2025年9月，谷歌DeepMind公开了Veo 3视频模型的论文，这事一出来就炸了两个点：一是这模型号称有“零样本能力”，能像GPT-3那样没专门训练就干活；二是论文里8个作者，没一个来自美国，连本科在美国读的都没有。

更有意思的是，它还懂物理规律，知道木头能烧、羽毛扔水里会飘、皮球掉地上会弹，这就不只是“看画面”了，是在“理解”画面里的世界。

本来想觉得这能力也就那样，毕竟现在AI功能越来越多，但后来发现它还能“操控”视觉内容。

比如修图，要在图里加个花瓶，它不光能加上，还能保住周围的光影细节，不会显得很假；甚至让它把图里的动物都挑出来排成一排，它也能数对数量，正确率比上一代Veo 2高太多。

他说这篇论文只是“评估”Veo 3模型，不是“开发”Veo 3，模型是Veo和Gemini团队早就做好的，他们团队只是测测这模型能干啥。

这跟OpenAI当年做GPT-3不一样，GPT-3的作者是真的从头到尾把模型训练出来的，两者的贡献根本不是一个量级。

如此看来，说“美国科研不行”纯属想多了，而且这活是在DeepMind多伦多办公室做的，加拿大作者多也正常，近水楼台先得月嘛。

有意思的是，这位第一作者还在清华大学待过一年，做研究实习；论文里还有位第二作者Yuxuan Li，是咱国内的；还有个华裔加拿大人Shixiang Shane Gu。

这也能看出来，现在AI科研早不是哪一国的事了，到处都是人才流动。

其实现在的AI研究分工越来越细了，有人专门做模型开发，比如训练Veo 3的团队；有人专门做能力评估，比如写这篇论文的团队。

不是美国没能力做，是这次的活刚好落在了多伦多的评估团队手里，而这个团队的人刚好不是美国人。

更何况美国在芯片、基础算法理论上还是领先的，只是视频模型这种应用层研究，现在各处都有优势，加拿大靠多模态数据多，德国在物理建模上强，中国也有不少人在视频推理上发力，全球人才分布越来越均衡了。

总的来说，这篇Veo 3论文最有价值的，不是作者来自哪，而是它证明视频模型快到“GPT-3时刻”了。

就像当年GPT-3让NLP从“一个任务一个模型”变成“一个模型搞定所有”，现在Veo 3也在让视觉领域往“通用基础模型”走。

以后可能就不用再为分割、修图、检测分别装不同的AI工具了，一个通用视觉模型就能搞定。

至于作者国籍的争议，说实话有点没必要，现在科研早就是全球协作了，谁能做出好技术、解决实际问题才重要。

以后咱们普通人可能会更直接地感受到好处，比如修图不用学复杂技巧，AI看提示就会；或者想做个短视频，AI能自动生成符合逻辑的画面，这比纠结“谁写了论文”有意思多了，你说对吧？