在語言領(lǐng)域，GPT 這樣的「大模型」只需一次訓(xùn)練，就處理翻譯、寫作、問答等不同任務(wù)。那在物理世界，能不能也有一臺「通用物理引擎」，一次訓(xùn)練后就能推演流體、熱傳遞、甚至沖擊波？

這個難題困擾著物理學(xué)家。目前的物理模擬往往是「專用工具箱」：求流體用一套方法，做熱對流要換另一套。每個體系都要重建模型、調(diào)參和算力，成本高、遷移性差。實驗的流暢性往往飽受摧殘。

該研究以「Towards a Physics Foundation Model」為題，其預(yù)印本發(fā)布在 arxiv。

論文鏈接：https://arxiv.org/abs/2509.13805

通用物理 Transformer

它接收一段發(fā)生過程的歷史（例如幾個模擬幀），從中找出變化的規(guī)則，然后應(yīng)用一個簡單的更新步驟來預(yù)測接下來會發(fā)生什么。就像教一個 Transformer 通過基本的微積分提示來玩物理幀預(yù)測游戲。

研究團(tuán)隊表示，該通用模型主要為解決三個關(guān)鍵問題：

1.一個單一的大型 Transformer，能否在沒有任何顯式的物理描述特征的情況下，有效地模擬廣泛的異質(zhì)物理系統(tǒng)（例如不可壓縮流動、沖擊波、對流）；

2.這個基礎(chǔ)模型能否僅通過從輸入中推斷動力學(xué)，實現(xiàn)零樣本泛化到新的、未見的物理條件（例如新的邊界條件、全新的物理學(xué)知識）；

為了達(dá)到訓(xùn)練目的，研究團(tuán)隊并未局限于一種流體或系統(tǒng)，而是匯集了涵蓋許多不同場景的 1.8 TB 模擬數(shù)據(jù)：平靜流動、湍流流動、熱對流等。除此之外變量 Δt 子采樣和歸一化數(shù)據(jù)集都鼓勵跨尺度的上下文推理。

多場景適用

圖 2：所有測試集中每個模型的平均和中位數(shù)均方誤差（MSE）。

更令人興奮的是，該模型實現(xiàn)了通過上下文學(xué)習(xí)實現(xiàn)零樣本泛化，對完全未見的物理系統(tǒng)進(jìn)行預(yù)測。這意味著你可以給它一個它從未訓(xùn)練過的全新情況，比如它從未見過的邊界條件，甚至是超音速流動，它仍然能夠產(chǎn)生物理上合理的預(yù)測結(jié)果。

經(jīng)測試，該模型在 50 步自回歸預(yù)測中仍能保持物理一致性，避免了快速發(fā)散。擴展到分布外系統(tǒng)進(jìn)一步揭示了模型的泛化機制。隨著預(yù)測的累積，細(xì)節(jié)逐漸消失，但大規(guī)模行為（如全局流動結(jié)構(gòu)）的可靠性比預(yù)期要持久得多。

邁向物理 GPT 的第一步

團(tuán)隊已經(jīng)證明，單個基于 Transformer 的模型可以有效地學(xué)習(xí)和預(yù)測各種物理系統(tǒng)的動力學(xué)，而無需顯式的物理特定特征，這標(biāo)志著向真正的物理基礎(chǔ)模型邁出了重要一步。這項工作展示了物理基礎(chǔ)模型的可能性：訓(xùn)練一次，就能在多個場景下運行，節(jié)省大量算力和開發(fā)成本。

當(dāng)然，當(dāng)前版本仍有局限：只限二維數(shù)據(jù)，涵蓋的領(lǐng)域主要是流體和熱傳遞，長時預(yù)測精度也比不上高保真數(shù)值方法。

但作為雛形，它釋放了一個重要信號：物理模擬也許正在迎來「GPT時刻」。未來，一個真正的通用物理大模型，可能成為科研與工程的公共引擎。

相關(guān)鏈接：https://x.com/omarsar0/status/1968681177189077366