随着人工智能技术深度赋能科学研究与产业创新，“AI for Science”已从理论构想步入规模化应用阶段。近日，一场专题技术沙龙深入探讨了AI如何革新下一代物理仿真技术，并以此为核心引擎，驱动工业智能化升级与具身智能系统的突破性发展。极映科技创始人兼CEO高鑫在分享中，清晰阐述了从通用物理模型到完整世界模型的技术演进路线。
世界模型构建，不可或缺“物理”基石
“世界模型”无疑是当前人工智能领域的关键方向。但业界共识在于：一个真正完备的世界模型，并非单一模型所能胜任，它必然是语言理解、视觉感知与物理推理三大基础能力的有机融合。
这类似于评估一个人的综合能力，需从情商、智商、体能等多维度考量。在AI领域，每一项核心基础能力都可能催生一个专属的基础模型。目前，语言基础模型已有GPT、Claude等代表，感知基础模型也涌现出CLIP、SAM及Sora等。然而，物理模型——涵盖从日常生活中的力学直觉到严谨的科学规律推演——始终是AI能力拼图中亟待补齐的关键部分。
弥补这一能力缺口，正是极映科技的创立初衷：将经典物理规律系统性地编码为一个通用的物理基础模型。只有当语言、感知、物理这三大支柱全部稳固建立，真正的世界模型才会水到渠成。
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过程，其实已有数十年历史。早在上世纪中叶，物理仿真技术便已出现。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并送入风洞，耗时数月、成本高昂；而物理仿真则能在数字空间中复现物理过程，设计修改后即可快速重新计算，大幅节约时间与资金。
其技术核心在于求解描述物理规律的偏微分方程。无论是汽车风阻分析、机器人运动规划，还是电影中的视觉特效，背后都离不开物理仿真。麦肯锡2024年研究报告指出，未来五年全球约30万亿美元规模的新产品研发，都将高度依赖仿真技术。
然而，根本性的变化在于企业需求的优先级发生了逆转。过去，企业关注点依次是性能优化、降低成本、控制工程开销，最后才是缩短上市周期。如今，这一顺序已被彻底颠覆——“加速产品上市速度”已成为企业对仿真技术的首要需求。
遗憾的是，传统仿真方法难以支撑这种高速迭代的开发模式，其面临四大结构性挑战：
计算速度慢：单次仿真求解常需数天时间，工程团队大量精力耗费在等待结果上；
专业门槛高：网格划分、边界条件设置等关键步骤，需依赖拥有五年以上经验的专家完成；
使用成本昂贵：主流商业软件授权费用高昂，且需配套昂贵的高性能计算集群；
应用覆盖面窄：在广大中小企业中的渗透率不足10%。
显然，AI时代的工业体系，需要的是人人可用、实时反馈的物理推理能力，而非仅限少数专家操作的复杂工具。
极映1.0：从专家工具到普惠化基础能力
正是基于对行业痛点及AI时代能力范式的深刻洞察，极映科技于2024年底成立，目标明确：实现任意几何形状、任意工况条件下的物理仿真，都能简单、快速、精准地完成。
工业领域成为其首个商业化落地场景。团队成功攻克了几何复杂性、边界与交互条件复杂、材料本构泛化性及物理准确性四大核心技术难题。
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，它实现了底层逻辑的重构：将典型仿真时间从4-24小时压缩至秒级，速度提升超100倍，且精度损失控制在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；采用无网格技术免去复杂前处理，结合自然语言交互实现零专业基础即可上手。这标志着工业仿真领域的一次范式变革，物理仿真正从“专家专属工具”转变为“人人可调用的基础能力”。
工业设计中的拓扑优化便是典型例证。过去，这项工作极度依赖工程师经验，并有海量学术论文研究各类优化算法。如今，利用AI可自动生成数千种几何方案，极映模型能在1-2小时内完成全部仿真评估，设计师只需从中筛选最优方案。整个过程从“依赖经验的被动优化”转向了“物理规律约束下的主动生成”，极大拓展了创新设计空间。
其技术路线图清晰分为两步：第一步，通过纯数据驱动，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，在预训练模型基础上进行场景化封装，适配不同垂直领域。当前1.0版本，仅需10-100例小样本即可快速迁移至新场景；而研发中的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：赋能具身智能与世界模型新想象
工业应用仅是通用物理基础模型的起点。其能力正持续向更具前沿性的具身智能领域延伸。
目前行业已普遍认识到视频数据与第一人称视角数据对机器人训练的价值。但所有视觉数据都存在一个关键信息维度的缺失——力学信息。
我们能从视频中识别物体外观、尺寸与运动轨迹，却无法感知“抓握此物需多大力度”、“碰撞后将产生何种形变”。而这些力控信息，恰恰是机器人完成灵巧操作与复杂接触任务的核心。
极映科技正在推进的，正是利用物理基础模型补全这一缺失维度：将视频中提取的视觉信息输入模型，即可直接输出对应的完整力学参数。这意味着，互联网上规模庞大的人类操作视频，有望高效转化为机器人训练所需的高质量数据语料。
这正是通用物理基础模型的深层价值：它将过去分散于汽车、航空、影视特效、机器人等不同行业的物理仿真需求，统一至一个基础模型中解决。当该模型与语言大模型、视觉大模型等基础能力实现深度融合，我们所期待的那个真正完备的世界模型，便会自然涌现。
从模拟风洞气流，到预测零件形变，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，构建一个高度贴合现实规律的虚拟物理宇宙。这不仅是一条技术路径，更是对物理世界进行数字化极致映射的长期愿景。
