把视频倒放给 AI 看：它真的懂因果，还是只会背时间箭头？

你有没有试过把一段视频倒放？

玻璃杯从碎片聚合成完整、火焰从烟雾中重生、墨水从水中抽回笔尖——这些画面看起来荒诞，因为它们违反了我们对因果的基本直觉。一个五个月大的婴儿看到倒放视频时，都会表现出"惊讶"。

那么，那些号称要成为"世界模型"的视频生成 AI 呢？当你给它看一段倒放的视频，它会"惊讶"吗？

来自国立阳明交通大学和盛大 AI 研究院（东京）的团队，用一篇叫 YoCausal 的论文回答了这个问题。答案令人不安：大多数视频生成模型能感知时间方向，但并不真正理解因果。

一个来自婴儿实验室的灵感

故事要从 1987 年说起。认知科学家 Leslie 和 Keeble 做了一个经典实验：给婴儿看正常播放和倒放的视频，观察他们的反应。如果婴儿对倒放视频表现出"惊讶"（注视时间更长），说明他们已经形成了因果认知——他们"知道"锤子打碎花瓶是单向的。

YoCausal 的核心洞察极其优雅：把这个范式直接搬到生成模型上。

在生成模型的框架里，"惊讶"有一个精确的数学对应物——低概率。如果一个模型真正理解因果，它应该给正常视频分配更高的概率，给倒放视频分配更低的概率。而扩散模型的去噪损失（denoising loss）恰好是负对数似然的上界，所以"惊讶程度"可以直接用去噪损失来量化。

不需要合成数据，不需要实验室拍摄，不需要人工标注反事实样本。任何真实视频，倒放一下，就是天然的反事实对照。 零成本，无限扩展。

两层测试：时间感 ≠ 因果感

但这里有个陷阱。

倒放一段视频，同时引入了两种异常：时间方向反转和因果关系反转。一个模型对倒放视频感到"惊讶"，可能只是因为它察觉到时间在倒流，而不是因为它理解了因果。

想象两段视频：一段是锤子打碎花瓶（有因果），一段是汽车在高速路上行驶（无因果）。倒放锤子打花瓶，因果和时间都反了；倒放汽车行驶，只有时间反了——汽车倒着开虽然奇怪，但没有什么"因果反转"。

如果一个模型真正理解因果，它应该对"锤子打花瓶倒放"比"汽车行驶倒放"更惊讶。这个差值，就是 YoCausal 的核心指标。

具体来说，YoCausal 设计了两层评估：

Level 1：反转惊讶指数（RSI）——衡量模型感知时间箭头的能力。对每段视频，给正向和倒放版本加相同的噪声，比较去噪损失。如果模型对倒放版本的去噪损失更高（更"惊讶"），就算它"感知"到了时间方向。RSI 就是模型"答对"的比例。

Level 2：因果认知指数（CCI）——用视觉语言模型（VLM）把数据集分成"有因果"和"无因果"两个子集，然后计算 CCI = RSI(有因果) - RSI(无因果)。CCI 越高，说明模型对因果反转的额外敏感度越强，真正理解了因果，而不只是感知时间方向。

13 个模型的大考

团队用 YoCausal 测试了 13 个开源视频扩散模型，包括 Wan2.1/2.2、CogVideoX、HunyuanVideo、LTX-Video、AnimateDiff 等，横跨不同架构和参数规模。数据集覆盖四个领域：日常生活、物理现象、人类动作、动物行为。

结果揭示了几个关键发现：

发现一：感知时间方向 ≠ 理解因果。 这是最重要的结论。LTX-Video-13B 和 HunyuanVideo 在 RSI（时间感知）上排名靠前，但在 CCI（因果认知）上表现糟糕。它们能察觉"时间在倒流"，但分辨不出"因果在倒流"。就像一个人能看出视频在倒放，但不知道为什么倒放看起来不对劲。

发现二：最好的模型离人类还很远。 人类在 RSI 上几乎满分，CCI 也远超所有模型。表现最好的 Wan2.2-A14B，虽然能正确捕捉"擦盘子时污渍逐渐消失"的因果关系，但和人类的差距依然显著。

发现三：因果认知与画面质量零相关。 因果排名与美学质量（Aesthetic Quality）的 Kendall 相关系数 τ = 0.0000。一个模型可以生成美轮美奂的视频，同时完全不理解因果。漂亮不等于聪明。

发现四：规模定律在因果认知上依然有效。 参数量与因果排名的相关性 r = 0.688，发布日期与因果排名的相关性 r = 0.596。更大的模型、更新的模型，因果理解确实更强。从 UNet 架构到 DiT 架构的演进，也带来了因果感知的显著提升。

发现五：因果认知 ≠ 物理直觉。 因果排名与物理直觉基准 LikePhys 的相关性 τ = 0.5111，中等正相关但不可约化。懂物理定律和懂因果是两回事——一个模型可能知道球会弹起来，但不理解"我扔球所以球飞出去"这层因果。

一个优雅的"作弊检测器"

YoCausal 最让我欣赏的地方，是它的方法论简洁性。

传统的物理基准测试需要精心合成数据：模拟一个球从斜面滚下来，然后让球违反重力往上滚，看模型能不能发现异常。但合成数据有 sim-to-real gap——模型在合成场景上表现好，不代表在真实世界也行。

YoCausal 完全绕开了这个问题。它不需要合成任何东西，只需要把真实视频倒放。这个操作如此简单，以至于你会问：为什么之前没人这么做？

答案是：之前的人把"时间方向"和"因果关系"混在一起了。YoCausal 的贡献不只是"倒放视频"，而是用两层指标把时间感知和因果认知解耦开来。这个解耦才是关键。

工程师的启示

对于做视频生成模型的工程师，YoCausal 提供了几个实操洞察：

1. 不要被 RSI 骗了。 你的模型可能对时间方向很敏感（RSI 高），但对因果一窍不通（CCI 低）。单独看 RSI 会给你虚假的安全感。

2. 评估因果需要专门的设计。 因果认知与画面质量零相关，与物理直觉中等相关。你不能用现有的质量指标或物理基准来替代因果评估。

3. 规模是解药，但不是万能药。 更大的模型确实更强，但即使是最强的模型也远不及人类。架构演进（UNet → DiT）带来的提升可能比单纯堆参数更有效。

4. 这个基准可以无限扩展。 任何新视频都可以加入测试集，不需要额外标注。这意味着随着模型进步，基准可以同步进化，不会"过时"。

局限与未来

YoCausal 也有自己的边界。时间对称事件（比如牛顿摆）正放倒放看起来一样，RSI 对它们无能为力。另外，计算去噪损失需要访问模型权重，闭源模型无法直接评估——虽然开发者可以内部使用。

更深层的哲学问题是：通过"惊讶"来测量因果理解，是否真的抓住了因果的本质？一个模型对倒放视频感到惊讶，可能只是因为它在训练数据中从未见过倒放的视频，而不是因为它理解了因果。YoCausal 用 CCI 部分回应了这个问题——如果只是没见过倒放视频，那对所有倒放视频应该同样惊讶，不会在因果视频上更惊讶。但这个论证并不完美。

不过，正如论文标题所暗示的——"How Far is Video Generation from World Model?"——YoCausal 给出了一个清晰的距离度量。答案是：还很远。但至少现在我们知道该怎么量了。

论文： YoCausal: How Far is Video Generation from World Model? A Causality Perspective

代码： github.com/youzhe0305/YoCausal

项目主页： youzhexie.me/papers/YoCausal