具备物理感知能力，AI模型实现更广泛现实场景仿真

近日，麻省理工学院计算机科学与人工智能实验室与清华大学联合发布名为GeoPT的AI预训练新框架。该研究旨在破解传统物理仿真中数据采集困难与计算成本高昂的行业痛点。团队创新性地采用合成动力学机制，构建了一百三十万个虚拟物理交互样本，通过模拟微观粒子接触物体表面即停驻的规律，使AI在标注数据训练前即可建立对物理世界的直觉认知。 在实际部署中，用户仅需输入三维模型及受力参数，系统即可快速输出应力热力图，精准复现车辆碰撞、流体动力学及空气阻力等复杂场景。性能测试表明，GeoPT的训练数据需求量较现有模型减少百分之六十，模型性能达到峰值的速度提升一倍。研究核心成员指出，物理参数有望成为继文本与视觉之后的AI第三大模态。该突破不仅为飞行器设计、机器人运动规划及工业产品测试提供了高效工具，更被视为迈向通用物理基础模型的重要里程碑。相关论文已于七月在国际机器学习大会正式发表，获学术界与工业界广泛关注。