AI 會寫詩、會畫圖、會做 3D 模型，這已經不新鮮了。但當你把一台虛擬的卡車丟進虛擬的風洞裡，或是把一艘軍艦放到虛擬的海面上讓浪打，現有的 AI 模型多半還是會當機——不是算不出來，就是算得太慢、太吃資源。問題出在哪？AI 沒有「物理直覺」。
它看過幾百萬張貓的圖片，知道貓長什麼樣子，但它不懂貓跳起來之後為什麼會落地。這個鴻溝，正是麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）與中國清華大學團隊試圖填補的。他們提出的新預訓練方法「GeoPT」，想讓 AI 在開始學習標註資料之前，就先搞懂這個世界是怎麼動的。
現象觀察：為什麼模擬物理這麼難？
傳統的物理模擬，本質上是在解大量的微分方程。一個車體模型隨便就是幾百萬個網格點，每個點都要算壓力、速度、形變，超級電腦也得跑上好一陣子。工程師如果想微調設計，就得重新跑一次，時間成本高得嚇人。
用 AI 來模擬，聽起來是捷徑，但實際上只是把問題從「算不出來」變成「學不會」。因為真實世界的物理現象太連續、太複雜，AI 模型如果缺乏對物理規律的基本認知，就必須靠海量的標註資料來硬學——而標註 3D 物理模擬的資料，比標註一張圖貴上幾十倍甚至上百倍。
這就陷入了一個死胡同：想要 AI 幫你省時間，你得先花更多時間和錢去準備資料。說真的，這筆帳怎麼算都不太對。
MIT 博士生兼共同第一作者郭明昊用一個很有意思的角度切入：他把物理視為繼文字與像素之後的「第三種 AI 模態」。這個比喻其實點出了一個關鍵——如果 AI 只會處理語言和影像，卻不懂物體怎麼運動、受力、變形，那它在現實世界的應用價值就是打折的。GeoPT 的嘗試，某種程度上就是在補這堂「物理常識課」。
原因剖析：GeoPT 的「合成動態」訓練機制
研究團隊的做法，說穿了其實是很古典的「先打底」策略。他們先讓模型用130 萬筆虛擬樣本進行預訓練。這些樣本模擬的是什麼？是「小球以不同速度與角度接觸複雜 3D 結構後停止」的過程。
聽起來很單純，但這個設計背後的邏輯非常聰明。它讓模型在「看到」任何真實標註資料之前，就先學會了粒子與實體結構互動的基本物理規律——也就是所謂的「物理直覺」。就像一個籃球選手在真正上場比賽之前，先做了幾百次基本運球練習，讓身體記住球感一樣。
這套方法被他們稱為「合成動態」（Synthetic Dynamics）訓練機制。模型學到的是物理的「語法」，而不是死背「單字」。一旦掌握了這個語法，後續再給它少量的標註資料，它就能舉一反三，快速適應各種不同的物理情境。
從產業面來看，這個技術的戰略意義在於它大幅降低了 AI 物理模擬的「入場門檻」。過去想做高精度的 AI 物理模擬，光資料準備就可能燒掉幾百萬的預算，這還不算運算成本。GeoPT 把標註資料需求壓縮了六成，等於讓更多中小型企業或研究機構有機會跨進這個領域。不過，話說回來，目前它還是一個預訓練模型，要真正落地到產品設計流程，中間還有一段工程化的路要走。
影響評估：數據會說話
來看一下 GeoPT 在多項基準測試中的表現。這些數字不是「好一點點」，而是明顯拉開差距的那種：
- 訓練效率翻倍：達到最佳峰值表現的速度，比現有領先模型快了約一倍。這代表工程師可以更快迭代設計版本。
- 資料需求大減：最多可減少 60% 的標註資料需求。這不是省小錢，是直接砍掉六成的資料成本。
- 極端環境模擬的壓倒性表現：在船體同時受空氣風阻與海浪衝擊的複合測試中，GeoPT 僅用了少 60% 的資料、快了 4 倍的速度，就達到最高精確度。這是它最讓人驚豔的一項成績——越複雜的環境，它的優勢反而越明顯。
- 秒級完成上億網格點運算：共同第一作者吳海旭指出，GeoPT 能在秒級時間內完成超過 1 億個網格點的高保真模擬。1 億個網格點是什麼概念？大概是一架戰機或一艘驅逐艦的完整模型精細度。
