事件總覽：從文字、影像到3D建模，AI的學習觸角不斷延伸，唯獨在模擬真實世界的物理法則時，始終像個只會背公式卻不懂原理的學生。MIT與清華大學團隊發表的新型預訓練方法GeoPT，正試圖改變這個困境——讓AI在接觸真實數據之前，先長出一套內建的「物理直覺」。
在此之前，工程師要模擬一艘軍艦在海上的受力，或是車禍瞬間車體的變形狀況，往往得經歷一場資源與時間的消耗戰。傳統的數值模擬方法需要在成千上萬個網格點上反覆求解物理方程式，一個不小心，幾十個小時的運算就過去了。
說真的，這種痛在航太與汽車產業特別鮮明。你手上有一組漂亮的3D設計圖，卻得等上大半天才能知道這輛車的風阻係數到底行不行。如果要微調設計？那很好，請重新再跑一次模擬。這也是為什麼許多中小型研發團隊對高精度物理模擬「既期待又怕受傷害」——它太貴了，無論是時間成本還是計算資源。
有趣的是，MIT CSAIL與清華大學團隊這次切入的角度不太一樣。他們不再試圖把AI訓練成更快、更大的「計算器」，而是思考一個更根本的問題：能不能讓AI在學具體案例之前，就先建立對物理世界的基本認知？
📅 2026年關鍵突破：預訓練階段的「物理啟蒙課」
研究團隊給出的答案是GeoPT。這個名字背後的關鍵機制叫做「合成動態」（Synthetic Dynamics）訓練——先用130萬筆虛擬樣本，讓模型觀察一顆小球以不同速度、不同角度撞擊各種複雜的3D立體結構，然後預測它會在哪裡停下來。
這就像在正式學微積分之前，先讓學生大量觀察物體拋物線運動的軌跡。等到真正要解題時，腦袋裡已經有了一套直覺性的判斷基準。這套策略在實際測試中展現出驚人的效率優勢：達到最佳峰值表現的速度，比現在市場上領先的模型快了將近一倍；更重要的是，它所需的標註資料量最多可以砍掉六成。
資料量減少六成是什麼概念？對很多企業來說，這直接影響到專案的可行性。高品質的標註資料從來不便宜，尤其涉及物理模擬的3D數據，蒐集與標註的成本往往高得嚇人。GeoPT的訓練策略等於用更少的「營養」就養出更壯的模型，這在商業應用上絕對是關鍵變數。
至於最極端的應用情境——比方說同時要考慮船體承受空氣風阻與海浪衝擊的複合條件——GeoPT的表現更誇張：用少60%的資料、快了4倍的速度，就達到最高精確度。這已經不只是「改進」，而是完全不同層級的運算效率了。
編輯觀點：這篇研究最值得注意的，其實不是「快多少」或「省多少」這些數字，而是研究團隊把物理視為「第三種AI模態」的企圖心。過去我們談多模態AI，通常指的是文字、影像、語音的整合，但物理訊號一直被忽略。GeoPT證明了物理規律可以被抽象化、模組化，甚至預訓練化。接下來兩年，我們很可能會看到「物理預訓練模型」成為AI基礎設施的新戰場，而這對於臺灣的智慧製造、自駕車、乃至於數位孿生產業，都是值得提前佈局的技術風向。誰先把物理直覺模組化，誰就能在下一波工業AI競賽中搶到門票。
📅 實戰驗證：從戰機風壓到車輛碰撞的全面碾壓
光說不練向來不是MIT的風格。研究團隊把GeoPT丟進一系列高難度測試場景——風壓分佈模擬、戰機受風影響、車輛碰撞變形，甚至是光線在3D模型中的折射路徑——結果在所有項目上都顯著優於現有方法。
其中一個關鍵指標特別值得拿出來談：GeoPT可以在秒級時間內完成超過1億個網格點的高保真模擬。你知道這數字代表什麼嗎？傳統數值方法如果要處理同樣規模的網格，輕則幾小時，重則數天。工程師現在可以即時看到設計變更的物理反饋，這等於把「試誤」的成本從幾個工作天壓縮到一杯咖啡的時間。
MIT博士生郭明昊（共同第一作者）講了一句很有意思的話：團隊把物理當作繼文字和像素之後的「第三種AI模態」。這句話的弦外之音是——未來AI的「感官」不再只是閱讀和觀看，還包括「感受」物體之間的力學關係。
