何恺明团队新作GeoPT：全新预训练范式让模型自学物理规律

近日，何恺明团队发布全新研究成果GeoPT，创新性提出动力学提升预训练范式，通过合成动力学技术将静态几何资产转化为动态学习样本，让大模型在无标签数据下自主掌握真实物理规律。在同等精度要求下，该模型最高可节省60%的物理仿真数据，为物理仿真规模化应用破局。

在物理仿真的工业化落地进程中，数据瓶颈始终是绕不开的障碍——大量静态3D资产因缺少动力学信息无法直接用于模型训练，而标注真实物理规律的数据集，动辄需要耗费数百万元的成本，让多数研发团队望而却步。

当前主流的物理仿真模型，核心依赖于对物理系统解场的精准学习：解场由几何边界G（比如汽车外形、建筑结构）和系统动力学条件S（比如风速、外力作用）共同决定。以空气动力学仿真为例，想要预测汽车行驶时的阻力分布，必须同时输入车身几何模型和实时风速参数，缺一不可。

但现实中，具备完整动力学标注的数据集极其稀缺，而仅靠静态几何资产训练的模型，又无法掌握真实世界的物理演化逻辑。这种矛盾直接导致物理仿真模型难以实现规模化训练，应用场景也被大幅限制。

何恺明团队的最新研究成果GeoPT，正是瞄准这一痛点提出的解决方案。该模型创新性构建了动力学提升预训练范式，通过“合成动力学（Synthetic Dynamics）”技术，将原本静态的3D几何资产“转化”为带有动态演化轨迹的学习样本。

具体来说，GeoPT会为静态几何生成虚拟的动力学驱动条件，模拟粒子在该几何空间内的运动轨迹演化，让模型在无标签数据的情况下，自主学习并理解真实世界的物理规律。实验数据显示，在达到同等预测精度的条件下，GeoPT最高可以节省60%的物理仿真数据，大幅降低了模型训练的成本门槛。

GeoPT的出现，不仅为物理仿真的规模化训练提供了新路径，也为AI模型跨领域学习物理规律打开了窗口。在流体力学、机器人动力学、自动驾驶虚拟仿真等领域，该模型有望快速落地：比如自动驾驶研发中，无需耗费大量资源采集真实路况的动力学数据，仅靠现有静态地图资产就能训练出高精度的仿真模型。

未来，随着技术迭代，GeoPT还有望拓展到更复杂的物理系统中，比如天体物理模拟、材料科学研发等，进一步释放AI在物理领域的应用潜力。