這項(xiàng)由卡內(nèi)基梅隆大學(xué)與Lambda公司聯(lián)合完成的研究，以預(yù)印本形式發(fā)布于2026年4月，論文編號(hào)為arXiv:2604.11805，有興趣深入了解的讀者可以通過這個(gè)編號(hào)查詢完整論文。

**研究概要**

物理題一直是讓大多數(shù)人頭疼的"攔路虎"。當(dāng)我們還在為高考物理苦苦掙扎時(shí)，國際物理奧林匹克競(jìng)賽（IPhO）的題目已經(jīng)難到了連許多大學(xué)教授都要認(rèn)真思考的程度。那么，如果讓一臺(tái)AI去做這些題，結(jié)果會(huì)怎樣？

更有意思的問題在于：這臺(tái)AI是怎么"學(xué)會(huì)"解物理題的？靠課本？靠題庫？不——這支來自卡內(nèi)基梅隆大學(xué)的團(tuán)隊(duì)選擇了一條完全不同的路：讓AI在一個(gè)虛擬的物理世界里反復(fù)"玩耍"，通過觀察物體怎么運(yùn)動(dòng)、怎么碰撞、怎么擺動(dòng)，自己悟出物理規(guī)律。

這個(gè)方法有個(gè)正式的名字，叫做Sim2Reason（從模擬到推理）。它的核心思路是：先用電腦程序搭建各種物理場(chǎng)景，比如滑輪系統(tǒng)、彈簧碰撞、行星軌道等，讓這些虛擬場(chǎng)景自動(dòng)"運(yùn)轉(zhuǎn)"并記錄數(shù)據(jù)，然后從這些數(shù)據(jù)中提煉出大量物理問答題，最后用這些題來強(qiáng)化訓(xùn)練AI。

結(jié)果令人意外。訓(xùn)練之后，AI在國際物理奧林匹克競(jìng)賽的力學(xué)題目上，成績提升了5到10個(gè)百分點(diǎn)，而且完全沒有看過任何真實(shí)的物理競(jìng)賽題目。這項(xiàng)研究的意義遠(yuǎn)不止于讓AI多做對(duì)幾道題——它證明了一件事：虛擬世界可以是現(xiàn)實(shí)世界最好的老師。

**一、數(shù)據(jù)的饑荒：為什么AI學(xué)物理這么難**

回到2016年前后，AlphaGo橫空出世，擊敗圍棋世界冠軍的消息震驚了全球。那時(shí)候，人們開始相信AI能學(xué)會(huì)一切。然而，圍棋有一個(gè)特別之處：它的棋譜數(shù)量是天文數(shù)字，而且每一步棋的勝負(fù)可以被精確驗(yàn)證。

大型語言模型的崛起，遵循了類似的邏輯。DeepSeek、GPT等模型之所以能在數(shù)學(xué)推理上表現(xiàn)出色，是因?yàn)榛ヂ?lián)網(wǎng)上堆積著海量的數(shù)學(xué)題目和解題過程——從小學(xué)算術(shù)到競(jìng)賽數(shù)學(xué)，各種難度的題目應(yīng)有盡有，而且每道題都有明確的對(duì)錯(cuò)之分，可以自動(dòng)檢驗(yàn)。

物理學(xué)就沒有這么幸運(yùn)了。互聯(lián)網(wǎng)上確實(shí)有物理題，但數(shù)量遠(yuǎn)遠(yuǎn)比不上數(shù)學(xué)題。更要命的是，物理題往往需要結(jié)合圖表、實(shí)驗(yàn)裝置，很難直接用純文字來描述和驗(yàn)證。研究團(tuán)隊(duì)發(fā)現(xiàn)，DeepSeek-R1訓(xùn)練用的80萬道題目里，涉及理工科（STEM）內(nèi)容的比例連1%都不到。這就像一個(gè)想成為廚師的人，卻幾乎只讀了菜譜評(píng)論，從沒有真正下過廚房。

