当你看到一个AI生成的视频，画面中一个人正在递给另一个人一杯咖啡，你可能会觉得这很自然。但如果仔细观察，你会发现很多问题：咖啡杯可能突然消失了，递咖啡的人变成了两个人，或者咖啡杯莫名其妙地漂浮在空中。这些看似简单的交互场景，对AI来说却是极大的挑战。
来自韩国科学技术院（KAIST）AI实验室的研究团队，包括Siyoon Jin、Seongchan Kim、Dahyun Chung、Jaeho Lee、Hyunwook Choi、Jisu Nam、Jiyoung Kim和Seungryong Kim，在2025年10月发表了一项突破性研究。这项名为"MATRIX: Mask Track Alignment for Interaction-aware Video Generation"的研究，首次系统性地解决了AI视频生成中的交互理解问题。有兴趣深入了解的读者可以通过arXiv:2510.07310
