MIT等提出GeoPT：用合成动力学预训练，减少60%物理模拟数据
GeoPT用免费3D几何加随机动力学做预训练，大幅降低物理模拟对昂贵数据的需求，且数据效率显著提升。
训练AI做物理模拟（比如预测汽车风阻）通常需要大量昂贵的计算数据。MIT和清华团队让AI先看大量免费3D模型，再随机给模型加“速度场”（让虚拟粒子飞向表面），从而低成本生成海量训练样本。这个名为GeoPT的方法，能让下游物理模拟所需数据减少20%–60%，收敛速度最高提升2倍。
正文摘录
.jpg) 编辑丨& 如果让 AI 看一辆汽车的 3D 模型，它可以越来越准确地描述车身轮廓、识别不同部件，甚至生成一个相似的模型。但倘若把这个模型加速到 120km/s，事情就稍显复杂起来。 这已不是单纯对形状的理解，更是理解形状与物理环境之间如何发生作用。这意味着，如果想让 AI 同时学会汽车、飞机、船舶乃至碰撞等大量物理场景，训练数据会是个大麻烦。 麻省理工学院计算机科学与人工智能实验室（MIT CSAIL）与清华大学研究团队提出的 GeoPT 带来了一种全新的视角：既然真正的物理模拟数据这么昂贵，那能不能先让 AI 只用大量免费的 3D 几何数据，让它了解日常机械互动，更准确地模拟现实世界。 相关论文以「 GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training 」为题，被 ICML 2026 接收。