💡 站外导读：在AI从语言迈向视觉的进程中，视频模型如何像人一样进行逻辑推理和规划，一直是行业核心痛点。传统视频生成模型擅长模仿，但缺乏‘思考’能力，难以处理需要多步规划的复杂任务。DeepMind最新提出的CoF（帧链）技术，借鉴了语言模型中的链式思维，通过逐帧生成视频来实现视觉推理，为视频AI注入了真正的‘思考’能力，标志着视觉通用人工智能（VGAI）的重要探索。
CoF（Chain-of-Frames，帧链）是DeepMind推出的新概念，类比于语言模型中的“链式思维”（Chain-of-Thought，CoT）。CoF使视频模型能在时间和空间上进行推理，通过逐帧生成视频解决复杂的视觉任务。例如，Veo 3模型用CoF解决迷宫问题、完成对称性任务或进行简单的视觉类比推理，能力类似于语言模型通过符号推理解决问题，CoF是通过生成连贯的视频帧实现视觉推理，展示了视频模型在通用视觉理解方面的潜力。
视觉推理：通过逐帧生成视频，CoF能逐步解决问题，例如在迷宫中找到路径、完成对称性任务或进行视觉类比推理。
跨时空操作：对视频中的对象进行操作，例如移动、变形或改变对象的属性，同时保持视频的连贯性。
通用视觉理解：CoF帮助视频模型理解物理规则、抽象关系及视觉世界的动态变化，实现通用视觉任务的零样本学习。
生成连贯视频：CoF确保生成的视频在时间和空间上是连贯的，使模型能生成符合逻辑和物理规则的视频内容。
生成模型：CoF依赖大规模的生成模型，模型通过海量数据进行训练，学习视频的时空结构和动态变化。
提示驱动：通过自然语言提示（prompt）和初始图像，模型被引导生成符合任务要求的视频。提示帮助模型理解任务目标，初始图像提供视频的第一帧。
逐帧推理：模型逐帧生成视频，每一步都基于前一帧的状态和提示进行推理。逐帧生成的方式类似于语言模型中的链式思维（CoT）。
物理和逻辑约束：CoF生成的视频需要符合物理规则和逻辑一致性。例如，物体的运动需要符合物理定律，视频中的对象不能违反现实世界的约束。
优化和反馈：通过多次尝试和优化，模型能生成更准确的视频。例如，通过多次生成、选择最优结果，提高任务的成功率。
CoF的发布远不止一项新功能，它揭示了多模态AI演进的关键范式转移：推理能力正从语言域向视觉域迁徙。DeepMind巧妙地将已被验证的‘链式思维’（CoT）范式视频化、帧化，让视频模型从单纯的‘预测下一帧’升级为‘规划下一帧’。这解决了视觉AI的‘黑箱’难题，使其推理过程变得可观察、可调试。尽管目前仍处于概念验证阶段，但其展现的物理模拟与零样本学习能力，预示着未来在具身智能、自动驾驶模拟、乃至影视特效制作中的颠覆性应用。行业应密切关注这一路线，它可能比单纯的视频生成更具长期价值，是迈向通用视觉智能的务实一步。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。