文：張恭銘
大型語言模型之所以成功，關鍵在於訓練數據幾乎取之不盡——人類數千年的知識以文本形式沉澱在網路上。但物理AI面對的，是一個完全不同的真實世界。
獲取真實世界的交互數據，不僅成本高昂、效率低下，更存在不可忽略的安全風險。要訓練機器人掌握「輕拿輕放」，不可能讓它反覆打碎玻璃杯來學習。更令人焦慮的是，研究者發現兩萬小時的真機數據，真正有效的可能不到三千小時。數據稀缺，直接制約了物理AI的可擴展性與泛化能力。
面對現實數據取得困難，仿真訓練成為業界公認的解法。然而，仿真與現實之間存在一道名為「Sim-to-Real Gap」的天塹。微小的物理參數偏差、傳感器噪聲建模不精確、材料交互動力學的複雜性，都可能讓仿真中表現優異的策略在現實世界中徹底失靈。數據看上去很多，卻沒有真正和真實場景對齊——可以用來預訓練，卻很難直接部署。
人類理解物理世界，往往不依賴海量數據。一個孩子只需觀察幾次球體下落、積木相撞，便能形成對重力、支撐、碰撞的直覺認識。但AI系統恰恰相反：高度依賴大規模訓練數據，泛化能力不足，一旦物體數量或組合方式變化就容易失效。根本原因在於，多數模型並未真正「理解」物理規律，只是學會了對運動軌跡的表層擬合。
突破的關鍵，在於讓AI從「死記硬背」轉向「掌握規律」。北京大學研究團隊提出的Neural Force Field模型，不預測「下一步在哪裡」，而是回答「為何物體如此運動」——直接學習力場，用通用的「力的規則」取代對特定軌跡的記憶。只需100條訓練軌跡，就能在全新關卡中成功學習支撐、碰撞等物理規則。攬月動力則透過「約化模型」將高維變量降維成基礎物理參數，讓機器人先掌握「解題公式」而非「背題」，簡單動作的訓練樣本僅需幾十條。
物理AI的挑戰，本質上是從「數據暴力」走向「規律理解」的範式轉移。當AI不再需要百萬次摔杯才能學會輕拿輕放，當它像孩子一樣從寥寥數次觀察中歸納出物理世界的運作方式——那才是物理AI真正成熟的時刻。