像ChatGPT這樣的流行AI模型是基于語(yǔ)言或照片訓(xùn)練的，而由熨斗（Flatiron）研究所的研究人員及 Polymathic（博學(xué)）AI 協(xié)作組的成員創(chuàng)建的新模型則是使用真實(shí)的科學(xué)數(shù)據(jù)集訓(xùn)練的。模型們已經(jīng)利用從一個(gè)領(lǐng)域?qū)W到的知識(shí)，去解決另一個(gè)領(lǐng)域看似完全不同的問題。

Walrus（海象）AI模型模擬流暢運(yùn)動(dòng)

海象（Walrus）/ 博學(xué)人工智能（Polymathic AI）

https://youtu.be/3iM_rd3t0_Q

作者：Elizabeth Fernandez 2025-12-9

譯者：zzllrr小樂 2025-12-13

雖然大多數(shù)AI人工智能模型——包括 ChatGPT——都是基于文本和圖像訓(xùn)練的，但一個(gè)多學(xué)科科學(xué)家團(tuán)隊(duì)則有不同的目標(biāo)：物理訓(xùn)練AI。

最近，Polymathic AI https://polymathic-ai.org 合作組成員展示了兩款使用真實(shí)科學(xué)數(shù)據(jù)集訓(xùn)練的新人工智能模型，旨在解決天文學(xué)和類流體系統(tǒng)中的問題。

這些模型——被稱為 Walrus（海象） https://neurips.cc/virtual/2025/loc/san-diego/poster/119922 和 AION（永恒）-1 https://neurips.cc/virtual/2025/loc/san-diego/poster/119776 ——獨(dú)特之處在于它們能夠?qū)哪骋活愇锢硐到y(tǒng)獲得的知識(shí)應(yīng)用于看似完全不同的問題。例如，海象（Walrus）可以應(yīng)對(duì)從爆炸恒星到 Wi-Fi 信號(hào)再到細(xì)菌活動(dòng)等各種系統(tǒng)。

Walrus首席開發(fā)者、Polymathic AI研究科學(xué)家 Michael McCabe（邁克爾·麥凱布）表示，這種跨學(xué)科技能組尤其令人興奮，因?yàn)樗芗铀倏茖W(xué)發(fā)現(xiàn)，并在面對(duì)小樣本或小預(yù)算時(shí)賦予研究人員優(yōu)勢(shì)。

“也許你的場(chǎng)景里有新的物理，是你們領(lǐng)域不習(xí)慣處理的。也許你用的是實(shí)驗(yàn)數(shù)據(jù)，但不太確定它屬于哪個(gè)類別。也許你根本不是機(jī)器學(xué)習(xí)研究者，不想花時(shí)間去研究所有可能符合你情景的模型，“麥凱布解釋道。“我們希望，這些更廣泛的類別訓(xùn)練能讓它更易使用，并且更有可能被這些用戶推廣，因?yàn)閷?duì)他們來(lái)說(shuō)，'新'的物理可能是其他領(lǐng)域已經(jīng)處理了一段時(shí)間的事情。”

加州大學(xué)伯克利分校博士生、AION-1 項(xiàng)目首席研究員利亞姆·帕克（Liam Parker）表示，使用跨學(xué)科模型也能在數(shù)據(jù)稀少或研究罕見事件時(shí)提升預(yù)測(cè)效果。

Polymathic AI團(tuán)隊(duì)最近在arXiv.org https://arxiv.org/abs/2511.15684 發(fā)布了Walrus（海象）的預(yù)印本 ，并于12月5日星期五在圣地亞哥舉行的 NeurIPS https://neurips.cc 大會(huì)上展示了 AION-1。

Walrus 和 AION-1 是“基礎(chǔ)模型”，意味著它們是通過(guò)來(lái)自不同研究領(lǐng)域或?qū)嶒?yàn)數(shù)據(jù)集訓(xùn)練的https://www.simonsfoundation.org/2024/12/02/new-datasets-will-train-ai-models-to-think-like-scientists/ 。這與大多數(shù)科學(xué)中的人工智能模型不同，后者是針對(duì)特定子領(lǐng)域或問題訓(xùn)練的?；A(chǔ)模型不是從一組基本方程開始學(xué)習(xí)特定情境的細(xì)節(jié)，而是學(xué)習(xí)物理過(guò)程的底層基礎(chǔ)。由于這些物理過(guò)程是普遍的，人工智能所學(xué)到的知識(shí)可以應(yīng)用于具有相同物理原理的各個(gè)領(lǐng)域或問題?；A(chǔ)模型有諸多好處——從加快計(jì)算速度、在低數(shù)據(jù)環(huán)境中的良好表現(xiàn)，到發(fā)現(xiàn)跨領(lǐng)域共享的物理學(xué)。

