人工智能模型擅长多种任务，包括写作、图像生成和三维模型创建。然而，在针对机器人测试或车辆设计的多样化环境仿真方面，AI的表现却远不如处理像素或文本时那般出色——根本原因在于它们对物理规律的理解还很有限。
要构建一个能够可靠模拟各类物理场景的AI系统，工程师需要大规模的物理数据，而这在目前还难以实现。问题的核心在于：让神经网络获取哪怕少量可用的数据点，过程也极为耗时。这些网络依赖一种名为"数值求解器"的算法，在三维形状的不同位置计算物理属性。这一流程虽然严谨，但耗时之长严重制约了可用数据的规模——比如，测试飞机设计是否安全、是否具备良好气动性能所需的数据量，往往难以满足。
麻省理工学院计算机科学与人工智能实验室（CSAIL）与清华大学的研究人员联合提出了一种名为"GeoPT"的全新预训练方法，为仿真模型以更广泛、更高效的方式学习物理知识提供了可能。GeoPT在三维空间中虚拟还原了日常机械交互过程，展示了粒子在与物体某部分接触后停止运动的动态过程。这些仿真赋予了模型对物理规律的直觉感知，从而帮助其更精准地建模真实世界，与同类领先模型相比，达到峰值性能的速度快出一倍，所需训练数据也减少了多达60%。
未来，这一技术有望帮助工程师预测车辆（如汽车和飞机）、日常物品（包括椅子和容器）以及机器人在风力、水流、碰撞等各类物理条件下的响应表现。研究人员认为，这项工作还可能推动物理基础模型的发展——这类以海量数据训练的骨干系统，有助于AI工具泛化应用于不同任务。
麻省理工学院博士生、CSAIL研究员、论文共同第一作者郭明昊表示："我们认为，物理是继文本和像素之后，AI模型的第三种模态。我们的通用模型具备足够的灵活性，可以助力构建面向物理的世界模型。许多模型，例如生成机器人数据和视频的模型，已经对文本和视觉数据驾轻就熟，但如果引入物理精确性，它们将获得更逼真的结果。"
操作简便
使用GeoPT时，用户只需上传战舰、客机、卡车等物体的三维模型，并指定所要模拟的力的方向和速度，系统便会生成一张热力图，显示该物体在不同位置所受到的影响。只要确定了力的速度和方向，就可以在GeoPT中加以模拟。这在以下场景中尤为实用：模拟汽车撞墙后的变形状态、分析光线在物体周围的反射路径，以及判断船只能否在汹涌波涛中保持稳定。
那么，GeoPT是如何深度"理解"物理规律的？其知识来源于"合成动力学"——即微小粒子与复杂三维形状之间的一系列交互过程。GeoPT共学习了130万组合成动力学样本，在这些样本中，微型球体以不同速度和角度运动，最终停留在物体表面的某一点。
这些粒子一旦与物体接触便会"附着"其上，而非穿透或弹开。可以想象用弹珠和玩具人偶来学习物理交互——类似地，仿真模型可以借助合成动力学，在接受标注数据训练之前，先建立对物理规律的初步感知。
工业场景的成功实践
研究人员发现，GeoPT在模拟工业场景方面表现尤为突出，在多项基准测试中超越了当前最先进的仿真模型，共同优势在于：以比其他工具更快的速度达到峰值性能，同时对标注数据的需求大幅减少。
例如，在一个涵盖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、精度和效率方面全面超越了最先进模型。在捕捉战斗机对风的响应方面，它同样在速度和精度上取得了类似的优异表现。当GeoPT测试船体同时承受空气和波浪作用时，仅需60%更少的标注数据便能捕捉两种物理力，达到峰值精度的速度也比顶级基准模型快了四倍。
该系统甚至成功模拟了不同类型汽车在碰撞后的变形效果。它在使用比最先进基准更少数据的前提下，正确预测了三维车辆的形变。此外，它对光线穿过一个玩具兔子模型时的传播方式进行的仿真同样准确，尽管此前从未针对该三维模型或光学物理进行过训练。
共同第一作者、麻省理工学院博士后及CSAIL研究员吴海旭表示："如果一个模型在工业基准上表现出色，就意味着它能够解决最复杂的物理任务。GeoPT能够在数秒内生成超过1亿个网格点的高保真仿真结果。这将使其成为工程师测试车辆设计方案时极为有力的工具，大幅减少对物理实验的依赖。"
研究人员还指出，目前的系统只是他们所追求的物理世界模型的一个预览版本。团队计划进一步扩大系统规模，训练更多形状、模拟更复杂的物理现象。例如，更深层次的方案有望帮助建模天气模式、测试不同材料特性，并生成更逼真的视频内容。
未参与该研究的Meta AI研究科学家沙飞表示："使用合成动力学数据将物理知识融入基础模型，是一种令人振奋的新范式。它挑战了'物理与几何在计算中必然相互纠缠、必须获取高成本专业数据'的传统观念。在广泛应用领域中取得的成功，将我们带到了一个重要的历史节点：现在正是快速构建物理基础模型的时机。"
本文作者吴海旭与郭明昊，与麻省理工学院CSAIL的同事共同撰写了这篇论文，团队成员包括：实验室博士后李宗义、CSAIL附属成员及麻省理工学院电气工程与计算机科学系（EECS）博士生窦志阳（Frank）、实验室首席研究员、EECS副教授及谷歌DeepMind杰出科学家何恺明，以及通讯作者、EECS琼与欧文·雅各布斯（1957届）讲席教授、CSAIL首席研究员Wojciech Matusik。清华大学副教授龙明盛也是论文的共同作者之一。研究团队于今年7月在国际机器学习大会（ICML）上发表了这项成果。
该研究部分由"面向机器人的神经模块化物理孪生"项目资助。
Q&A
Q1：GeoPT是什么？它能解决哪些问题？
A：GeoPT是由麻省理工学院CSAIL与清华大学联合开发的一种全新预训练方法，旨在帮助AI仿真模型更高效地学习物理规律。它通过让模型学习130万组"合成动力学"样本，建立对物理交互的直觉感知，从而更精准地模拟车辆、机器人和日常物品在风力、水流、碰撞等条件下的真实响应，同时将训练数据需求减少最多60%，达到峰值性能的速度提升一倍。
Q2：GeoPT在实际工业测试中表现如何？
A：GeoPT在多项工业基准测试中均超越了当前最先进的仿真模型。例如，在模拟战斗机对风的响应时，它在速度和精度上均表现出色；在测试船体同时承受空气和波浪时，达到峰值精度的速度比顶级基准模型快四倍，且所需标注数据减少60%。此外，它还能在数秒内生成超过1亿个网格点的高保真仿真结果。
Q3：GeoPT的"合成动力学"是如何让模型学会物理规律的？
A：合成动力学是指让大量微型球体以不同速度和角度运动，并在接触三维物体后"附着"其上的一系列模拟交互过程。GeoPT通过学习130万组这样的样本，建立起对物体边界和物理交互的基本感知，类似于用弹珠和玩具来直观学习物理，从而在正式接受标注数据训练前，就已掌握了物理规律的基础知识。
