人工智慧模型擅長文字寫作、圖像生成和三維建模，但在模擬機器人測試或車輛在各類環境中的表現時卻力不從心，根本原因在於這些模型對物理規律的理解遠不如對像素和文字的理解深刻。
要構建一個能可靠模擬各類物理場景的AI系統，工程師需要海量的物理數據，而這在當前階段尚不現實。神經網路獲取少量可用數據點本身就耗時極長——它依賴一種名為"數值求解器"的算法來計算三維形狀不同位置的物理屬性。這一過程雖然嚴謹，卻速度極慢，導致可用於測試飛機設計是否安全、是否符合空氣動力學要求的數據量嚴重受限。
麻省理工學院電腦科學與人工智慧實驗室（CSAIL）與清華大學的研究人員聯合開發了一種名為"GeoPT
"的新型預訓練方法，為仿真模型提供了一條更廣泛、更高效地學習物理知識的路徑。GeoPT在三維空間中虛擬還原日常的力學交互過程，展示粒子在接觸物體某部分後如何停止運動。這些模擬讓模型建立起對物理規律的直覺感知，從而更準確地對真實世界進行建模——與主流模型相比，GeoPT達到峰值性能的速度快一倍，所需訓練數據最多可減少60%。
未來，GeoPT有望幫助工程師預測車輛（如汽車和飛機）、日常物品（如椅子和容器）以及機器人在風、水、碰撞等各類物理因素下的響應表現。研究人員認為，這項工作也可能成為邁向物理基礎模型的重要一步——所謂物理基礎模型，是指一種基於大量數據訓練的核心系統，能夠輔助AI工具泛化到不同任務。
"我們認為物理是繼文字和像素之後，AI模型的第三種模態，"麻省理工學院博士生、CSAIL研究員、論文共同第一作者郭明昊表示，"我們的通用模型具備足夠的通用性，有助於構建面向物理的世界模型。許多生成機器人數據和影片的模型已經深諳文本與視覺數據，但引入物理準確性後，它們將能獲得更真實的結果。"
易於使用
使用GeoPT時，用戶只需上傳戰艦、客機、卡車等物體的三維模型，並指定希望模擬的力的方向和速度。系統隨即生成一張熱力圖，直觀展示該物體各部位將受到怎樣的影響。只要知道所模擬力的速度和方向（即速度向量），就可以在GeoPT中加以呈現。這在模擬汽車撞牆後的形變、光線在物體周圍的反射方式、船隻在波濤洶湧中能否保持浮力等場景時極為實用。
GeoPT之所以能如此深刻地"理解"物理，秘訣在於"合成動力學"——即微小粒子與複雜三維形狀之間發生的一系列交互。GeoPT研究了130萬組合成動力學樣本，其中微小球體以不同速度和角度運動，直至停留在物體表面某一點上。
這些粒子一旦與物體接觸便會"附著"其上，而非穿透或彈開。可以想像用彈珠和玩具人偶來學習物理交互——仿真模型同樣可以藉助合成動力學，在接觸標註數據之前就建立起對物理規律的直覺認知。
工業應用成效顯著
研究人員發現，GeoPT在模擬工業場景方面表現尤為突出，在多項基準測試中均超越了現有最先進的仿真模型。共同之處在於：它比其他工具更快達到峰值性能，同時所需的標註數據量明顯更少。
例如，在一個包含複雜三維形狀及其對風流和表面壓力響應數據的數據集上，GeoPT在速度、精度和效率三項指標上均超越了最先進模型。在捕捉戰鬥機對風的響應方面，它同樣在速度和精度上表現優異。當GeoPT測試船體如何應對空氣和波浪時，所需標註數據減少了60%，同時達到峰值精度的速度比頂尖基線模型快四倍。
該系統甚至成功模擬了不同類型汽車與其他物體碰撞後的形變效果——GeoPT正確預測出三維車輛的變形情況，且所用數據少於最先進基線模型。此外，它對光線穿過一個兔子玩具模型的模擬也相當準確，儘管事先從未訓練過該三維模型或光物理相關數據。
"如果你的模型在工業基準上表現優異，就意味著它能解決最難的物理任務，"共同第一作者、麻省理工學院博士後及CSAIL研究員吳海旭表示，"GeoPT能在數秒內對超過1億個網格點進行高保真仿真。這將使該工具對希望在不進行大量實物實驗的情況下測試車輛藍圖的工程師極具價值。"
研究人員表示，他們的系統只是其所追求的物理世界模型的一個預覽版本。團隊希望進一步擴展系統規模，在更多形狀上進行訓練，並模擬更複雜的物理現象。例如，更深入的研究方向可能有助於建模天氣模式、測試不同材料特性，以及生成更真實的影片。
"利用合成動力學數據將物理知識融入基礎模型，是一種令人振奮的新範式，"未參與該研究的Meta AI研究科學家沙飛表示，"它挑戰了物理與幾何在計算中必然相互糾纏、且必須依賴昂貴專業數據的傳統觀念。在眾多應用領域取得的成功，將我們帶到了一個重要節點：我們已經準備好構建物理基礎模型，現在就可以，而且要快。"
本文的共同作者還包括麻省理工學院CSAIL的同事：實驗室博士後李宗義；CSAIL附屬成員、麻省理工學院電氣工程與電腦科學（EECS）方向博士生竇志洋（Frank）；實驗室首席研究員、EECS副教授、谷歌DeepMind傑出科學家何愷明；以及通訊作者、EECS傑出教授、CSAIL首席研究員Wojciech Matusik。清華大學副教授龍明盛也是共同作者之一。該論文於7月在國際機器學習大會（ICML）上正式發表。
本研究得到了"機器人神經模組物理孿生"項目的部分支持。
Q&A
Q1：GeoPT是什麼？它能解決哪些問題？
A：GeoPT是由麻省理工學院CSAIL與清華大學聯合開發的物理預訓練方法。它通過讓AI模型學習粒子與三維物體的交互過程，幫助模型理解物理規律，從而更準確地模擬風力、水流、碰撞等真實物理場景。與現有最先進模型相比，GeoPT達到峰值性能的速度快一倍，訓練所需標註數據最多可減少60%。
Q2：GeoPT的"合成動力學"是怎麼工作的？
A：合成動力學是GeoPT學習物理知識的核心機制。研究人員讓微小球體以不同速度和角度向複雜三維形狀運動，球體一旦接觸物體表面就會"附著"停止，而非穿透或彈開。GeoPT共學習了130萬組這樣的樣本。這一過程類似於用彈珠和玩具來感受物理交互，讓模型在接觸真實標註數據之前就建立起對物理規律的基本認知。
Q3：GeoPT目前在哪些場景中表現最好？
A：GeoPT在工業仿真場景中表現尤為突出。測試顯示，它在模擬飛機受風力影響、船體應對空氣與波浪、汽車碰撞形變以及光線傳播等任務上均超越了現有最先進模型，且所需數據更少、速度更快。其中船體仿真任務中，達到峰值精度的速度比基線模型快四倍，標註數據需求減少了60%。