物理學(xué)家們知道，真正理解物理不只是背公式，而是要"感受"力學(xué)系統(tǒng)的運(yùn)動(dòng)規(guī)律。當(dāng)你反復(fù)觀察一個(gè)彈簧-質(zhì)量系統(tǒng)的振動(dòng)，你會(huì)在腦子里形成一種直覺：彈簧越硬，振動(dòng)越快；質(zhì)量越大，振動(dòng)越慢。這種直覺很難從文字描述中獲得，但在反復(fù)觀察真實(shí)（或虛擬）的物理場(chǎng)景之后，自然而然就會(huì)建立起來。

正是這種洞察，促使研究團(tuán)隊(duì)轉(zhuǎn)向了物理模擬器。

**二、物理引擎：那個(gè)忠實(shí)執(zhí)行牛頓定律的虛擬世界**

物理引擎是一種能在電腦里忠實(shí)模擬物理規(guī)律的程序。游戲玩家對(duì)它并不陌生——你在游戲里扔出一顆手雷，它會(huì)按照拋物線飛行；汽車碰撞時(shí)，車身會(huì)依照力學(xué)原理變形。背后驅(qū)動(dòng)這些效果的，就是物理引擎。

研究團(tuán)隊(duì)選用的是MuJoCo，這是一個(gè)在機(jī)器人研究領(lǐng)域廣泛使用的物理模擬引擎。MuJoCo的強(qiáng)大之處在于，它不只是"看起來像"物理現(xiàn)實(shí)，而是通過數(shù)值積分嚴(yán)格求解運(yùn)動(dòng)方程，每一時(shí)刻的速度、加速度、能量、動(dòng)量都可以精確計(jì)算。

然而，直接把物理引擎的輸出結(jié)果喂給AI，并不能讓AI學(xué)會(huì)解物理題。這里有一個(gè)根本矛盾：物理引擎輸出的是連續(xù)的時(shí)間序列數(shù)據(jù)——比如某個(gè)質(zhì)量塊在0.001秒、0.002秒、0.003秒……時(shí)的坐標(biāo)——而解物理題需要的是離散的符號(hào)推理，比如"設(shè)x為初速度，根據(jù)牛頓第二定律，加速度a等于..."。這兩種"語言"之間，存在著一道鴻溝。

更早之前，有研究者嘗試過讓AI直接寫代碼來調(diào)用物理引擎，用模擬結(jié)果來輔助解題。但研究團(tuán)隊(duì)在早期實(shí)驗(yàn)中發(fā)現(xiàn)，這條路走不通：AI經(jīng)常寫出無法運(yùn)行的代碼，或者對(duì)物理場(chǎng)景的建模存在根本性錯(cuò)誤。而且，這種方法需要大量人工設(shè)計(jì)，很難自動(dòng)擴(kuò)展。

Sim2Reason的思路與此截然不同。它不是讓AI去"使用"物理引擎，而是讓物理引擎充當(dāng)一個(gè)自動(dòng)出題員和批改員，源源不斷地生產(chǎn)有價(jià)值的物理訓(xùn)練題。

**三、自動(dòng)出題機(jī)：一套精心設(shè)計(jì)的"問題工廠"**

Sim2Reason的數(shù)據(jù)生產(chǎn)流水線分成四個(gè)環(huán)節(jié)，整體上就像一條組裝流水線：先搭場(chǎng)景、再運(yùn)行模擬、然后提煉題目、最后質(zhì)檢篩選。

搭場(chǎng)景這一步，是整個(gè)系統(tǒng)最精妙的設(shè)計(jì)之一。研究團(tuán)隊(duì)發(fā)明了一套專門的"場(chǎng)景描述語言"（Domain-Specific Language，簡稱DSL），有點(diǎn)像樂高積木的說明書。這套語言定義了一系列基本"零件"，比如質(zhì)量塊、滑輪、彈簧、斜面、繩子，以及它們之間合法的連接方式。然后，程序隨機(jī)地把這些零件組合成各種各樣的物理系統(tǒng)。

