研究人员对谷歌最新视频生成人工智能模型veo-3进行了测试，使用真实手术录像作为评估素材。结果显示，该模型虽能生成高度逼真的视觉内容，但在医学操作流程的理解上存在根本性缺失。
研究中，研究人员仅输入单张手术图像，要求Veo-3预测此后8秒内的手术进展。为系统评估其性能，一个国际研究团队构建了名为SurgVeo的专用评测基准，涵盖50段真实的腹腔与脑部手术视频。评估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、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）。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Veo-3生成的视频初看极具迷惑性，部分外科医生评价其画质“令人震惊地清晰”。然而深入分析后，其内容逻辑漏洞频出。在腹腔手术测试中，模型在第1秒的视觉合理性能达3.72分，但医学准确性相关指标则显著下滑：
- 器械操作：仅1.78分
- 组织反应：仅1.64分
- 最核心的手术逻辑性：低至1.61分
这表明，该模型虽可复现高保真影像表征，却无法还原真实手术室中必需的操作顺序、解剖约束与因果关联。
在神经外科这类对精度要求极高的场景中，Veo-3表现更为逊色。自第1秒起，即难以模拟神经外科所需的微米级操作精度。
- 器械使用得分降至2.77分（腹腔手术为3.36分）
- 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“创造”现实中不存在的手术器械、虚构违背生理规律的组织形变、执行临床毫无依据的操作步骤。而与图像质量相关的错误占比极低：腹腔手术仅6.2%，脑部手术更仅有2.8%。
使用约定式提交（Conventional Commits）从 Git 历史记录中生成结构化变更日志，支持多种格式、AI 增强型描述以及可自定义的范围……
研究人员尝试向模型注入更多上下文信息，如手术类型、当前操作阶段等，但效果未见显著或稳定提升。团队指出，问题症结并非输入信息不足，而是模型本身缺乏对医学知识的内在理解与因果推理能力。
SurgVeo研究清晰揭示：当前视频生成AI距真正具备医学理解能力仍有巨大鸿沟。尽管未来此类系统有望应用于医生培训、术前模拟乃至术中辅助，但现有模型远未达到临床安全应用的基本门槛。它们擅长制造“以假乱真”的视听幻象，却严重欠缺支撑正确临床判断的知识根基。
研究团队计划将SurgVeo基准数据集开源至GitHub，以推动全球学界协同提升AI在医学领域的认知与推理能力。该研究亦发出明确警示：将此类AI生成视频直接用于医学教育存在重大风险。不同于英伟达利用AI视频训练通用任务机器人，在医疗场景中，这种“幻觉”可能引发严重后果——若Veo-3类系统输出看似合理、实则违反医学规范的操作视频，或将误导手术机器人执行错误路径，或导致医学生习得危险技术。
此外，结果还显示：当前将视频生成模型视作“世界模型”的设想仍明显超前。现有系统仅能捕捉表观运动模式与形态变化，尚无法可靠建模解剖结构、生物力学响应及手术中的因果链条。其输出虽具表面说服力，实则无法映射手术背后真实的生理机制与操作逻辑。