這些數據背後代表的意義是：工程師在設計階段，可以直接把 3D 模型丟進去，GeoPT 就會輸出類似熱圖的受力分布，一眼看出哪些地方是應力集中的紅區。對於在設計階段反覆驗證車輛碰撞安全性、或是戰機氣動外形的工程師來說，這確實是一個突破性的輔助工具。
趨勢預測：物理基礎模型的下一步
研究團隊將 GeoPT 定位為「物理基礎模型」（Physics Foundation Model）的起點。這個野心其實不小。如果語言有語言模型、影像有影像模型，那物理為什麼不能有自己的基礎模型？
他們下一步的規劃很明確：擴大可訓練的形狀與物理現象範疇，目標是拓展到天氣模式預測、新材料測試、以及高真實度的影片生成。這三個方向，每一個都是目前運算資源消耗極大的領域。
我個人認為，最值得關注的反而是「高真實度影片生成」這一項。現在 AI 生成的影片為什麼常常有「詭異感」？因為模型不懂物理——它不知道水潑出去之後應該怎麼流、衣服被風吹起應該怎麼飄。如果 GeoPT 這條路走得通，未來我們看到的 AI 生成影片，就不只是畫面像真，連物體的運動方式都會更像真。這會讓虛擬製作、遊戲開發、甚至數位孿生的應用產生非常具體的質變。
當然，這不代表物理模擬從此就沒問題了。現實世界的物理現象涵蓋流體、固體、熱傳、電磁，甚至更複雜的多物理場耦合，GeoPT 目前能處理的範圍仍然有限。但它的方向是對的：與其讓 AI 硬背所有答案，不如先教它懂規矩，再讓它自己算。
如果你正在從事產品設計、工程模擬，或任何需要跟 3D 物理打交道的工作，現在或許是時候開始關注「物理 AI」這個領域了——因為它正在從學術論文，慢慢走向真正能幫你省時間、省預算的工具。你怎麼看？AI 如果真的學會了物理直覺，你第一個會拿它來模擬什麼？
編輯觀點：GeoPT 最讓我感興趣的，不是它現在能做到什麼，而是它預示了一個更大的轉變——AI 的學習對象正在從「人類的產出」（文字、圖像、影片）延伸到「自然的規律」（物理、動力學、材料行為）。這條路如果繼續走下去，未來的 AI 模型將不再只是模仿人類的創作，而是能直接與真實世界互動、預測、優化的「工程級」工具。對於硬體設計、航太工程、氣候模擬這些領域來說，這可能是下一個十年的關鍵技術變革。不過，我們也得務實一點：從實驗室到生產線，中間還需要解決模型泛化能力、邊界條件處理、以及與現有 CAD/CAE 軟體的整合問題。短期內它還不會取代傳統的數值模擬，但作為預處理器或輔助判斷工具，價值已經開始浮現。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
GeoPT 跟現有的 AI 物理模擬方法最大的差別是什麼？
最大的差別在於 GeoPT 採用了「合成動態」預訓練機制。傳統方法直接讓 AI 用標註資料學習物理，非常耗費資源；GeoPT 則先讓模型透過 130 萬筆虛擬樣本建立物理直覺，再進行微調，因此能大幅減少標註資料需求並提升訓練效率。
GeoPT 目前可以應用在哪些實際場景？
目前主要應用在 3D 物理模擬，包括車輛碰撞變形分析、船體在風浪中的受力評估、戰機氣動模擬，以及光線穿過 3D 模型的物理計算等。工程師可以將 3D 模型導入，快速獲得類似熱圖的受力分布結果。
GeoPT 是免費的嗎？一般人可以使用嗎？
GeoPT 目前是 MIT 和清華大學研究團隊發表的學術研究成果，尚未推出商用產品或開源釋出。一般使用者或工程師目前還無法直接使用，但可以關注後續研究團隊是否會開源釋出模型程式碼或提供 API 服務。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