舉個(gè)例子，系統(tǒng)可能會(huì)生成這樣一個(gè)場(chǎng)景：一個(gè)30度斜面上放著一個(gè)2千克的滑塊，通過繩子繞過滑輪，連接著一個(gè)懸掛在空中的1千克重物，重物旁邊還有一根彈簧連著墻壁。這個(gè)場(chǎng)景完全是隨機(jī)拼出來的，但它在物理上是合理的，可以被正確地模擬。

DSL的關(guān)鍵設(shè)計(jì)理念是：只在"物理上有意義"的維度上隨機(jī)化。比如，改變滑塊的質(zhì)量會(huì)顯著影響整個(gè)系統(tǒng)的運(yùn)動(dòng)，這是有意義的隨機(jī)化。而改變繩子的顏色或者斜面的紋理，對(duì)物理行為沒有任何影響，因此不在隨機(jī)化范圍之內(nèi)。這樣，每一個(gè)隨機(jī)生成的場(chǎng)景都蘊(yùn)含著真實(shí)的物理內(nèi)容，而不是徒有其表的花樣翻新。

場(chǎng)景搭好之后，MuJoCo引擎接管，運(yùn)行模擬并記錄每一時(shí)刻所有物體的位置、速度、加速度、動(dòng)量、能量、繩子張力等幾十種物理量。接下來，系統(tǒng)從這些數(shù)據(jù)中自動(dòng)生成三種類型的問題。

第一類是"數(shù)值問題"：給定場(chǎng)景描述，詢問某個(gè)具體時(shí)刻的某個(gè)物理量，比如"5.44秒后第二個(gè)質(zhì)量塊的速度是多少？"答案直接從模擬數(shù)據(jù)中讀取，百分之百準(zhǔn)確。第二類是"反推問題"：把場(chǎng)景中的某個(gè)參數(shù)隱去，根據(jù)已知結(jié)果反推，比如"如果3秒后速度為5米每秒，那么質(zhì)量塊的質(zhì)量是多少？"這類問題考察的是逆向推理能力。第三類是"符號(hào)問題"：把所有具體數(shù)字替換成字母，要求給出解析式，比如"質(zhì)量塊A在時(shí)間t后的速度是多少（用m、k、t等字母表示）？"這類問題考察的是符號(hào)代數(shù)推導(dǎo)能力。

場(chǎng)景和問題的自然語言描述，由預(yù)先設(shè)計(jì)好的模板字符串自動(dòng)拼接生成，整個(gè)過程不需要任何人工介入。

**四、質(zhì)檢關(guān)卡：去掉那些"走捷徑"就能解出的題目**

有了大量自動(dòng)生成的題目，還不夠。研究團(tuán)隊(duì)發(fā)現(xiàn)，有相當(dāng)一部分題目存在一個(gè)隱患：答題者可以忽略掉場(chǎng)景中的某些部分，把復(fù)雜的多體系統(tǒng)簡化成一個(gè)簡單的單體系統(tǒng)，得到的答案卻跟完整分析完全一致。

打個(gè)比方，假設(shè)有一道題描述了一個(gè)由兩個(gè)滑塊和一個(gè)彈簧組成的系統(tǒng)，問整個(gè)系統(tǒng)的加速度。如果兩個(gè)滑塊始終以相同加速度運(yùn)動(dòng)（比如它們被剛性連接），那么你可以把它們看成一個(gè)整體，完全忽略彈簧和內(nèi)部結(jié)構(gòu)，同樣算出正確答案。這類題目對(duì)于訓(xùn)練AI來說沒什么價(jià)值——AI可能因?yàn)樽吡私輳蕉@得獎(jiǎng)勵(lì)，但并沒有真正理解多體相互作用。

