盖世汽车讯 人工智能模型功能强大，可以胜任写作、图像生成和创建3D模型等诸多任务。但在测试机器人或车辆设计在各种环境下的性能时，它们的作用就显得有限了，因为它们对物理的理解远不如对像素或文本的理解。

为了构建一个能够可靠地模拟各种物理场景的人工智能系统，工程师需要规模庞大的物理数据，而这在目前尚不可行。这是因为即使生成神经网络能够理解的少量数据点也非常耗时。神经网络依赖于被称为“数值求解器”的算法来计算3D形状不同点的物理属性。这是一个非常复杂的过程，但耗时过长，限制了可用于测试飞机设计是否安全且符合空气动力学原理的数据量。

图片来源：arXiv (2026). DOI: 10.48550/arxiv.2602.20399

据外媒报道，由麻省理工学院（MIT）计算机科学与人工智能实验室 (CSAIL) 和清华大学的研究人员开发的一种名为“GeoPT”的新型预训练方法，使仿真模型能够以更广泛、更高效的方式学习物理原理。它以三维形式虚拟地重现日常机械相互作用，展示粒子在接触物体时如何停止运动。这些模拟使模型能够理解物理定律，从而更精确地模拟现实世界，达到峰值性能的速度提高一倍，并且与现有模型相比，训练所需的数据量最多可减少60%。

不久的将来，该项目有望帮助工程师预测车辆（如汽车和飞机）、日常用品（包括椅子和容器）以及机器人如何响应各种物理因素，例如风、水和碰撞。研究人员认为，他们的工作也可能成为构建物理基础模型的重要一步，这种基础模型是一个基于大量数据训练的骨干系统，可以帮助人工智能工具泛化到不同的任务中。

“我们认为，继文本和像素之后，物理学是人工智能模型的第三种模态，”麻省理工学院博士生、计算机科学与人工智能实验室（CSAIL）研究员Minghao Guo说道。“我们的通用模型具有构建物理世界模型的灵活性。许多模型，例如那些生成机器人数据和视频的模型，已经非常擅长处理文本和视觉数据，但如果能够获得物理精度，它们就能获得更真实的结果。”

易于使用

使用GeoPT，用户只需上传战舰、客机和卡车等物体的3D模型，并指定要模拟的力的方向和速度即可。结果会生成一种热图，显示物体在不同位置受到的影响。如果您知道要模拟的力的速度和方向（速度），就可以在GeoPT中捕捉到它。这在您想要模拟诸如汽车撞墙后的样子、光线在物体周围反射的方式以及船只在湍流中是否能保持漂浮等情况时非常有用。

但GeoPT是如何如此精准地“掌握”物理原理的呢？它的知识来源于“合成动力学”，即小粒子与复杂3D形状之间的一系列相互作用。GeoPT研究了130万个合成动力学样本，其中微小的球体以不同的速度和角度运动，直到停在物体上的某个特定点。

这些粒子一旦接触物体，就会“粘附”在物体上，而不是穿过物体或弹开。想象一下，用弹珠和玩偶来学习物理相互作用——类似地，模拟模型可以使用合成动力学来感受物理，然后再用标记数据进行训练。

行业成功案例

研究人员发现，GeoPT在模拟工业场景方面表现尤为出色，其各项基准测试结果均优于目前最先进的仿真模型。共同点在于：它比其他工具更快达到峰值性能，同时所需的标注数据量也显著减少。

例如，在一个包含复杂三维形状及其对风流和表面压力响应的数据集上，GeoPT在速度、精度和效率方面均超越了现有最先进的模型。在模拟战斗机对风的响应时，GeoPT的速度和精度表现同样出色。当GeoPT测试船体如何应对空气和波浪时，它仅需比现有模型少60%的标注数据即可捕捉到物理力，并且达到峰值精度的速度是现有最佳模型的四倍。

该系统甚至成功模拟了不同类型汽车与其他物体碰撞后的变形情况。它能够准确预测三维车辆的变形方式，且所需数据量少于目前最先进的基准模型。同样，尽管事先从未对该三维模型或光物理进行过训练，但它对光线穿过一个玩具兔子的模拟结果也十分准确。

“如果你的模型在工业基准测试中表现良好，那就意味着它能够解决最棘手的物理难题，”论文共同第一作者、CSAIL研究员Haixu Wu表示，“GeoPT能够在几秒钟内完成超过1亿个网格点的高保真模拟。这使得该工具对于希望测试车辆蓝图而无需进行大量物理实验的工程师来说极其有用。”

研究人员补充说，他们的系统只是他们一直致力于构建的物理世界模型的一个预览版。该团队希望扩大系统规模，训练更多形状并模拟更复杂的物理现象。例如，更深入的方法可以帮助模拟天气模式、测试不同材料并生成逼真的视频。

“使用合成动力学数据是将物理学融入基础模型的一种令人兴奋的范式，”Meta公司的人工智能研究科学家Fei Sha表示，“它挑战了物理学和几何学在计算中必然纠缠在一起，并且必须获取昂贵且专门数据的传统观念。在广泛的应用领域取得的成功使我们来到了这个重要的节点：我们现在就可以快速构建物理基础模型。”