简介：物体恒常性是人类在婴儿早期就具备的认知能力，指物体被遮挡后仍被认为持续存在。当前主流AI视频模型虽然能生成逼真画面，却普遍缺乏这一底层物理常识。本文从定义、发展心理学依据、技术原理、评测方法、训练改进与工程应用等角度，系统拆解物体恒常性在视频生成中的意义，帮助开发者理解为何“看起来真实”不等于“物理上正确”，以及如何评估和缓解这类模型缺陷。
物体恒常性，英文常称为 object permanence，是指一个物体即使暂时离开视野，比如被其他物体遮挡、移出画面边缘或在黑暗中不可见，观察者仍然认为它持续存在，而不是消失或变成另一个物体。这个概念最早由发展心理学系统研究，用来解释婴儿如何逐步建立对客观世界的稳定认知。
在技术语境下，物体恒常性描述的是模型是否具备一种连续的实体表征能力：一个物体在时间上前一帧和后一帧之间，应该保持身份、形状、大小、颜色、运动方向等属性的一致性和连续性。即使它被部分或完全遮挡，模型也应当“知道”它还在那里，并且能预测它在遮挡结束后的状态。
与之紧密相关但又有区别的是物体固体性。物体固体性指两个物体不能同时占据同一空间位置，一个物体不能无代价地穿过另一个物体。物体恒常性关注“被遮住了是否还存在”，物体固体性关注“物体之间是否遵循基本的空间排斥关系”。两者共同构成人类早期物理直觉的基础。
对于视频生成模型来说，物体恒常性缺陷通常表现为：一个物体进入遮挡区域后消失；遮挡结束后物体的颜色、数量或形态发生变化；多个相似物体互换身份；物体穿过墙壁或桌面却没有任何交互反馈。这些问题在单镜头、短时长、简单场景下可能不明显，但在长镜头、多物体交互或复杂遮挡场景中会被显著放大。
发展心理学的研究表明，人类婴儿并不是出生后才慢慢学会“物体被遮住不等于消失”。早在婴儿三个半月左右，就已经表现出对物体恒常性事件的基本预期。研究者通过习惯化-去习惯化实验范式发现，当物体在屏幕后消失又出现时，婴儿的反应时间更短；而当物体消失后没有在预期位置出现时，婴儿会注视更久，说明他们感到意外。
这种能力并不需要大量的显式教育。婴儿通过与物理世界的主动交互，比如抓握、推动、观察物体滚动和遮挡，在极少的样本下就形成了对物体连续存在的稳定预期。这说明物体恒常性不是一种高层次推理，而是一种接近底层感知的认知先验。
反观当前的视频生成模型，它们的训练目标并不是理解物理世界，而是学习像素级的统计分布。模型看到的是海量视频帧，学习的是“在给定前一帧和文本条件的情况下，下一帧最可能是什么样子”。这种学习方式使得模型能够生成视觉上非常逼真的画面，但并不意味着它建立了物体级别的持久表征。
一个常见的误区是，只要训练数据足够大，模型就会自发涌现出物理常识。但实际结果表明，单靠扩大数据规模和模型参数，并不能可靠地获得物体恒常性。因为训练目标优化的是感知相似度，而不是物理一致性。模型可以学会“球滚进隧道又出来”的常见模式，却不一定理解“球在隧道里的那段时间仍然是同一个球”。
更重要的是，数据集中本身就充满了大量违反物理规律的样本。包括剪辑切换、特效画面、动画片段、非现实合成视频等。这些样本教会模型的恰恰是“画面可以不连续”“物体可以随意变化”。因此，单纯增加训练数据，有时反而会强化错误的统计关联。
在视频生成任务中，物体恒常性缺失会造成几类典型问题。
第一类是遮挡后消失。一个行人在经过路灯杆后面时，可能再也没有出现在另一侧。一个球滚进箱子后面，可能永远留在那里。这类错误直接破坏了画面的时间连续性，让观众立刻察觉到“不真实”。
第二类是遮挡后属性改变。一个红色的杯子被书本短暂遮住后，露出来的可能是蓝色杯子，或者杯子的手柄位置发生了变化。模型没有把遮挡前后的物体视为同一个实体，而是根据局部上下文重新“想象”了一个物体。
第三类是多物体身份混淆。当画面中有多个相似物体时，比如三个相同颜色的球，模型可能在它们互相遮挡后交换位置、数量或运动方向。因为模型没有为每个物体建立独立的、持续的身份标识。
第四类是穿透和不合理交互。物体穿过桌面、墙壁或彼此重叠却不产生碰撞、形变或遮挡关系。这反映出模型不仅缺乏恒常性，也缺乏对基本物理交互的理解。