為了篩掉這類題目，研究團(tuán)隊(duì)設(shè)計(jì)了一套"消融實(shí)驗(yàn)"。對(duì)于每一道生成的題目，系統(tǒng)會(huì)自動(dòng)構(gòu)造多個(gè)"刪減版"場(chǎng)景：刪掉場(chǎng)景中的某一個(gè)實(shí)體，或者把某個(gè)關(guān)節(jié)替換成剛性連接，重新運(yùn)行模擬。如果刪減版場(chǎng)景得出的答案和原版一模一樣，那這道題就被判定為"走捷徑可解"，直接扔掉。

這個(gè)質(zhì)檢環(huán)節(jié)大約淘汰了15%的題目。雖然比例不高，但研究結(jié)果顯示，這個(gè)步驟對(duì)最終訓(xùn)練效果至關(guān)重要——去掉質(zhì)檢的版本，AI在真實(shí)競(jìng)賽題上的提升幅度幾乎只有完整版的一半。

**五、強(qiáng)化學(xué)習(xí)：不教答案，只給分?jǐn)?shù)，逼AI自己想**

有了經(jīng)過質(zhì)檢的題目庫，接下來是訓(xùn)練AI的環(huán)節(jié)。研究團(tuán)隊(duì)選擇的方法是強(qiáng)化學(xué)習(xí)（Reinforcement Learning），而不是更傳統(tǒng)的監(jiān)督學(xué)習(xí)（給模型看正確的解題過程，讓它模仿）。

這兩種方法的區(qū)別，可以用教孩子走迷宮來類比。監(jiān)督學(xué)習(xí)的方式是：給孩子看一份完整的路線圖，讓他記住并復(fù)現(xiàn)。強(qiáng)化學(xué)習(xí)的方式是：把孩子扔進(jìn)迷宮，每次他走出來就給塊糖，走錯(cuò)了就不給。孩子在反復(fù)嘗試中，自己摸索出了走迷宮的規(guī)律，甚至可能發(fā)現(xiàn)了路線圖上沒有標(biāo)注的捷徑。

在Sim2Reason的訓(xùn)練中，AI每次面對(duì)一道題，會(huì)生成一組候選答案。只有當(dāng)最終數(shù)值答案落在模擬器正確答案的5%誤差范圍之內(nèi)，才會(huì)獲得正向獎(jiǎng)勵(lì)；否則獎(jiǎng)勵(lì)為零。這個(gè)5%的容差是有意設(shè)計(jì)的，因?yàn)槲锢砟M器本身有數(shù)值近似誤差，嚴(yán)格要求精確匹配會(huì)產(chǎn)生噪音。

研究團(tuán)隊(duì)還采用了一種叫做"動(dòng)態(tài)采樣"的技巧。如果某道題對(duì)AI來說太簡單（每次都答對(duì)）或者太難（每次都答錯(cuò)），那它對(duì)訓(xùn)練幾乎沒有幫助——就像讓一個(gè)數(shù)學(xué)博士做一加一，或者讓小學(xué)生做微積分，都是在浪費(fèi)時(shí)間。動(dòng)態(tài)采樣機(jī)制會(huì)自動(dòng)過濾掉這兩類極端情況，只保留AI"有時(shí)能做對(duì)、有時(shí)做錯(cuò)"的題目，把訓(xùn)練資源集中在最有價(jià)值的難度區(qū)間。

研究團(tuán)隊(duì)用這個(gè)方法分別訓(xùn)練了參數(shù)量從30億到320億的多個(gè)Qwen模型（阿里巴巴開發(fā)的開源大語言模型系列）。整個(gè)訓(xùn)練過程只跑了200步，每步處理32道題，總共不到6400道獨(dú)特題目——這個(gè)規(guī)模，比互聯(lián)網(wǎng)上普通的數(shù)學(xué)題庫小了好幾個(gè)數(shù)量級(jí)。