至於另一位共同第一作者吳海旭提到的應用場景就更直白了：對於那些不想砸大錢做實體碰撞測試的車輛工程師來說，GeoPT提供了一個極具說服力的替代方案。畢竟實車碰撞一次就是幾十萬甚至上百萬的成本，而用AI模擬不僅便宜，還能反覆測試各種極端角度。
📅 從實驗室到產業：物理基礎模型的想像空間
研究團隊將GeoPT定位為「物理基礎模型」（Physics Foundation Model）的起步，這個定位很精準。它現在能處理的形狀與物理現象還有限，但擴充路徑已經很明確：天氣模式預測、新材料力學測試、高真實度影片生成，都是接下來可以延伸的領域。
換個角度想，如果未來每一種物理現象——從流體力學到熱傳導到電磁場——都有自己的「基礎模型」，那工程師的工作方式會徹底翻轉。你不需要每次都從零開始解方程式，而是直接呼叫一個已經具備物理直覺的AI，告訴它「幫我算這個設計在風速50節下的受力分佈」，然後五秒鐘後看到熱圖結果。這才是真正的「數位孿生」該有的樣子。
不過話說回來，這項技術現在還處在「證明可行」的階段。要真正走進產業實戰，還有工程化、標準化、以及與現有設計工具的整合等挑戰需要克服。但方向已經很明確了：物理模擬的未來，一定有一部分會交給這些具備「直覺」的AI來負責。
回頭看AI這幾年的發展路徑，從語言模型到圖像生成再到物理模擬，你會發現一條隱約的脈絡：真正有價值的AI，從來不是會背更多東西的AI，而是能用更少資訊、更短時間做出準確判斷的AI。GeoPT證明了，物理世界的人工智慧，正朝這個方向加速前進。
至今影響與未來展望
回到最根本的問題：AI真的需要理解物理嗎？如果你只打算讓AI寫詩、畫圖、寫程式，答案可能是否定的。但如果你期待AI走進現實世界——幫你設計更安全的車子、預測更精準的天氣、甚至控制機器人在真實環境中執行任務——那物理直覺就不是選項，而是必要條件。
GeoPT的突破不在於它跑得比別人快，而在於它證明了「物理感」可以被預訓練。這聽起來很技術，但背後的理念其實很簡單：真正聰明的AI，不是算得快的AI，而是懂得世界運作規律的AI。而懂得規律，就不需要每次都從頭開始。
對臺灣的產業界來說，這波物理模擬AI的浪潮其實有很具體的切入點。無論是半導體製程中的熱力模擬、電動車電池的散熱設計、還是智慧城市中的風場分析，GeoPT所揭示的技術路徑都指向同一個結論：未來五年，物理模擬的效率將出現跳躍式的提升，而現在正是評估這項技術如何落地的最佳時機。
你的產業跟物理模擬有關係嗎？也許是時候想一想：如果AI幫你把模擬時間從天縮短到秒，你的研發流程會發生什麼改變？
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
GeoPT跟一般的AI物理模擬有什麼不同？
最大差異在於GeoPT在預訓練階段就先透過「合成動態」機制建立物理直覺，而不是直接從標註資料開始學習。這讓它在訓練效率和資料需求上都遠優於傳統方法——訓練速度約快一倍，標註資料可減少六成。
GeoPT目前可以應用在哪些產業？
研究團隊已經驗證了風壓分析、戰機受風、車輛碰撞變形、船舶複合受力等場景，航太、汽車、船舶設計與土木工程都是直接受惠的領域。未來還計畫延伸至天氣預測、新材料測試與影片生成。
物理基礎模型跟現在的大型語言模型有什麼關係？
研究團隊將物理視為繼文字和像素之後的「第三種AI模態」，概念上跟語言模型類似——先建立廣泛的基礎認知，再針對特定任務進行微調。GeoPT就是物理基礎模型的雛形，未來可望跟語言模型、視覺模型整合，形成更全面的世界模擬系統。
企業現在可以用GeoPT嗎？
目前GeoPT仍屬於研究成果階段，還需要進一步的工程化與商業化開發。不過研究團隊已表示將持續擴充可訓練的物理現象與形狀範疇，有意導入的企業可以密切關注MIT CSAIL的後續釋出進度。
※ 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。