你随手拍的一段30秒街边小猫跳上纸箱的视频，现在能直接变成一个‘能摸、能推、能摔’的数字世界了。不是渲染，不是动画，是带重力、有接触、会反弹的真实物理场景——清华和中科大团队联合SparcAI搞出来的OVOW，真把这事做成了。它不靠激光雷达，不用动捕服，连专业相机都不需要，就用你iPhone里最普通的一段单目视频，就能重建出每个物体的真实尺寸、逐帧位姿、地面支撑关系，甚至自动修正悬浮和穿透。这不是又一个‘看起来很像’的3D模型，而是能塞进Unity、PyBullet、Isaac Gym跑仿真的4D Mesh世界。
过去做仿真，要么请人一帧帧建模，要么用昂贵设备扫全场，成本高、门槛高、周期长。OVOW反着来：先让视觉大模型看懂视频里谁在动、怎么动、是不是变形；再补全被遮挡的部分，恢复每个物体的封闭网格；最后用物理常识‘校准’——比如地面在哪、重力朝哪、箱子为啥没穿地板、猫尾巴为啥甩得自然。整个流程没训一个新大模型，全是搭积木式复用现有视觉基础模型，却第一次把‘视频→几何→物理’这条链跑通了。
这背后不是炫技，而是一场静悄悄的范式迁移。吴佳俊说机器要学世界的‘源代码’，陈博远讲AI正从‘预测下一个词’转向‘预测下一个物理状态’，OVOW正是这个方向落地的第一块硬骨头。它不追求电影级画质，但要求每一帧的位移都符合牛顿定律，每一次碰撞都满足动量守恒。当机器人要在真实厨房里叠毛巾、倒牛奶、开柜门时，真正卡脖子的从来不是‘会不会说话’，而是‘知不知道手往前伸1cm，杯子会不会翻’。这段手机视频，可能就是下一代具身智能的考场起点。
别小看这30秒——它正在悄悄改写AI学“动手”的方式。以前训练机器人抓杯子，得在实验室搭一模一样的厨房，铺满传感器，再让机械臂试错上千次；现在，你拍下邻居奶奶用搪瓷杯倒热水、水汽升腾时杯壁微微起雾的片段，OVOW就能抽取出杯子的真实厚度、热胀冷缩导致的微形变趋势、甚至水滴沿杯沿滑落的加速度曲线。这些不是猜测，是视频里光流+阴影+反光变化推出来的物理约束，清华团队在arXiv预印本（2405.12876）里明确写了：在YCB-Video和EgoObjects两个真实场景数据集上，OVOW重建的物体位姿误差比SOTA方法低37%，穿透错误率下降91%。
更实际的是，它正快速下沉到一线场景。深圳一家做仓储机器人的创业公司，上周刚用OVOW把工人卸货的手机录像转成可仿真的3D环境，原来要两周建模的货架堆叠逻辑，现在4小时就跑通了碰撞测试；杭州某特殊教育机构用它把自闭症儿童拍的积木搭建视频，实时生成带力反馈的VR练习空间——孩子推倒塔楼时，系统不是简单播放动画，而是按真实木块密度、摩擦系数、重心偏移算出每一块的翻滚轨迹，连底座那块积木因胶痕粘连导致的延迟倾倒都模拟出来了。
当然，它还不完美。目前对透明物体（比如玻璃杯）、快速运动模糊（猫甩尾巴末梢）、或者多层半透材质（纱帘后的人影）处理仍有抖动。但团队在GitHub开源的v0.2版本里，已经支持用户上传视频后，用滑块手动微调重力方向或地面倾斜角——这不是妥协，是把“物理常识”真正交还给人。就像当年Photoshop刚出时，专业人士嫌它不如专业排版软件精准，可谁也没想到，它先让美工、老师、小店主都成了图像世界的“第一责任人”。OVOW也在做同一件事：不等AI学会所有物理定律，先让人用最熟悉的工具，教会它世界本来的样子。
嘉正网提示：文章来自网络，不代表本站观点。
