研究人员利用真实手术录像对谷歌最新的生成手术视频视频生成人工智能模型 Veo-3 进行测试，结果显示，却无尽管该模型能够生成高度逼真的真实视觉画面，但在医学操作流程的医学理解上仍存在显著不足。

研究中，理解研究人员仅输入一张手术图像，生成手术视频要求 Veo-3 预测后续 8 秒内的却无手术进展。为全面评估其性能，真实一支国际研究团队构建了名为 SurgVeo 的医学专用评测基准，包含 50 段真实腹腔与脑部手术视频。理解评估由四位资深外科医生独立完成，生成手术视频从视觉真实性、却无器械使用合理性、真实组织反馈表现以及操作医学逻辑性四个维度对 AI 生成的医学视频进行打分（满分 5 分）。

Veo-3 生成的理解视频初看几乎以假乱真，有外科医生评价其画质“令人震惊地清晰”。然而深入观察后，其内容逻辑迅速显露出问题：在腹腔手术测试中，模型在1秒时的视觉合理性尚能维持3.72分；一旦涉及医学准确性，分数便急剧下降——器械操作仅得1.78分，组织反应为1.64分，而最核心的手术逻辑性评分更是低至1.61分。尽管模型能生成高度逼真的影像画面，却难以还原真实手术中应有的操作顺序与因果关联。

在对精细度要求极高的神经外科场景中，Veo-3 的表现明显不如其他领域。自第 1 秒起，其就难以胜任所需的精准操作：器械使用得分仅为 2.77 分（腹腔手术为 3.36 分），而到第 8 秒时，手术逻辑性评分更是下滑至 1.13 分。

研究团队进一步对错误类型进行归类分析发现：超过93%的错误源于医学逻辑问题——例如虚构并不存在的手术器械、编造违背生理规律的组织反应，或执行在临床上毫无意义的操作；而仅有极低比例的错误与图像质量相关（腹腔手术为6.2%，脑部手术为2.8%）。

研究人员尝试向模型提供更丰富的上下文线索（例如手术类型、具体操作阶段等），但效果并未显示出明显或持续的提升。团队强调，问题的关键并不在于信息不足，而是模型本身欠缺对医学知识的理解与推理能力。

SurgVeo 研究明确指出：当前视频生成 AI 与真正的医学理解之间仍存在巨大差距。尽管未来系统或可用于医生培训、术前规划甚至术中引导，但现有模型距离实现安全可靠的应用仍遥不可及 —— 它们能够生成“以假乱真”的影像，却缺乏支撑正确临床决策的深层知识体系。

研究团队计划将 SurgVeo 基准数据集公开发布于 GitHub，旨在促进学术界携手增强模型的医学理解能力。

该研究同时提出警告：将此类 AI 生成的视频用于医学培训潜藏巨大风险。不同于英伟达利用 AI 视频训练通用任务机器人的做法，在医疗场景中，这类“幻觉”可能导致严重后果——若 Veo-3 类系统输出看似合理却违背医学规范的操作示范，可能误导手术机器人执行错误动作，或使医学生习得不正确的技术手法。

结果还表明，如今将视频模型视为“世界模型”（world models）的设想仍显得过于超前。当前系统仅能模拟外观上的运动与形态变化，却难以准确理解解剖结构、生物力学以及手术过程中的因果关系。尽管生成的视频在表象上颇具说服力，但实际上并未触及手术背后真实的生理机制与操作逻辑。