物理学的 ChatGPT 时刻：基础模型如何让 AI 学会“万物皆数”

在语言领域GPT 系列模型证明了先在海量文本上无监督预训练再微调适应下游任务就能涌现出惊人的通用智能。如今物理学界正在经历一场同样的范式革命——物理基础模型的目标是让一个神经网络一次性学会多个物理领域、多种方程、多类数据背后的通用规律最终成为科学家手中的“万能物理助手”。从专才到通才为什么需要物理基础模型到目前为止我们介绍了 PINNs专解特定方程、神经算子专学某一族映射、等变网络专守三维对称性、GNN 模拟器专做网格推演。它们都是专才——每个模型只为一个或一类物理任务而训练换一个场景就得从头来过。现实世界的物理问题是互相关联的工程师在优化机翼时需要同时考虑气动、结构、传热气候科学家要耦合大气、海洋、冰盖、碳循环。传统做法是分头建模再强行拼接效率低且接口损耗大。物理基础模型的雄心就是训练一个通才一个模型可以理解流体、固体、电磁、热传导乃至量子化学可以接受不同格式的输入仿真网格、观测图像、物理文本描述并输出各种形式的预测。这背后的哲学是物理规律虽然是多样的但它们共享着深层结构——偏微分方程的形式、对称性、守恒律、多尺度行为。如果有足够多、足够丰富的数据一个容量足够大的网络或许能像人类物理学家一样提取出这些共通的“元知识”并在不同系统间迁移。大规模预训练让模型先“博览群物”实现这一野心的钥匙是大规模预训练。其流程与训练一个语言大模型如出一辙构建物理“语料库”不再只是文本而是多模态的物理数据全球气象再分析资料、湍流直接数值模拟数据、材料数据库、粒子物理仿真、天文巡天图像甚至物理教材和论文中的方程与文字说明。数据量级可达PB级别覆盖从微观到宇观的广阔时空尺度。自监督或物理引导的预训练模型在这些数据上执行无标注的学习任务。例如掩码重建随机遮住部分流场或分子的局部区域让模型根据上下文补全——就像训练语言模型时预测被遮住的词。对比学习让模型判断两个不同时刻的状态是否来自同一物理演化序列从而学会时间依赖性。物理残差预测让模型直接预测 PDE 的残差或守恒量变化将物理方程融入预训练目标。统一的表示空间核心网络往往采用 Transformer 或图网络等通用架构它将不同来源、不同分辨率的物理数据映射到一个共享的物理表示空间。在这个空间里大气环流、机翼绕流、晶体振动等看似无关的现象都被编码为类似的几何和动力学特征向量。这种统一表征是跨领域泛化的基础。代表性模型天气和气候领域的先行者天气领域因为数据丰富、物理规律清晰、社会价值高成为了物理基础模型的第一个突破口。ClimaX由微软研究院构建是一个多模态天气与气候基础模型。它被预训练在 CMIP6 气候模型多机构、多情景的庞大数据集上可以接受任意分辨率和任意变量组合的输入。预训练后的 ClimaX不仅可以直接完成全球中期天气预报还能通过微调执行气候预估、区域降尺度、极端事件检测等多个下游任务性能比肩甚至超越专门的定制化模型。Aurora微软另一个面向地球系统的 AI 基础模型。它在超过百万小时的气象和气候数据上进行预训练能以0.1°的超高分辨率约11公里网格进行全球十天预报且推理速度比传统数值模型快约5000倍。Aurora 的独特之处在于它还能处理空气污染、洪涝等环境变量展现出跨物理领域的潜力。Pangu-Weather / GraphCast虽然它们目前更偏向于单任务专家但其架构Vision Transformer / GNN和在海量数据上训练的策略正是迈向基础模型的关键一步。GraphCast 已经能在1分钟内完成十天全球预报精度超越欧洲中期天气预报中心ECMWF的顶级确定性系统。这些模型证明了一次预训练多任务泛化的思路在物理世界是可行的。向着物理通用智能迈进未来的物理基础模型将不仅限于天气而是走向真正的多物理、多模态、多用途多物理覆盖一个模型同时理解流体力学、结构力学、电磁学和热传导。它可以在输入“翼型形状”和“风速”后输出升力、阻力和翼面温度分布并指出哪里可能出现疲劳断裂。多模态交互科学家可以用自然语言提问“如果边界温度升高50度这个反应堆的压力变化会是什么样” 模型理解文字调出相关的热力学算子生成压力场并配合文字解释。这就将大型语言模型与物理神经算子融为一体。终身学习与自改进模型可以持续吸收新发表的实验数据或模拟结果不断更新自己对物理世界的理解就像一位永远在学习的物理学家。物理基础模型带来的不仅仅是效率提升更是一种科研范式的转变从“每个问题一个模型”转向“一个模型理解万物”。它有望成为科学发现的操作系统让人类研究者站在AI物理通才的肩膀上专注于提出真正深刻的问题。框图一句话物理基础模型效仿语言大模型的范式在海量多物理多模态数据上预训练出通用物理表征再微调适配各类下游任务实现从“专才”到“通才”的跨越。