**六、實(shí)驗(yàn)結(jié)果：合成數(shù)據(jù)的訓(xùn)練，真實(shí)競(jìng)賽的提升**

訓(xùn)練完成后，研究團(tuán)隊(duì)用多個(gè)真實(shí)的物理和數(shù)學(xué)考試來檢驗(yàn)?zāi)Ｐ汀?/p>

在國際物理奧林匹克競(jìng)賽（IPhO）的力學(xué)題上，不同規(guī)模的模型均取得了實(shí)質(zhì)性提升。其中，30億參數(shù)的Qwen2.5-3B模型提升幅度最為顯眼，從原來的5.68%跳升至13.15%，漲幅超過7個(gè)百分點(diǎn)；320億參數(shù)的Qwen2.5-32B從19.8%升至25.2%，提升5.4個(gè)百分點(diǎn)；300億參數(shù)的Qwen3-30B從35.6%升至40.0%，提升4.4個(gè)百分點(diǎn)。這些數(shù)字看起來也許不算驚天動(dòng)地，但別忘了，這只是用合成模擬數(shù)據(jù)訓(xùn)練出來的結(jié)果，AI完全沒有見過任何真實(shí)的競(jìng)賽題目。

在另一個(gè)專門考察力學(xué)知識(shí)的JEEBench（印度工程聯(lián)合入學(xué)考試）題目上，32B模型的提升幅度更加驚人：從34.38%飆升至52.28%，凈增17.9個(gè)百分點(diǎn)。這個(gè)成績之所以提升如此之大，是因?yàn)镴EEBench的力學(xué)題目類型與模擬器能生成的場(chǎng)景高度吻合，訓(xùn)練數(shù)據(jù)的"命中率"格外高。

此外，模型在純數(shù)學(xué)基準(zhǔn)測(cè)試上同樣有所提升——AIME 2025（美國數(shù)學(xué)邀請(qǐng)賽）提升1.67個(gè)百分點(diǎn)，MATH 500提升4.4個(gè)百分點(diǎn)。這個(gè)發(fā)現(xiàn)頗為有趣：訓(xùn)練物理推理能力，順帶強(qiáng)化了數(shù)學(xué)計(jì)算能力。研究團(tuán)隊(duì)認(rèn)為，這是因?yàn)槲锢硗评肀旧戆罅繑?shù)學(xué)運(yùn)算，物理訓(xùn)練讓模型的多步驟定量推理能力全面提升。

**七、與真實(shí)數(shù)據(jù)的比較：合成數(shù)據(jù)贏了**

一個(gè)自然而然的問題是：這些合成的模擬器數(shù)據(jù)，比得上從真實(shí)競(jìng)賽題目或教科書中整理的數(shù)據(jù)嗎？

研究團(tuán)隊(duì)找來了幾個(gè)代表性的對(duì)比基準(zhǔn)。Prime P1是一個(gè)在物理推理上很有競(jìng)爭力的開源模型，它在訓(xùn)練時(shí)使用了超過5000道精心整理的真實(shí)物理競(jìng)賽題目和教科書例題。與此相比，Sim2Reason只用了合成模擬數(shù)據(jù)。結(jié)果，Sim2Reason（基于Qwen3-30B）在IPhO上達(dá)到了40.0%，超過了Prime P1 30B的38.6%。

另一個(gè)對(duì)比是DAPO-17K，這是一個(gè)包含1.7萬道數(shù)學(xué)題的高質(zhì)量強(qiáng)化學(xué)習(xí)訓(xùn)練集，專門為培養(yǎng)數(shù)學(xué)推理能力而設(shè)計(jì)。研究團(tuán)隊(duì)用同樣的3B模型，分別在只用DAPO-17K、只用合成模擬數(shù)據(jù)、以及混合使用兩者三種情況下進(jìn)行訓(xùn)練。結(jié)果顯示，單用合成模擬數(shù)據(jù)（13.15%）顯著優(yōu)于單用DAPO-17K（9.98%），而混合使用的效果（10.35%）介于兩者之間，說明兩類數(shù)據(jù)有一定互補(bǔ)性，但物理專項(xiàng)的模擬數(shù)據(jù)才是提升IPhO成績的主要驅(qū)動(dòng)力。

