单图生成4D物理视频，1分钟搞定

给一张静态蛋糕图，要让它掉在地上Q弹晃动——放在以前，得花几小时逐帧调参数，让模型搞懂‘蛋糕不是石头’。现在，北京理工大学联合团队的PhysGM模型，只需要1分钟，就能从单张图片生成完全符合物理规律的4D动态视频：蛋糕会晃、沙堆会散、石头会硬邦邦砸地。它跳过了传统模型耗时的逐场景优化，直接把大语言模型里的偏好优化思路搬进了物理仿真。这背后到底藏着什么门道？

从‘猜物理’到‘直接懂物理’的跳跃

过去要让AI生成符合物理规律的动态，核心难题是‘猜参数’：给一张图片，模型得先重建3D结构，再反复试错调整杨氏模量、泊松比这些物理参数，靠分数蒸馏采样（SDS）一点点逼近真实效果，光优化一个场景就得几小时。PhysGM把这个逻辑彻底反过来了。

它用一个24层Transformer做核心，输入单张图片和相机参数后，同时输出两个关键结果：一个是3D高斯点云——用一堆带颜色、位置和形状的‘光斑’快速重建物体的3D结构；另一个是物理属性的概率分布，直接给出材料类别、刚度和可压缩性的可能范围。整个过程是一次前馈推理，不用迭代，30秒内就能拿到所有参数。

接下来是**物质点法（MPM）**的舞台——你可以把它想象成给每个高斯点安上‘物理大脑’：每个点携带质量、速度和形变信息，先把这些信息映射到背景网格上计算受力，再把网格的受力结果还给每个点更新状态。蛋糕的Q弹、沙子的流动，全靠这套粒子-网格的双向传递实现。

给物理仿真装上‘人类偏好过滤器’

光有参数还不够，怎么保证生成的动态符合人类对‘真实’的感知？PhysGM最巧妙的一步，是把大语言模型里的**直接偏好优化（DPO）**搬进了物理生成领域——这相当于给模型装了个‘自动评分器’。

它会从物理参数的概率分布里采样好几组可能，用MPM分别生成动态视频，再用SAM-2分割物体、CoTracker-3提取运动轨迹，把这些生成视频和真实物理视频比‘相似度’：轨迹越贴合、形变越自然，就标记为‘胜者’，反之就是‘败者’。模型会在训练中不断强化对‘胜者’参数的偏好，慢慢学会生成更符合人类直觉的物理动态。

这个过程完全不用可微分的物理引擎——传统方法要让物理引擎支持反向传播，得把整个仿真过程拆成可求导的数学模块，耗时又复杂。DPO跳过了这一步，用‘选优’代替‘调参’，不仅训练效率提升了一个数量级，还让物理动态的真实感直接跳了级：在用户测试里，带DPO的PhysGM生成结果被选中的概率是传统方法的3倍多。

有意思的是，团队还专门建了个5万规模的PhysAssets数据集当‘练手素材’——用多模态大模型给3D资产自动标注物理属性，再生成对应的仿真视频。相当于给模型喂了5万个‘物体-物理-动态’的标准答案，让它先学会‘看东西猜物理’，再用DPO打磨细节。

快是快了，但还有几道坎要跨

PhysGM把物理驱动的4D生成从‘小时级’拉到了‘分钟级’，但它还不是完美的。

首先是MPM的计算瓶颈：虽然参数预测快，但要做高分辨率的复杂仿真——比如百万粒子级的沙堆流动——还是得消耗不少算力，离实时生成还有距离。其次是‘仿真到现实’的 gap：模型学的是数据集里的物理规律，遇到真实世界里的极端情况，比如冻硬的沙堆、半融化的巧克力，可能还是会‘摸不准’。

更关键的是，它目前还只能处理单物体或简单多物体场景，要是给一张满是人和家具的客厅照片，模型还没法准确区分每个物体的物理属性，更别说模拟它们之间的复杂碰撞了。不过这些问题，反而更能体现PhysGM的价值：它给物理生成领域搭了个‘快推理+偏好调优’的框架，剩下的就是往里面填更精细的物理模型和更丰富的训练数据。

当我们谈论AI‘懂物理’，本质上是在让虚拟世界和现实世界的规则对齐。以前要实现这种对齐，得靠工程师逐场景‘教’；现在PhysGM证明，AI可以通过数据和偏好学习，直接‘悟’到物理规律。

这不仅是速度的提升，更是思路的转变——从‘让AI适应物理引擎’，变成‘让物理引擎适应AI的学习方式’。未来，也许我们给一张设计图，AI就能直接生成符合力学规律的动态仿真；给一张老照片，它就能还原出当年风吹过屋檐、树叶落在地上的真实动态。

虚拟与现实的边界，正在被‘懂物理’的AI慢慢揉碎。