等式的數學證明，同時用語言解釋他當前正在推導的步驟。”
沒有多輪對話，沒有分步驟控制，結果卻讓人大吃一驚：教授的板書不僅工整，推導過程在數學上完全正確，不是隨便畫一堆像公式的符號，而是真的懂數學邏輯，知道下一步該寫什么。
更絕的是手部動作：AI生成的手向來是重災區，要么手指數量不對，要么關節扭曲，連拿個東西都像在抓空氣。
但這里的教授，粉筆握得穩穩的，寫字時手腕的轉動、粉筆和黑板的接觸角度，都跟真人一模一樣。最被低估的是時序同步：教授寫某個步驟的同時，嘴里講的正好是這個步驟，板書進度和語音完全對齊，這不是簡單的音視頻拼接，而是模型真的理解“講課”這件事的邏輯。
這三件事同時成立，說明模型不再是零散地生成畫面和聲音，而是對“教授講課”這個場景有了整體性的理解：它知道現實中這件事該是什么樣子，各個元素之間有什么約束關系。
另一條海邊餐廳的視頻，更是直接打臉了過去的AI視頻。2024年，一段“Will Smith吃意大利面”的AI視頻曾被群嘲：手指數量不對，面條像活物一樣扭動，叉子和嘴的空間關系完全混亂，成了早期AI視頻的“恥辱柱”。
而Gemini Omni生成的海邊餐廳視頻，用戶評論是“令人難以置信地真實”。這背后考驗的是模型對剛體和柔性體交互的建模能力：叉子是硬的，面條是軟的，兩者接觸時的形變必須符合物理直覺。
以前的AI根本做不到這一點，但Gemini Omni不僅讓叉子正確叉起面條，還讓面條的彎曲、纏繞都自然得像真人在吃，這意味著模型開始理解現實世界的物理規則了。
現在做一條AI視頻，要先讓語言模型寫腳本，再用圖像模型做故事板，最后用視頻模型渲染，還要后期剪輯，每一步都有信息損耗。但如果Gemini Omni能通過對話直接生成視頻，整個鏈路就被簡化成一個對話窗口，效率提升不是一星半點。
更可怕的是生態優勢：如果Gemini Omni和Gmail、Google Docs、YouTube、Android深度打通，其他競爭對手根本沒法復制。技術決定上限，生態決定規模，這才是Gemini Omni最致命的威脅。
ChatGPT定義了語言的邊界，Sora定義了視頻的邊界，而Gemini Omni指向的，可能是第一個“世界模型時刻”：模型開始理解現實世界里各個模態之間的聯系，而不是分別生成它們。這是質的飛躍，意味著AI離“理解世界”又近了一步。
當然，Gemini Omni到底是不是真的實現了這些，還要等5月19日Google I/O大會揭曉。但泄露的視頻已經給出了足夠強烈的信號：AI視頻生成的游戲規則，可能要變了。
你覺得Gemini Omni能成為AI視頻的下一個顛覆者嗎？5月19日的Google I/O大會會不會放出更多猛料？評論區聊聊你的預測，別忘了轉發給身邊關注AI的朋友，這可能是見證行業拐點的時刻！
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