**八、監(jiān)督學(xué)習(xí) vs 強(qiáng)化學(xué)習(xí)：為什么"模仿答案"不如"自己摸索"**

研究團(tuán)隊(duì)還對(duì)比了兩種截然不同的訓(xùn)練策略。

第一種是監(jiān)督學(xué)習(xí)（SFT）：用GPT-4、o3、o4-mini等強(qiáng)大的AI生成20萬道題的解題過程，然后讓待訓(xùn)練的模型去模仿這些解題步驟。第二種是強(qiáng)化學(xué)習(xí)：只告訴模型最終答案對(duì)不對(duì)，讓它自己探索解題策略。

結(jié)果出人意料。監(jiān)督學(xué)習(xí)在訓(xùn)練集上有所提升，但在IPhO等真實(shí)測(cè)試集上卻下降了3.9個(gè)百分點(diǎn)。研究團(tuán)隊(duì)認(rèn)為，這是一種"災(zāi)難性遺忘"現(xiàn)象：模型為了模仿特定的解題風(fēng)格，改變了原有的推理模式，損失了更廣泛的推理能力。強(qiáng)化學(xué)習(xí)則恰恰相反，它讓模型在保持原有能力的基礎(chǔ)上，額外獲得了物理推理技能，在訓(xùn)練集和真實(shí)測(cè)試集上都取得了穩(wěn)定提升。

**九、舉一反三：AI學(xué)到的不只是課本上的題型**

Sim2Reason系統(tǒng)當(dāng)前的模擬器覆蓋了經(jīng)典力學(xué)的大部分內(nèi)容，但顯然無法涵蓋所有物理題類型。一個(gè)關(guān)鍵問題是：AI學(xué)到的究竟是針對(duì)特定模擬場(chǎng)景的"記憶"，還是更深層的物理推理能力？

研究團(tuán)隊(duì)用一道真實(shí)的JEE Advanced 2017題目來檢驗(yàn)這一點(diǎn)。這道題涉及一枚火箭在太陽-地球雙引力系統(tǒng)中的逃逸速度，需要同時(shí)處理來自太陽和地球的引力勢(shì)能，并將兩者用"能量疊加"而非"速度疊加"的方式合并。這個(gè)場(chǎng)景在研究團(tuán)隊(duì)的模擬器中并沒有直接對(duì)應(yīng)的實(shí)體。

訓(xùn)練前的基礎(chǔ)模型犯了一個(gè)典型錯(cuò)誤：它試圖把太陽和地球的逃逸速度直接相加，得到一個(gè)錯(cuò)誤答案。訓(xùn)練后的模型則正確地認(rèn)識(shí)到，引力勢(shì)能才是應(yīng)該相加的量，兩個(gè)逃逸速度應(yīng)以"平方和開根"的方式合并，最終得出了正確答案42千米每秒。

研究團(tuán)隊(duì)對(duì)多個(gè)類似案例的分析顯示，訓(xùn)練后的模型在以下幾個(gè)維度均有明顯改善：數(shù)學(xué)計(jì)算的準(zhǔn)確性（比如不再犯數(shù)量級(jí)錯(cuò)誤）、物理概念的正確映射（比如能正確區(qū)分速度的矢量疊加和標(biāo)量疊加）以及解題策略的合理性（比如主動(dòng)進(jìn)行單位轉(zhuǎn)換，用更簡便的方式代入數(shù)值）。這些改善跨越了訓(xùn)練集的具體場(chǎng)景類型，具有一定的通用性。

