视频不是物理世界 ——从表象、叙事与本体论论证AI数据的认识论性质(二)

在多模态AI的研究与讨论中，一种广泛存在的直觉认为：视频数据比语言数据更为客观、更贴近物理现实，因而向AI提供视频意味着让它「感知」物理世界，而非仅仅接收关于世界的描述。本文从三个相互独立又彼此支撑的方向对这一直觉提出系统批判。第一，认识论论证：任何感知形式都是中介性表象，不存在直接访问物理世界的通道；将「更贴近世界的表象」混同于「物理世界本身」，是一种程度差异被误认为种类差异的概念滑动。第二，叙事论证：视频并非中立记录，机位的选取即确立了叙事立场；AI所接触的任何数据语料库，无论语言还是视频，都是经由人类选择与文化过滤形成的叙事集合，而非世界的随机采样。第三，本体论论证：物理世界在经典力学框架内具有自足的内在确定性；视频不具备这种自足性，由此，视频中真正可提取的只是宏观模式，即前描述的语言。本文还通过一组极端案例深化这一论证，分析从静态室内的几何封闭性到拉普拉斯妖的理论极限，并揭示AI实际视频预测的语义本质及其被输出形式所遮蔽的机制。关键论点是：AI的视频预测所依赖的「因果关系」——如转向灯与拐弯之间的关联——是语义应然或统计倾向，而非物理定律所保证的本体论因果性。进而，本文论证这并非AI或视频的特殊问题：日常语言中一切宏观层面的因果表述，本质上也都是这种性质——对应然的期望，或统计规律中的多数情形，而非从微观物理状态推导出的必然性。这一普遍性反过来进一步确认了视频与语言的等价：两者在因果描述这一维度上运作于同一层次，都无法触及本体论因果性。三重论证共同指向同一结论：多模态数据的价值在于丰富叙事的种类与约束，而非突破表象与现实之间的本质界限。