这些缺陷对普通用户来说可能只是“AI视频有时候很奇怪”，但对需要可控生成的工程场景来说，却是严重的可靠性问题。如果模型不能保证物体在时间维度上的一致性，生成内容就无法用于对准确性有要求的任务，比如产品演示、教育动画、工业仿真等。
要理解这个问题，需要审视主流视频生成模型的技术范式。当前大多数模型采用扩散模型或自回归变换器架构，在潜在空间或像素空间上建模视频帧的条件分布。它们的核心是学习一个从噪声到清晰画面的生成过程，或者从过去帧预测未来帧的条件概率。
在这个框架下，模型并没有显式的物体概念。没有物体 ID，没有物体状态变量，也没有物理时间轴。模型对“物体”的理解分散在无数个网络参数中，以一种高度分布式、隐式的方式存在。它可能有能力记住常见的物体形状和运动模式，但无法在生成过程中执行“这个物体必须持续存在”这样的硬约束。
此外，视频数据的表示方式也增加了学习难度。视频帧是二维图像的时间序列，物体在三维空间中的连续运动被投影到二维平面，再被离散化为有限帧。遮挡、视角变化、光照变化等因素使得同一物体在像素层面的表现差异极大。模型很难仅从像素相关性中推断出稳定的物体身份。
对比之下，人类视觉系统在早期就具备物体分割、深度感知和运动跟踪等能力。这些能力由专门的神经机制支持，以一种近似模块化的方式工作。婴儿的物理直觉可能来自进化形成的先验结构，而不是完全从零开始学习。而当前的生成模型并没有内嵌这些先验，因此需要额外的机制来弥补。
还有一个现实原因是评估不足。在模型开发过程中，常用的评估指标如 FVD、IS、CLIP 分数等主要衡量画面质量、运动自然度和文本匹配度，并没有专门考察物体在长时间遮挡下的连续性。因此，即使模型存在系统性缺陷，在常规指标上也未必会暴露出来。
针对上述问题，学术研究开始尝试将物体恒常性转化为可量化的评测任务。其基本思路是：构造受控的合成场景，让模型生成或预测视频，然后检查物体在遮挡前后的数量、身份和属性是否保持不变。
评测基准通常包含若干关键设计原则：
一是控制变量。场景中除了要考察的遮挡关系外，其他因素尽量保持不变。这样可以把模型失败归因于物体恒常性，而不是光照、纹理或视角变化。
二是分级难度。从简单遮挡到多物体遮挡，从短时遮挡到长时遮挡，从完全遮挡到部分遮挡，从静态遮挡到动态遮挡。不同难度级别可以揭示模型能力的边界。
三是自动判定。需要定义明确的成功标准，例如物体在遮挡结束后的边界框位置、颜色分布、数量是否与预期一致。通过渲染引擎可以获得真实标签，再与模型输出进行比对。
四是覆盖多种模型。不同架构的视频生成模型可能在不同类型的场景中失败。只有覆盖足够多的模型，才能得到稳健的结论。
从当前公开研究的趋势看，物体恒常性正在成为一个独立的评测维度，与传统画质评测和运动平滑度评测并列。未来，这类评测可能成为视频生成模型发布前的标准验证环节。
要让视频生成模型具备更可靠的物体恒常性，业界正在探索多条技术路径。虽然具体实现各有不同，但从总体思路上可以归纳为以下几类。
一种自然的想法是，在视频生成过程中引入显式的物体表示。模型不再是单纯生成像素，而是同时维护一组物体状态变量，比如位置、速度、大小、颜色、可见性等。在生成每一帧时，先根据物理规则更新物体状态，再渲染出对应画面。这种思路接近于传统计算机图形学和物理引擎的做法，但难点在于如何与深度生成模型结合，以及如何处理非刚性物体和复杂外观。
在训练目标中加入额外的约束项，鼓励模型保持物体在时间上的连续性。例如，可以在遮挡前后对物体区域施加一致性损失，或者在模型内部增加一个物体跟踪模块，对生成结果的物体轨迹进行监督。这种方式不需要彻底改变模型架构，但需要大规模带标注的物体轨迹数据，以及精心设计的损失函数。
真实视频数据的标注成本高、覆盖场景有限，难以系统覆盖各类遮挡情况。使用程序化生成的三维场景，可以自动产生大量带有精确标注的物体运动、遮挡和交互数据。模型在这些数据上补充训练，有望学到更稳定的物体表征。程序化数据的好处是可控性强，但需要解决合成域到真实域的泛化问题。
