总被 OpenAI 压着打的谷歌，终于扬眉吐气了！

最近，谷歌连上几款大模型，个个备受好评。

先是推出最强 AI 大模型 Gemini 2.0，接着又官宣了 AI 视频生成模型 Veo2，直接对着 OpenAI 的 Sora 贴脸开大。

据介绍，Veo2 能生成 2 分钟以上时长、4k 分辨率的视频，也能理解提示词中的相机控制指令，还能重建出符合真实世界的物理交互和人脸表情。

同时，在基于人类评估者的对比评估中整体表现远超对手。

一众大佬也齐刷刷为其站台。

官方给出的演示视频也相当惊艳。

《权力与游戏》中的龙在高楼大厦间穿梭，这效果是不是吊打不少视觉特效师？

一只猫对着镜子中的自己咆哮，但它看到的却是自己像狮子一样在吼叫：

谷歌 DeepMind 研究员 @babaeizadeh 还制作了一系列动画风格的土豆小人情景喜剧。

（Prompt:anime style footage of two potatoes having a sword fight. cinematic, fastpaced with a lot of shotcuts.)

不过，与几个月之前的 Sora 类似，Veo2 目前也尚未对公众开放。

这也意味着，社交平台上的 Veo2 生成视频，要么时官方精挑细选出来的，要么是科技博主们一手评测出来的。

此外，这些放出来的视频时长均为 8 秒，分辨率也不超过 720p。

Veo2 的实际效果究竟如何？

我们或许可以从科技博主的测评视频中找到一些端倪。

-1-

Veo2 也逃不过翻车的命运吗？

目前，已经有不少国外科技博主拿到了 Veo2 试用「门票」，并在社交平台上放出来各种测评视频。

从这些测评视频中，我们发现Veo2 确实进步一大截，但也存在不少老生常谈的问题。

并未完全理解物理世界

X 博主 @shlomifruchter 是谷歌 Deepmind Veo 的联合负责人。

他用 Veo2 生成了一系列将水果扔进水里的视频。

比如，把几颗饱满的蓝莓丢进水中，无论是蓝莓入水后的浮沉，还是泛起的水泡、溅起的水花，乍一看都没毛病，但一细究就会发现杯子的水位并没有上升。

再比如铁球垂直砸入装满硬币的盒子，最初的「爆炸性」运动生成得很真实，但在「飞」走很多硬币后，盒子里又冒出了比开始还多的硬币。

（视频来自谷歌 DeepMind 成员.@hhm）

DeepMind 研究科学家 @MattMcGill_评论称，在没有感官反馈的情况下，视频生成模型很难像人类一样准确地模拟和修正物理现象，从而导致生成的视频中出现许多物理错误。

这就像在缺乏感官基础的梦境中，人可以漂浮着下楼梯，物体之间可以随意转换，时间可以变得非线性等。

并未严格遵循提示词

风投公司 a16z 合伙人 Justine Moore 也测试了几个 Prompt。

其中一个Prompt：giraffe librarian in a sweater and jeans putting books back on a shelf.（穿着毛衣和牛仔裤的长颈鹿图书管理员把书放回书架上。）

对于这个长颈鹿图书管理员的穿着，Veo2 领悟得很到位，但它并没有把书放回书架。

Justine Moore 在回复中表示，有 25% 到 50% 的情况下模型能够成功地完成任务或给出正确的结果。它在处理复杂任务、运动量大的场景以及分布外推理方面的能力有了显著提升，但仍有改进空间。

谷歌 DeepMind 成员@hhm 输入 Prompt: Bear writing the solution to 2x-1=0. But only the solution!（熊在写解方程 2x - 1 = 0 的解，但只写解！）

（视频来自 X 博主 @hhm）

黑板上确实呈现出正确的答案，只不过小熊并没有在写字，它只是拿着一块黑板而已。

手部细节生成异常

在某些细节方面，Veo2 也经不起推敲。

比如这个女孩在云端跳舞的视频，眼尖的观众会发现画面惊现三条胳膊。

搞不定复杂的体育动作

对于 AI 来说，生成体操动作仍是一大难题。

这是因为 AI 需要能够捕捉到运动员在空中的旋转、翻转等动作，并且生成的视频要保持流畅和连贯。

同时运动员在翻转时可能出现身体部位的相互遮挡，这增加了模型生成视频时处理遮挡关系的难度。

下面这个 Veo2 生成的体操动作视频就是一个失败的案例：重力失灵、运动员腾空翻转时身体不正常扭曲等。

X 博主 @jerrod_lew 发布了一个 Veo2 生成的体育类视频合集，里面有多处诡异的情形。

网球拍击球的角度不正确，背后的力度看起来不够；跑步者的手突然反向运动，使得生成的动作不自然、不符合人体运动规律等。

（视频来自 X 博主 @jerrod_lew）

还有这个机器人和人类踢足球的视频，人类和机器人的手臂会互相穿过；在无人触碰的情况下，球会自己旋转移动等。

（Prompt:Soccer of the future, mixing people and robots. This is a fragment from a 2024 cinematic movie.）

-2-

国外科技博主横评

不少博主还发布了 Veo 2 和其他视频生成模型对比的视频。

提示词：双手熟练地在木菜板上切成熟的西红柿。

提示词：宇航员探索水下外星沉船。

提示词：调酒师正在调制老式鸡尾酒。

提示词：一个人坐在咖啡馆喝咖啡的视频。过了一会儿，切到另一个视角，发现旁边桌子上的一个人正在给他们写信。