已收录文章摘要，完整内容可前往原文阅读。
让 AI 根据一张图片生成视频，已经不是什么新鲜事。但如果告诉 AI 当前的世界状态，再给它一个动作，它能不能真正推演之后会发生什么？比如，一辆自动驾驶汽车准备左转，它能否提前“想象”其他车辆的反应？