另一条路线是在推理阶段对生成结果进行检测和修正。可以在生成视频后，使用物体检测和跟踪模型识别不连续的物体轨迹，再通过局部重新生成或插值的方式进行修复。这种方案不需要重新训练基座模型，但会增加推理延迟，并且修正能力受限于检测模型本身的准确率。
长期来看，要解决物体恒常性问题，可能需要让视频生成模型接触更多模态的信息，比如深度图、物体分割掩码、三维场景表示等。通过多模态联合训练，模型可以建立起更接近真实物理世界的内部表征，而不是只停留在像素表面。这种方向具有更大的潜力，但也面临更高的数据和算力要求。
在讨论AI视频模型的物理理解能力时，有几个概念经常与物体恒常性混淆。厘清这些区别，有助于更准确地定位问题。
物体固体性关注物体之间的空间排斥关系，即两个物体不能相互穿透。一个模型可能知道物体被遮挡后仍然存在，但不知道物体不能穿过墙壁。反过来，也可能知道物体不会穿透，但在遮挡后丢失物体身份。两者相关但不等价。
因果推理是更高层次的认知能力，涉及对事件之间因果关系的理解和预测。物体恒常性可以看作是因果推理的一个前置条件：只有知道物体持续存在，才能进一步推理它可能对后续事件产生什么影响。
运动连续性关注物体在可见状态下的轨迹是否平滑，比如速度、方向是否合理。物体恒常性则专门处理不可见状态下的存在性问题。一个模型可能在可见阶段表现出良好的运动连续性，但在遮挡阶段丢失物体。
身份保持与物体恒常性高度重叠，但侧重点不同。身份保持强调同一个物体在不同时间、不同视角下仍被识别为同一实体，即使外观发生部分变化。物体恒常性则更关注“看不见的时候是否还存在”。在实际评测中，两者经常一起考察。
区分这些概念的意义在于，修复一个缺陷并不意味着其他缺陷自动消失。每一种物理认知能力都需要被单独评估和针对性改进。
对于需要在视频生成、数字人、虚拟场景合成等方向落地AI模型的技术团队来说，物体恒常性问题不只是学术上的趣味话题，而是直接影响交付质量的关键因素。
在选型阶段，应当把物体恒常性表现纳入模型的验证清单。除了常规的主观画质评估和客观指标外，可以设计几类典型遮挡场景，例如人物经过柱子、车辆驶入隧道、物体被手遮挡后再现。观察模型是否出现消失、形变或身份错乱。
在系统设计中，如果业务场景对物体一致性要求较高，可以考虑引入后处理校验模块。例如在生成结果上运行物体检测和跟踪，对主要物体进行轨迹连续性检查。如果检测到异常，可以触发局部重生成或降级策略。
在数据准备阶段，如果想对预训练模型进行微调，可以构造一定比例的遮挡样本。这些样本应覆盖不同物体类别、不同遮挡程度和不同运动模式。为了控制实验变量，最好使用程序化生成的合成数据，而不是从真实视频中随机采集。
在推理优化方面，后验修正会带来额外延迟。可以将其设计为可选路径，仅在用户要求高一致性输出时才启用。如果模型本身已经具备较高稳定性，可以跳过该路径以降低成本和响应时间。
最后，要避免对模型输出做过度解读。一个视频模型在简单场景中表现稳定，并不意味着它真正理解了物体恒常性。可能只是测试场景过于简单，或者训练集中常见类似模式。评估时需要覆盖足够多样的场景，尤其是那些训练数据中不常见的遮挡组合。
物体恒常性是人和动物早期就具备的基础认知能力，也是物理世界建模的底层约束。对AI视频模型来说，它体现的是模型是否真正理解“物体即使看不见也仍然存在”，而不是仅仅记住了画面的表面统计规律。
当前主流视频生成模型在物体恒常性上仍然存在系统性缺陷，表现为遮挡后物体消失、属性改变、身份混淆或发生不合理交互。这些问题源于模型缺乏显式的物体表征和物理一致性约束，也与现有训练目标和评测方式不完善有关。
解决这一问题需要从多个层面协同推进：在模型架构上引入物体级表征，在训练数据上增加程序化遮挡场景，在训练目标中增加一致性约束，在评测流程中增加专门的恒常性检查，以及在工程落地中引入后验修正机制。
对于开发者而言，真正需要关注的不是模型能否生成“更逼真”的画面，而是模型能否在时间维度上保持“更稳定”的世界状态。物体恒常性正是衡量这种稳定性的核心指标之一。只有把这一能力纳入模型选型、训练和评测的全流程，视频生成技术才能从演示走向可靠应用。