由剑桥大学等机构研究人员组成的“多学科人工智能”（Polymathic AI）合作团队，近日推出两款面向物理科学的新型基础模型——Walrus与AION-1。这两款AI模型不同于ChatGPT等以文本或图像为训练数据的通用模型，而是基于真实科学数据集进行训练，旨在学习跨领域的物理规律，实现“通用物理模拟”的突破。 Walrus专注于流体及类流体系统，其训练数据来自“WELL”数据集，涵盖从中子星合并、大气层波动到声波传播等19类物理场景，总计15TB数据，包含密度、速度、压力等关键参数。该模型能仅凭一系列快照预测下一阶段的物理演化，展现出强大的跨域泛化能力——例如，它能将天体物理中的动力学原理应用于解释Wi-Fi信号传播或细菌运动。 AION-1则聚焦天文学，训练数据来自斯隆数字巡天（SDSS）和盖亚（Gaia）等大规模天文观测项目，涵盖超过2亿个天体的图像、光谱及其他测量信息，总数据量达100TB。当科学家获得一张低分辨率星系图像时，AION-1可基于其对海量星系物理特征的学习，推断出更丰富的结构与演化信息。 这两款模型的核心优势在于“基础性”：它们不针对某一具体问题或方程进行训练，而是从海量跨领域物理数据中提炼出通用的物理规律。这种学习方式使AI具备类似人类感官整合的能力——当一个领域缺乏数据或信息不全时，模型能通过其他相似系统的知识进行推理与补全。 “这就像你见过无数人后，面对新朋友也能迅速形成判断。”项目负责人Shirley Ho表示，AI模型通过“见过”大量物理系统，能为新实验提供强有力的先验知识，大幅减少重复建模的时间与成本。 研究团队强调，这些模型不仅提升了科学计算效率，更在小样本、低预算条件下表现优异，特别适合前沿探索中数据稀缺的场景。目前，Walrus和AION-1的代码与数据已开源，旨在推动科学界共建共享，加速AI驱动的科学研究。 “我们希望让每一个科学家都能从强大的AI基础模型中受益，无需从零构建复杂系统。”团队成员如是说。这一进展标志着AI正从“语言理解”迈向“物理理解”，为未来跨学科科学发现提供全新工具。