為什麼"從1數到10"這件事所有視頻模型都不會?

2026-03-08 | 來源: 極客公園 | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

AI 已經學會了電影的視覺語法，但還沒學會世界的物理語法。

頭圖來源：Nano Banana

作者｜湯一濤

編輯｜靖宇

Seedance 2.0 有多猛，過去一個月大家已經見識過了。好萊塢已經集體下場發了聲明，西半球最強法務部迪士尼也給字節跳動發了律師函。

但如果你讓它做一件事：生成一個男人從 1 數到 10 的視頻，它就露餡了。

生成出來的「人」五官端正、皮膚質感逼真，廚房背景細節豐富得像是實拍。他說出「one」的時候還一切正常，然後就開始鬼打牆，嘴裡不斷重復「t、t、t」這個音節（不是從 1 到 10 中任何一個數字的發音）；或者伸出三根手指，口中卻自信地說出「ten」。從頭到尾，他豎起的手指沒超過三根。

因為背景和人物都太真實了，所以手指崩壞的瞬間反而制造出了一種強烈的「偽人感」。

這道題不只是 Seedance 2.0 的噩夢。

視頻來自一位在 X 網友 fofr（簡介顯示是在 DeepMind 的開發者）。去年他就發現，「從 1 數到 10 並用手指比出數字」這個對三歲小孩都毫無難度的任務，是當前所有 AI 視頻模型的共同死穴。

胡錦濤當年為什麼保不住令計劃(圖

一層樓一半都是自助,為什麼商場裡自助餐越來越多?

潛伏逢場作戲的晚秋為什麼饞余則成身體,主要幾點原因?

Seedance 2.0 發布後，他第一時間把這道老題扔了過去，果然也翻車了。

網友在這條推文下面掀起了一場自發的「AI 數數挑戰賽」。他們把同一道題喂給了 Sora、Veo、Kling 等幾乎所有主流模型，結果全軍覆沒，沒有一個能正確地從 1 數到 10。

當一個行業最強的產品們被一道幼兒園級別的題目集體難倒，這其實指向了一個問題：為什麼這些模型已經能騙過你的眼睛，卻無法理解常識？

它們到底「理解」了什麼，又缺失了什麼？

01統計預測 vs 理解世界：AI 視頻的能力邊界

「數不到 10」不是一個孤立的 bug，它揭示了一整片當前 AI 的能力盲區。

原因也不復雜：所有的視頻模型本質上做的是同一件事，從海量視頻數據中學習統計規律，然後在生成每一幀畫面時預測「接下來什麼樣的像素排列最可能出現」。這和大語言模型的「預測下一個詞」（Next-Token Prediction）是同一套邏輯。

所以它們能把人臉毛孔、廚房光影、衣服褶皺渲染得以假亂真，因為訓練數據裡有海量樣本，統計規律足夠豐富。但一旦任務超出了樣本的范疇，進入「常識」的領域，問題就來了。

這些問題大致可以分成三類。

首先就是手部精細動作，這是最廣為人知的「AI 照妖鏡」。從圖像生成時代的「六指人」，到視頻生成時代的「軟糖手指」，手一直是 AI 的噩夢。