IT之家 11 月 9 日消息，研究人员用真实的手术录像对谷歌最新视频生成人工智能模型 Veo-3 进行了测试，结果发现该模型虽能生成高度逼真的视觉内容，却严重缺乏对医学操作流程的实质性理解。

研究中，研究人员仅提供单张手术图像作为输入，要求 Veo-3 预测接下来 8 秒内的手术进展。为系统评估其表现，一支国际研究团队构建了名为 SurgVeo 的专用评测基准，涵盖 50 段真实腹腔与脑部手术视频。评估环节由四位经验丰富的外科医生独立完成，从视觉真实性、器械使用合理性、组织反馈表现及操作医学逻辑性四个维度对 AI 生成视频进行打分（满分 5 分）。

Veo-3 生成的视频初看极具欺骗性，部分外科医生甚至评价其画质“令人震惊地清晰”。然而深入分析后，其内容逻辑迅速崩塌：在腹腔手术测试中，模型在 1 秒时的视觉合理性尚达 3.72 分；但一旦涉及医学准确性，得分便大幅下滑 —— 器械操作仅 1.78 分、组织反应仅 1.64 分，而最核心的手术逻辑性评分最低，仅为 1.61 分。模型虽能生成高度拟真的影像，却无法再现真实手术室中应有的操作流程与因果关系。

IT之家注意到，在对精细度要求极高的神经外科场景中，Veo-3 表现更为逊色。自第 1 秒起，其即难以把握神经外科所需的精准操作：器械使用得分降至 2.77 分（腹腔手术为 3.36 分），而 8 秒后的手术逻辑性评分更是跌至 1.13 分。

研究团队进一步归类错误类型发现：超 93% 的错误源于医学逻辑层面 —— 例如凭空“发明”不存在的手术器械、虚构违反生理规律的组织反应，或执行在临床上毫无意义的操作；而仅极小比例的错误（腹腔手术 6.2%、脑部手术 2.8%）与图像质量相关。

研究人员尝试为模型提供更多上下文线索（如手术类型、具体操作阶段等），但结果未呈现显著或稳定的改善。团队指出，问题核心并非信息缺失，而在于模型根本缺乏对医学知识的理解与推理能力。

SurgVeo 研究清晰表明：当前视频生成 AI 距离真正的医学理解仍有巨大鸿沟。尽管未来系统或有望用于医生培训、术前规划乃至术中引导，但现有模型远未达到安全、可靠的应用门槛 —— 它们可生成“以假乱真”的影像，却缺乏支撑正确临床决策的知识基础。

研究团队计划将 SurgVeo 基准数据集开源至 GitHub，以推动学界共同提升模型医学理解能力。

该研究亦警示：将此类 AI 生成视频用于医学培训存在重大隐患。与英伟达利用 AI 视频训练通用任务机器人不同，在医疗领域，此类“幻觉”可能带来严重后果 —— 若 Veo-3 类系统生成看似合理实则违反医学规范的操作视频，或将误导手术机器人或医学生习得错误技术。

结果还表明，当前将视频模型视为“世界模型”（world models）的设想仍过于超前。现有系统仅能模仿表观运动与形态变化，却无法可靠掌握解剖结构、生物力学及手术中的因果逻辑。其输出视频虽具表面说服力，实则无法捕捉手术背后真实的生理机制与操作逻辑。