Der YouTube-Kanal Two Minute Papers, bekannt für kompakte Aufbereitung wissenschaftlicher KI-Forschung, widmet sich in dieser Episode den strukturellen Schwächen aktueller KI-Videogeneratoren. Im Mittelpunkt stehen die Mechanismen, die dafür sorgen, dass synthetisch erzeugte Videos für menschliche Betrachter intuitiv „falsch" wirken – selbst wenn sie auf den ersten Blick beeindruckend aussehen. Zu den häufig diskutierten Problemen zählen temporale Inkohärenz (Objekte, die zwischen Frames ihre Form oder Position sprunghaft ändern), Physikverstöße (fallendes Wasser, das sich unnatürlich verhält, Haare oder Stoff ohne korrekte Trägheit) sowie Inkonsistenzen bei Beleuchtung und Schatten. Aktuelle Videogenerierungsmodelle wie Sora (OpenAI), Kling oder Runway Gen-3 haben in diesen Bereichen zwar deutliche Fortschritte erzielt, kämpfen aber weiterhin mit sogenannten „world model"-Lücken: Die Modelle lernen statistische Muster aus Trainingsdaten, ohne ein echtes physikalisches Weltverständnis zu entwickeln. Das führt dazu, dass Szenen lokal plausibel, aber global inkonsistent wirken. Two Minute Papers ordnet das Thema in den breiteren Kontext der Videoforschung ein und zeigt auf, welche technischen Ansätze – etwa explizite 3D-Repräsentationen oder physikbasierte Verlustfunktionen – als mögliche Lösungswege diskutiert werden.