AI终于看懂物理了，不止是画得像

2026年初，一段AI生成的视频在社交平台刷屏：海浪卷着泡沫拍上沙滩，火焰在木柴堆上跳跃，斧头落下时木屑飞溅——每帧画面都逼真得像真实录像。直到有人慢放三倍速：蜂蜜从虚空里源源不断冒出来，斧头劈中木柴的瞬间，木屑居然比斧头先飞了出去。这些细思极恐的“穿帮”，戳破了一个假象：此前的AI视频生成，只是在“模仿”世界的样子，从未真正“理解”世界为何这么运行。中山大学和MBZUAI的团队，用一个叫ProPhy的框架，第一次让AI跨过了从“画得像”到“守规矩”的门槛。

为什么AI以前学不会物理？

你可以把传统视频生成模型想象成一个只会背台词的演员——它能完美复刻动作和表情，却不知道台词背后的逻辑。它靠统计海量视频里的像素规律生成画面，比如“斧头落下后通常会有木屑”，但搞不懂“斧头的力如何让木屑飞起来”。

这就导致了两个核心bug：一是物理知识的“一锅乱炖”——它把燃烧、碰撞、流体的规律混在一起，生成的蜂蜜会像火焰一样蔓延；二是空间定位的“睁眼瞎”——它知道要生成“碰撞”，却搞不清碰撞该发生在哪个位置，斧头还没碰到木柴，木屑就先炸了。

直白点说，它是个优秀的模仿者，却是个糟糕的物理学家。

给AI请一群“物理专家”当老师

ProPhy的解决思路很简单：不让AI瞎猜，而是给它安排一群各司其职的“物理专家”。

这是个两阶段的渐进式框架——先搞懂“是什么”，再搞懂“在哪里”。第一阶段是语义物理专家（SEB），它先读一遍用户的文本提示，比如“斧头劈柴”，然后调用对应的“碰撞物理专家”，明确这个场景要遵守的物理规则：力的传递、动量守恒、物体的刚性。这一步解决的是“该用什么物理规律”的问题。

第二阶段是细粒度物理专家（REB），它会给画面里的每个像素点（专业说法是token）分配对应的专家——斧头的部分归“刚性物体运动专家”，木柴的部分归“碎裂碰撞专家”，空气里的木屑归“流体运动专家”。这一步解决的是“物理规律该用在哪个位置”的问题。

更聪明的是，团队还借了视觉语言模型（VLM）的“眼睛”——这类模型擅长精准定位画面里的物理事件，比如“燃烧发生在木柴堆顶部”。他们把VLM的注意力图提取出来，当成物理定位信号喂给ProPhy，相当于给AI装了个“物理GPS”。

实验数据最有说服力：在权威物理常识基准VideoPhy2上，ProPhy的核心指标提升了19.7%，物理错误的出现频率下降了近40%。

这不是优化，是范式的跃迁

最有意思的是一个反常识实验：研究者人为反转了物理专家的权重，结果原本坚硬的汽车车门，居然像布料一样随风飘动。这说明ProPhy的每个专家，真的学会了独立的物理规律——不是模糊的像素模式，是可拆解、可操控的“世界规则”。

当然，它还有局限：现在只能处理“看得见”的表面物理规律，比如碰撞、燃烧，还没法模拟更底层的连续动力学，比如冰融化成水的分子运动；物理专家的知识也来自标注数据，难免有噪声。但这已经是关键的一步：AI第一次从“生成画面”变成了“模拟世界”。

打个比方，以前的AI是在画一幅风景油画，看起来像真的，但你没法走进画里；现在的ProPhy是在搭一个物理沙盘，你可以推一下里面的石头，它会按照重力规律滚下去。

当AI开始理解物理，它就不再是一个只会“创造视觉”的工具，而是开始具备“推演世界”的能力。未来，它可以给机器人生成无限接近真实的训练场景，给游戏打造完全符合物理规律的开放世界，甚至帮科学家模拟那些难以观测的物理现象——比如黑洞边缘的物质运动。

更重要的是，这是AI从“模仿人类”到“理解世界”的一小步。我们训练AI的终极目标，从来不是让它画一幅逼真的画，而是让它像人类一样，能看懂、能预测、能操控这个由物理规律支配的世界。

模仿是复制表象，理解才是掌握本质。