视频生成模型可能不只是生成视频的工具，它们或许已经学会了关于世界如何运作的隐性知识。
发生了什么
Google DeepMind 的研究团队提出了一种名为 GenCeption 的方法，该方法无需额外训练或微调，直接利用一个已有的视频生成模型来完成多种经典计算机视觉任务。这些任务包括单目深度估计、语义分割、边缘检测等。
核心思路是：给视频生成模型输入一段视频，然后通过分析模型在生成过程中内部表征的变化，来提取出与场景几何和语义相关的信息。实验结果显示，GenCeption 在多个基准测试上达到了与当前最先进专用模型相当的水平，而它使用的训练数据几乎全部是合成视频。
为什么重要
长期以来，计算机视觉领域依赖大量人工标注的真实数据来训练专用模型。而视频生成模型（如 Sora、Stable Video Diffusion 等）通常是在海量无标注视频上训练的，它们需要理解物体的物理属性、空间关系、遮挡和运动规律才能生成连贯的视频。
DeepMind 的这项工作从实证角度支持了一个日益流行的观点：视频生成模型在训练过程中自发地学习到了某种“世界模型”——即对三维场景、物体恒常性、物理规律的隐式表征。如果这一观点成立，意味着我们可以从生成模型中“提取”出这些知识，用于其他视觉理解任务，而无需为每个任务单独收集标注数据。
此外，GenCeption 几乎完全依赖合成视频训练，这暗示合成数据可能足以让模型学到通用的视觉表征，从而大幅降低对真实世界标注数据的依赖。
影响与看点
- 对计算机视觉研究：GenCeption 提供了一种新的范式——将生成模型视为“基础模型”，从中蒸馏出任务特定的能力。这可能改变未来视觉模型的训练方式，从“为每个任务训练专用模型”转向“从通用生成模型中提取知识”。
- 对视频生成领域：该工作为“视频生成模型是否包含世界模型”的争论提供了有力证据。如果更多类似研究证实这一点，视频生成模型的价值将不仅限于内容创作，更会成为机器感知的基础组件。
- 对开发者：短期内，GenCeption 的方法可能难以直接部署到实际应用中，因为其计算开销较大。但它展示了未来可能出现的一种新工具：一个统一的视频生成模型，通过简单的“查询”就能完成深度估计、分割等多种任务。
- 值得关注的局限：目前 GenCeption 仅在特定视频生成模型上验证，其泛化能力尚不明确。此外，合成视频训练是否会导致对真实场景的偏差，也需要进一步研究。
独立判断：GenCeption 不是即用型解决方案，但它提供了一个重要的概念验证——视频生成模型可能比我们想象的更“智能”，而挖掘这种智能的方式才刚刚开始被探索。
