编辑丨%
在语言领域，GPT 这样的「大模型」只需一次训练，就处理翻译、写作、问答等不同任务。那在物理世界，能不能也有一台「通用物理引擎」，一次训练后就能推演流体、热传递、甚至冲击波？
这个难题困扰着物理学家。目前的物理模拟往往是「专用工具箱」：求流体用一套方法，做热对流要换另一套。每个体系都要重建模型、调参和算力，成本高、迁移性差。实验的流畅性往往饱受摧残。
所以，弗吉尼亚大学（University of Virginia）与亚琛工业大学（RWTH Aachen University）的团队提出了
（General Physics Transformer）。该 Transformer 经过 1.8 TB 的多物理体系模拟数据训练，覆盖流体–固体相互作用、冲击波、热对流、多相流等领域。不是针对单一系统，而是作为「物理领域的大模型」——一次训练，广泛适用。
该研究以「Towards a Physics Foundation Model」为题，其预印本发布在 arxiv。
论文链接：https://arxiv.org/abs/2509.13805
通用物理 Transformer
基于 Transformer，加入了时空注意力机制，并结合数值积分器。模型先学习状态的时间导数，再用数值方法外推出未来状态。可以将 
视为神经网络和物理引擎的混合体。
它接收一段发生过程的历史（例如几个模拟帧），从中找出变化的规则，然后应用一个简单的更新步骤来预测接下来会发生什么。就像教一个 Transformer 通过基本的微积分提示来玩物理帧预测游戏。
研究团队表示，该通用模型主要为解决三个关键问题：
1.一个单一的大型 Transformer，能否在没有任何显式的物理描述特征的情况下，有效地模拟广泛的异质物理系统（例如不可压缩流动、冲击波、对流）；
2.这个基础模型能否仅通过从输入中推断动力学，实现零样本泛化到新的、未见的物理条件（例如新的边界条件、全新的物理学知识）；
3.
能否在扩展的自回归滚动预测过程中保持物理一致性和稳定性。
图 1：
的一般架构。
为了达到训练目的，研究团队并未局限于一种流体或系统，而是汇集了涵盖许多不同场景的 1.8 TB 模拟数据：平静流动、湍流流动、热对流等。除此之外变量 Δt 子采样和归一化数据集都鼓励跨尺度的上下文推理。
多场景适用
在所有测试集的单步预测中，
在相似参数数量下，与 UNet 相比，中值均方误差（MSE）降低了约 5 倍，与 FNO 相比降低了约 29 倍。
图 2：所有测试集中每个模型的平均和中位数均方误差（MSE）。
更令人兴奋的是，该模型实现了通过上下文学习实现零样本泛化，对完全未见的物理系统进行预测。这意味着你可以给它一个它从未训练过的全新情况，比如它从未见过的边界条件，甚至是超音速流动，它仍然能够产生物理上合理的预测结果。
经测试，该模型在 50 步自回归预测中仍能保持物理一致性，避免了快速发散。扩展到分布外系统进一步揭示了模型的泛化机制。随着预测的累积，细节逐渐消失，但大规模行为（如全局流动结构）的可靠性比预期要持久得多。
迈向物理 GPT 的第一步
团队已经证明，单个基于 Transformer 的模型可以有效地学习和预测各种物理系统的动力学，而无需显式的物理特定特征，这标志着向真正的物理基础模型迈出了重要一步。这项工作展示了物理基础模型的可能性：训练一次，就能在多个场景下运行，节省大量算力和开发成本。
当然，当前版本仍有局限：只限二维数据，涵盖的领域主要是流体和热传递，长时预测精度也比不上高保真数值方法。
但作为雏形，它释放了一个重要信号：物理模拟也许正在迎来「GPT时刻」。未来，一个真正的通用物理大模型，可能成为科研与工程的公共引擎。
相关链接：https://x.com/omarsar0/status/1968681177189077366