**十、模擬器作為考場(chǎng)：自動(dòng)化的物理能力測(cè)評(píng)**

Sim2Reason的另一個(gè)意外收獲，是它可以充當(dāng)評(píng)估AI物理能力的自動(dòng)化考場(chǎng)。

評(píng)估AI在物理競(jìng)賽題上的表現(xiàn)，通常面臨一個(gè)困境：真實(shí)競(jìng)賽題的數(shù)量有限，題目本身還會(huì)隨著時(shí)間積累而被各種模型"記住"，導(dǎo)致評(píng)估結(jié)果失真。Sim2Reason可以隨時(shí)生成全新的、從未出現(xiàn)過的物理題，天然避免了這個(gè)問題。

更重要的是，研究團(tuán)隊(duì)發(fā)現(xiàn)，模型在合成模擬題上的得分，與它在真實(shí)IPhO競(jìng)賽題上的得分之間，存在顯著的正相關(guān)關(guān)系（斯皮爾曼相關(guān)系數(shù)達(dá)到0.79）。換句話說，如果一個(gè)模型在模擬題上表現(xiàn)優(yōu)秀，它在真實(shí)競(jìng)賽題上的表現(xiàn)也會(huì)更好。這意味著，可以用模擬題的得分作為一個(gè)快速、低成本的代理指標(biāo)，來預(yù)測(cè)模型在真實(shí)物理題上的能力。

**十一、拓展性：能不能用同樣的方法處理更多場(chǎng)景？**

研究團(tuán)隊(duì)還考察了這套流水線的可擴(kuò)展性。當(dāng)前系統(tǒng)的DSL覆蓋了大約15種物理實(shí)體類型（滑輪、斜面、彈簧系統(tǒng)、碰撞、旋轉(zhuǎn)體、火箭、電磁場(chǎng)中的帶電粒子等），但真實(shí)的物理競(jìng)賽題遠(yuǎn)不止這些類型。

為了測(cè)試能否低成本地?cái)U(kuò)展DSL，研究團(tuán)隊(duì)選取了三道當(dāng)前系統(tǒng)無法直接模擬的競(jìng)賽題目，分別來自F=MA、USAPhO和JEE Advanced，然后讓AI（大語言模型）嘗試為這些題目設(shè)計(jì)新的DSL實(shí)體。實(shí)驗(yàn)結(jié)果顯示，當(dāng)AI直接嘗試生成MuJoCo的底層XML代碼時(shí)，三道題中只有一道成功（成功率33%）；但當(dāng)AI在DSL框架內(nèi)設(shè)計(jì)新實(shí)體（本質(zhì)上是設(shè)計(jì)更高層次的"積木塊"）時(shí)，三道題全部成功（成功率100%）。

這說明DSL的抽象層次起到了關(guān)鍵作用：它把"如何在模擬器中正確配置關(guān)節(jié)、約束和接觸"這類繁瑣的底層工程問題，轉(zhuǎn)化為"這個(gè)實(shí)體有哪些物理參數(shù)、可以如何與其他實(shí)體連接"這類更符合物理直覺的高層描述。AI理解后者遠(yuǎn)比前者容易，因此擴(kuò)展成功率大幅提高。

此外，研究團(tuán)隊(duì)還測(cè)試了DSL的跨模擬器可移植性：他們讓AI把部分MuJoCo實(shí)體"翻譯"到NVIDIA Omniverse（另一個(gè)物理引擎），結(jié)果所有測(cè)試的實(shí)體均成功遷移。這意味著，未來即便要切換底層模擬引擎，也不需要從頭重建整個(gè)數(shù)據(jù)生產(chǎn)體系。

說到底，Sim2Reason這項(xiàng)研究講的是一個(gè)"無中生有"的故事。研究團(tuán)隊(duì)沒有收集物理題庫，沒有雇傭物理專家標(biāo)注數(shù)據(jù)，沒有從競(jìng)賽官網(wǎng)爬取歷年真題——他們只是在一個(gè)虛擬世界里，讓物理規(guī)律自己"說話"，然后把這些"話"轉(zhuǎn)化成AI的學(xué)習(xí)材料。

