因为ai并不理解三维，像素到边界、轮廓，到特征构件，一级一级到整体。训练就是猜哪样布置像素，能够一级一级成型到整体。手正面张开特征明显，侧面观察加上光影就复杂模糊了。如果不知道三维，不从结构出发，照猫画虎，就是现在的结果。视频更加是，只是像素累积到整体，再加了动态纬度。既不理解三维，也不理解物理逻辑，只是素材是那样的像素转换，显得好像“真”。