人工智慧這幾年能寫詩、能畫圖、還能生3D模型，但一碰到真實世界的物理模擬——比方說，一台車撞上去會怎麼變形、一艘軍艦在海浪與風阻雙重夾擊下受力如何——AI就經常「卡關」。不是算得太慢，就是需要海量標註資料來餵養，讓許多工程應用卡在成本與時間的瓶頸上。
不過，麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）和中國清華大學最近聯手提出了一個解法，叫做GeoPT。這個新型預訓練方法讓AI在正式接觸標註資料之前，就先建立所謂的「物理直覺」。
先「感受」物理，再學習標註資料
GeoPT的核心概念其實不複雜。研究團隊用130萬筆虛擬樣本，模擬小球以不同速度和角度撞上3D立體結構、然後停下的過程。你把它想成是讓AI先「玩」過一堆物理情境，讓模型理解粒子與實體結構互動的基本規律之後，再去做正規的訓練。
這就像一位賽車手在真正上路之前，先在模擬器裡跑過上千圈，對車輛動態有了身體記憶之後，實際下場時的反應自然更快、更精準。結果也確實反映在數字上：GeoPT在達到最佳峰值表現的速度，比現有領先模型快上一倍左右；標註資料的需求則最多可以省下60%。
秒級完成上億網格點運算，工程師的設計新利器
在實際應用層面，GeoPT的價值更直接。工程師只要把戰艦、客機或卡車的3D模型丟進去，模型就能快速輸出類似熱圖的受力分布，哪裡壓力大、哪裡容易變形，一目瞭然。在風壓、表面壓力、戰機受風、車輛碰撞變形，甚至光線穿過3D模型的測試中，GeoPT的表現都明顯優於現有方法。
特別值得留意的是，研究團隊在船體同時受空氣風阻與海浪衝擊的複合測試中，GeoPT只用了少60%的資料、速度快4倍就達到最高精確度。這對那些沒有雄厚資本做實體實驗的中小型業者來說，意義格外重大。
編輯觀點：這篇論文背後有個值得關注的趨勢——AI的競爭正在從「誰能做出最強大的模型」轉向「誰能用最少資源做出夠好的模型」。GeoPT的價值不只是在實驗數據上勝出，而是它證明了「物理直覺」可以預先訓練，進而大幅降低後續的資料與算力成本。對臺灣的製造業、半導體設備設計或車輛研發來說，這種效率突破可能比單純的模型準確度提升更務實。話說回來，當模型壓縮與預訓練效率成了顯學，未來硬體算力的優勢門檻反而可能被拉低，這對資源相對有限的團隊來說，未嘗不是個好消息。
物理是AI的「第三種模態」
MIT博士生、共同第一作者郭明昊在論文中提到一個有趣的觀點：研究團隊將物理視為繼文字與像素之後的「第三種AI模態」。過去的AI在語言和影像上表現亮眼，但碰到真實世界的物理規則，往往只能靠大量數據「硬學」，既沒效率也不夠可靠。
共同第一作者吳海旭則指出，GeoPT能在秒級時間內完成超過1億個網格點的高保真模擬。對於那些不想砸大錢做實體碰撞測試、又需要快速驗證設計的工程團隊而言，這會是相當有感的輔助工具。
畢竟，一個能夠在幾秒內告訴你「這台車撞上去會怎樣」的模型，跟一個要跑好幾個小時、還得吃進大量標註資料才能給出答案的模型，在實際工作流程中的差距，絕對不是只有「快一點」而已。
下一步：天氣預測、新材料開發，真實感影片生成
研究團隊將GeoPT定位為邁向「物理基礎模型」的第一步。接下來，他們打算擴大可訓練的形狀與物理現象範疇，目標應用包括天氣模式預測、新材料測試，以及高真實度的影片生成。
這個願景其實很有意思。如果AI能夠準確模擬天氣系統的流體力學，或者預測一種新材料在不同應力下的行為，那它就不再只是「生成內容」的工具，而是真正能夠協助科學發現與工程決策的夥伴。
當然，現階段的GeoPT還有其限制。訓練所使用的虛擬樣本仍以特定類型的物理互動為主，要擴展到更複雜、更多變的真實世界場景，還需要更多的研究投入。不過，至少方向已經清楚了——讓AI先懂物理，再學標註資料，這個順序似乎比我們想像的更有效。
物理模擬的AI時代，才剛剛開始
回到最根本的問題：為什麼AI需要物理直覺？原因很簡單，因為真實世界不是由文字或像素組成的，而是由力、速度、壓力、碰撞這些物理量構成的。一個只會認圖像、讀文字的AI，在虛擬世界裡再厲害，到了真實環境中還是像個沒碰過車的模擬賽車手。
GeoPT的價值，就是讓AI在「學走路」之前，先「感覺」過地心引力。這一步，可能比我們想像的更關鍵。
如果你也關注AI在工程應用上的突破，不妨留意一下這個領域接下來的發展——畢竟，能夠用更少資料、更快速度完成物理模擬的技術，影響的絕對不只是實驗室裡的論文分數，而是你我生活中會接觸到的汽車安全、飛機設計、甚至建築結構。
※ 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。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