這背后隱含著一個(gè)更深遠(yuǎn)的洞見：知識(shí)不一定來自人類寫下的文字，有些知識(shí)本來就編碼在自然規(guī)律之中，只需要合適的工具去提取和轉(zhuǎn)化。物理模擬器就是這樣一種工具，它把連續(xù)的自然規(guī)律壓縮成了離散的、可驗(yàn)證的訓(xùn)練信號(hào)。

當(dāng)然，這個(gè)方法目前還有明顯局限。它的覆蓋范圍主要集中在經(jīng)典力學(xué)，電磁學(xué)、熱力學(xué)、量子力學(xué)等領(lǐng)域的支持還相當(dāng)有限。模擬器本身有數(shù)值精度問題，某些復(fù)雜接觸和摩擦行為的模擬并不完全可靠。此外，一些需要高度定性推理或圖表分析的物理題，目前的框架也難以直接處理。

但這個(gè)方向本身的潛力，遠(yuǎn)不止于物理學(xué)?；瘜W(xué)分子動(dòng)力學(xué)、流體力學(xué)、生物力學(xué)……凡是能被精確建模的物理過程，都可能成為AI推理訓(xùn)練的數(shù)據(jù)來源。你可能會(huì)想，如果有一天，AI可以通過在虛擬化學(xué)實(shí)驗(yàn)室里做實(shí)驗(yàn)來學(xué)習(xí)化學(xué)，通過在虛擬城市里模擬交通來學(xué)習(xí)經(jīng)濟(jì)學(xué)，這將打開怎樣的可能性？

有興趣深入了解這項(xiàng)研究的讀者，可以通過論文編號(hào)arXiv:2604.11805查詢完整論文，項(xiàng)目代碼和演示視頻也可通過sim2reason.github.io獲取。

Q&A

Q1：Sim2Reason用物理模擬器訓(xùn)練AI，這和傳統(tǒng)的用題庫訓(xùn)練有什么本質(zhì)區(qū)別？

A：傳統(tǒng)方法依賴人類寫下的題目和答案，數(shù)量有限，而且物理題尤其稀缺。Sim2Reason直接從物理引擎里"自動(dòng)生產(chǎn)"題目——程序隨機(jī)搭建虛擬物理場(chǎng)景，引擎模擬運(yùn)行后自動(dòng)記錄答案，全程不需要人工介入。本質(zhì)區(qū)別在于，數(shù)據(jù)來源從"人類曾經(jīng)寫下的知識(shí)"擴(kuò)展到了"物理規(guī)律本身"，理論上可以無限量生成。

Q2：IPhO國際物理奧林匹克競(jìng)賽那么難，AI用模擬器訓(xùn)練真的有用嗎？

A：有用，但提升幅度有限。研究顯示，用Sim2Reason訓(xùn)練后，不同規(guī)模的模型在IPhO力學(xué)題上提升了4到7個(gè)百分點(diǎn)。考慮到訓(xùn)練數(shù)據(jù)完全來自合成場(chǎng)景，沒有見過任何真實(shí)競(jìng)賽題，這個(gè)提升說明AI確實(shí)學(xué)到了可遷移的物理推理能力，而不是單純記憶題型。

Q3：強(qiáng)化學(xué)習(xí)訓(xùn)練AI解物理題，為什么比讓AI模仿正確解題步驟效果更好？

A：模仿正確解題步驟（監(jiān)督學(xué)習(xí)）會(huì)讓AI過度調(diào)整自身的推理風(fēng)格，導(dǎo)致在其他類型題目上的表現(xiàn)反而下降，這叫做"災(zāi)難性遺忘"。強(qiáng)化學(xué)習(xí)只告訴AI答案對(duì)不對(duì)，讓它自己摸索解法，這樣AI在學(xué)會(huì)物理推理的同時(shí)，不會(huì)破壞原有的通用推理能力，實(shí)驗(yàn)數(shù)據(jù)證實(shí)了這一點(diǎn)。