AI视频推理不靠逐帧，靠一遍遍涂改草稿

让AI生成一段“机器人走迷宫”的视频，你猜它会怎么思考？过去所有人都默认，它会像拍电影一样，先画第一帧的第一步，再根据第一步画第二帧的第二步——就像我们用逐帧动画的方式创作。但商汤、南洋理工等机构的最新研究，把这个默认认知彻底砸碎了。他们用一系列实验“剖开”了AI的“大脑”，发现它根本不是逐帧推理的。那它的思考逻辑到底是什么？这不仅关乎AI视频的未来，更牵扯到我们对机器智能的底层理解。

从逐帧到步骤：推理范式的彻底反转

要理解这个新发现，得先搞懂扩散模型的基本逻辑——你可以把它想象成一个从混沌到清晰的画家：学习时，它会把一张干净图片一步步加噪到全是雪花点；生成时则反过来，从雪花点开始，根据提示词一步步去噪，最终还原出清晰画面。

过去我们以为，AI的推理就发生在最终的画面序列里：先想第一帧怎么走，再想第二帧。但研究团队通过观察每一步去噪后的中间状态发现，推理的痕迹根本不在帧的顺序上，而在每一轮去噪的步骤里。他们给这个新机制起了个名字：步骤链（Chain-of-Steps）。

简单说，AI不是一帧一帧画，而是一遍遍涂改整个视频草稿：早期去噪步骤，它会在草稿上同时画好几条可能的迷宫路径；中期步骤开始擦掉走不通的路；到了最后几步，一条清晰正确的路径才会显现。

最有力的证据来自噪声扰动实验：如果在某个关键去噪步骤注入噪声，AI的推理性能会直接暴跌；但如果持续污染某一帧，性能下降却温和得多——因为AI每一步都会参考所有帧的信息，单帧的错误很容易被修复，可步骤被打断，整个推理逻辑就崩了。

像人一样慢思考：涌现的三大智能行为

随着对步骤链机制的深入拆解，研究团队还发现了更惊人的事：AI在一遍遍涂改草稿的过程中，自发涌现出了类人的推理能力。

第一个能力是工作记忆。在“物体返回原位”的任务中，AI会在所有去噪步骤里始终“记住”物体最初的位置；即使小泰迪熊被大熊完全挡住，AI在早期步骤也会保留它的轮廓信息，确保后续帧能正确再现——这解决了视频生成中经典的“物体恒存性”难题。

第二个能力是自我修正。生成“球反弹击中目标”的视频时，AI早期步骤画的轨迹模糊又不完整，但随着去噪推进，它会慢慢把轨迹补全、修正；甚至一开始画错了立方体的旋转结果，后面也能自己调整到正确状态。

第三个能力是先感知后行动。生成“汽车撞开门”的视频时，AI早期步骤只会先定位出画面里的“汽车”和“门”，等搞清楚了“是什么”和“在哪里”，才会在后期步骤规划汽车的运动轨迹和撞击的物理交互——完全符合人类解决问题的逻辑。

更有意思的是，AI的Transformer模型内部还形成了明确的分工：早期层负责感知场景结构，中间层是推理的核心（替换这部分的信息会直接改变最终结果），后期层则负责整合记忆、准备输出。这种“感知-推理-整合”的循环，在每个去噪步骤里重复上演，构成了AI慢思考的微观基础。

无需训练：一个简单技巧提升推理性能

基于对步骤链机制的理解，研究团队还提出了一个无需任何额外训练就能提升AI推理性能的技巧——说出来简单到离谱：用同一个模型，三个不同的随机种子生成三条推理轨迹，然后在每个去噪步骤，把三条轨迹的潜表示取平均，作为下一步的输入。

本质上就是让AI“集思广益”，在早期步骤能探索更多可能性，从而更大概率收敛到正确答案。这个方法成本极低，只是推理时多算两遍，但效果显著：在VBVR视频推理基准测试中，原本得分0.685的模型，用了这个技巧后直接涨到0.716，几乎所有子任务的性能都有稳定提升。

当然，我们也得清醒地看到局限：目前AI的推理能力还高度依赖训练数据，在跨领域泛化上表现很差；而且这个技巧虽然有效，但也让推理成本翻了三倍。更重要的是，人类在VBVR测试中的得分是0.974，即使是最优的AI模型，和人类的差距依然巨大——它只是学会了像人一样“思考”的形式，还远没达到人类的理解深度。

当我们把AI的“黑箱”剖开一层，会发现它的智能涌现比我们想象的更接近人类——不是靠精准的线性计算，而是靠模糊的并行探索、逐步的筛选修正。这打破了我们对AI“机械性”的刻板印象，也让我们意识到：机器智能的进化，可能不是在模仿人类的“结果”，而是在复刻人类的“过程”。

慢思考，才是智能的本质。 这个发现不仅能帮我们优化AI视频生成的性能，更能让我们重新思考：到底什么是智能？当AI开始像人一样“涂改草稿”“反复琢磨”，我们和机器的边界，会不会比想象中更模糊？