高鑫谈AI如何构建物理世界模型与数字底座

当人工智能技术深度变革科研与产业的底层范式，“AI for Science”已从理论构想步入规模化应用阶段。在近期的一场行业深度对话中，多位前沿实践者分享了他们的洞察。其中，极映科技创始人兼CEO高鑫的阐述尤为系统，他深入剖析了AI如何驱动下一代物理仿真技术的演进，并揭示了通用物理基础模型如何重构工业研发流程，甚至为具身智能领域开辟全新的可能性。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

一个引人深思的愿景是：倘若未来我们能在数字空间内高保真地复现真实世界的全部物理规律，构建一个与现实无缝映射的数字孪生宇宙，这是否也暗示着我们自身可能存在于某个宏大的模拟系统之中？这一终极图景的起点，或许正隐藏在“物理建模”这一核心拼图之中。

世界模型，缺失“物理”关键拼图

当前，“世界模型”已成为人工智能领域的热点概念。但行业正形成一个清晰共识：真正完备的世界模型，并非单一模型所能涵盖，而是语言理解、视觉感知与物理推理三大基础能力的深度融合。

这类似于评估一个人的综合能力，需从情商、智商、逆商等多维度考量，其整体表现是多种能力的有机复合。同理，在AI发展进程中，每一项核心基础能力都可能演化出对应的专用基础模型。在语言层面，我们有GPT、Claude等大语言模型；在视觉感知层面，CLIP、SAM及Sora等模型持续取得突破。然而，在物理认知层面——从日常抓取杯子的力道直觉，到专业领域的复杂物理推演——始终是AI能力版图中亟待补齐的关键部分。

因此，极映科技的创立初衷十分明确：将经典物理范畴内的规律，构建成一个通用的物理基础模型。只有当语言、感知与物理这三大基础模型全部成熟并协同，真正的、完整的世界模型才会自然涌现。

传统物理仿真，难以匹配AI时代的工业节奏

利用计算机模拟物理规律，其实并非新兴技术。早在上世纪中叶，物理仿真技术便已诞生。其价值显而易见：例如在新车空气动力学测试中，传统方法需制造实体样车、送入风洞实验，耗时数月、成本高昂；而物理仿真则在计算机中“重现”物理过程，设计修改后可即时重新运算，极大节约了时间与资金。

该技术的核心在于求解描述物理规律的数学方程（如流体的Navier-Stokes方程）。无论是汽车的气动分析、机器人的运动规划，还是电影特效中逼真的流体与烟雾，背后都依赖其支撑。

根据麦肯锡2024年的研究报告，未来五年全球约30万亿美元规模的新产品研发，都将依赖于物理仿真技术。但更根本的变化在于，企业对于仿真需求的优先级已发生结构性逆转。过去，企业优先追求性能优化，其次是降低成本与工程开销，最后才是缩短上市周期。如今，顺序已完全倒置：加速产品上市时间成为首要目标，其后才是成本控制与性能提升。

然而，“加速上市”这一核心诉求，恰恰是传统仿真工具难以有效支撑的。它面临几个结构性瓶颈：计算速度慢，单次求解常需数天，工程团队大量时间耗费在等待结果上；使用门槛高，网格划分、边界条件设置等工作需依赖拥有五年以上经验的专家；授权成本昂贵，主流商业软件年费高达数十万元，且需配置高性能计算集群；应用覆盖面窄，在广大中小企业中的渗透率不足10%。

显然，步入AI时代的工业界，迫切需要一种人人可用、即开即用、能提供实时反馈的物理推理能力，而非仅服务于少数专家的复杂重型工具。

极映1.0：从专家工具到普惠化基础能力

正是基于对这些行业痛点的深刻洞察，以及对AI时代物理能力新范式的判断，极映科技于2024年底成立，目标明确：让任意几何形状、任意工况条件下的物理仿真，都能实现简单、快速、精准的调用。

团队首选工业领域作为商业化落地场景——这是一个需求明确、可快速验证价值的市场。为此，他们攻克了几何复杂性、边界与交互复杂性、材料本构关系泛化性以及物理准确性四大核心技术难点。

2025年底，极映1.0模型正式发布。相较于传统计算流体动力学工具，它重构了物理仿真的底层范式：将典型推理时间从4-24小时压缩至秒级，速度提升超100倍，同时将精度损失控制在5%以内；以统一框架覆盖流体、结构、热、电磁四大物理场，替代了过去彼此独立的分散工具链；采用无网格技术免去复杂的前处理，结合自然语言交互实现零专业门槛上手，打破了传统工具对资深专家的强依赖。该模型已在多个真实工业场景中完成精度验证。

这堪称工业仿真领域的一次范式跃迁，使物理仿真从“专家专属工具”转变为“人人可调用的基础能力”。

一个典型应用是工业设计中的支架拓扑优化。过去，这项工作极度依赖工程师的深厚经验，并有上千篇学术论文研究各类复杂优化算法。现在，利用AI可自动生成数千种几何设计方案，极映模型能在1-2小时内完成全部方案的仿真评估，设计师只需从中筛选最优解即可。整个过程从“被动迭代优化”转向了“物理规律约束下的主动设计生成”，极大地拓展了创新设计空间。

其技术发展路线图核心分为两步：第一步，采用纯数据驱动方案，收集海量多物理场数据，训练出通用的物理基础预训练模型；第二步，在预训练模型之上进行场景化封装，适配不同垂直应用领域。目前的1.0版本，已实现仅需10-100例小样本数据微调即可快速适配特定场景需求；而正在研发的2.0版本，核心目标是实现零样本物理推理，进一步突破模型的应用边界。

超越工业：开启具身智能与世界模型的未来想象

工业应用，仅是物理基础模型价值释放的起点。如今，这项能力正被拓展至更具前瞻性的领域——具身智能。

目前行业已普遍认识到视频数据、第一人称视角数据对于机器人训练的重要性。但必须指出，所有视频数据都存在一个关键的信息维度缺失：力学信息。

我们能从视频中观测到物体的外观、尺寸和运动轨迹，却无法直接获知“抓握这个物体需要施加多大的力”、“碰撞后会产生怎样的形变与应力”。而这些力控与接触信息，恰恰是机器人执行灵巧操作和高难度接触任务的核心依据，是不可或缺的关键维度。

极映正在推进的工作，正是利用物理基础模型补全这一缺失维度：提取视频中的视觉信息，输入至基础模型，便能直接输出对应的完整力学信息。这意味着，互联网上积累的海量人类操作视频，有望被高效转化为机器人可学习、可理解的训练语料。

这正是通用物理基础模型最核心的价值所在：它将过去分散在汽车工程、航空航天、影视特效、机器人等不同行业的物理仿真任务，统一到一个基础模型中解决。当这个通用的物理基础模型，与语言大模型、视觉大模型等其他基础能力完成深度融合，我们所期待的那个真正完备、统一的世界模型，自然会应运而生。

回溯初心，极映科技的使命，正是运用AI技术极致地映射真实的物理世界。从复现风洞中的复杂气流，到模拟机械零件的细微形变，再到补全机器人训练的力学维度，其终极目标，是在数字世界中重建一个完全遵循现实物理规律的全息宇宙。