AION（永恒）-1 是天文學(xué)的基礎(chǔ)模型。它基于本身就已龐大的天文巡天（astronomical surveys）數(shù)據(jù)進(jìn)行訓(xùn)練： 巡天資產(chǎn)（Legacy Survey）https://www.legacysurvey.org 、 高分辨率深場(chǎng)巡天（HSC，Hyper Suprime-Cam） https://www.naoj.org/Projects/HSC/ 、 斯隆數(shù)字巡天（SDSS，Sloan Digital Sky Survey） https://sloan.org/programs/research/sloan-digital-sky-survey 、 暗能量光譜儀（DESI，Dark Energy Spectroscopic Instrument）https://www.desi.lbl.gov 和蓋亞（Gaia） https://www.esa.int/Science_Exploration/Space_Science/Gaia_overview ?？偟膩?lái)說(shuō)，這相當(dāng)于超過(guò) 2億次恒星、類星體和星系的觀測(cè)，總數(shù)據(jù)總量約為 100TB。AION-1 利用圖像、光譜及多種其他測(cè)量數(shù)據(jù)，盡可能多地了解天體。然后，當(dāng)科學(xué)家獲得一個(gè)星系的低分辨率圖像時(shí)，AION-1 可以從數(shù)百萬(wàn)個(gè)星系的物理學(xué)中提取更多關(guān)于該星系的信息。

Walrus（海象）的領(lǐng)域是流體和類流體系統(tǒng)。Walrus 利用了 Well——一個(gè)由 Polymathic AI 團(tuán)隊(duì)編制的龐大數(shù)據(jù)集，參閱：

Well的數(shù)據(jù)涵蓋了 19 個(gè)不同的場(chǎng)景和 63 個(gè)流體動(dòng)力學(xué)領(lǐng)域。總的來(lái)說(shuō)，它包含 15TB 的數(shù)據(jù)，描述了密度、速度和壓力等參數(shù)，涵蓋了從中子星合并、聲波到地球大氣層層變化等廣泛物理系統(tǒng)中的變化。

這樣的基礎(chǔ)模型可以非常強(qiáng)大。AION-1和Walrus可以利用物理學(xué)在不同案例中應(yīng)用，學(xué)習(xí)新事物。這類似于我們的感官。AION-1 團(tuán)隊(duì)在一篇關(guān)于該項(xiàng)目的博客文章中解釋道：“多感官結(jié)合——而不是一次只感知一種感官——能讓你更全面地理解一次體驗(yàn)，https://polymathic-ai.org/blog/aion-1/ ?！半S著時(shí)間推移，你的大腦會(huì)學(xué)會(huì)將事物的外觀、味道和嗅覺聯(lián)系起來(lái)，所以如果某個(gè)感官無(wú)法使用，你通常能從其他感官中推斷出缺失的信息?！?/p>

然后，當(dāng)科學(xué)家進(jìn)行新的實(shí)驗(yàn)或觀察時(shí)，他們有一個(gè)起點(diǎn)——一張?jiān)陬愃魄榫诚碌奈锢肀憩F(xiàn)的地圖。“就像看到了許多人類，”Polymathic AI的首席研究員、天體物理學(xué)家和機(jī)器學(xué)習(xí)專家 Shirley Ho 說(shuō)。Shirley Ho是熨斗研究所的高級(jí)研究科學(xué)家，同時(shí)也是紐約大學(xué)的教授。當(dāng)你遇到一個(gè)新朋友，因?yàn)槟阒罢J(rèn)識(shí)了很多人，你能在腦海中繪制地圖......這個(gè)人類會(huì)比你以前的朋友們?cè)趺礃?，“她說(shuō)。

基礎(chǔ)模型通過(guò)簡(jiǎn)化數(shù)據(jù)處理，使科學(xué)家的工作更加輕松。科學(xué)家們不再需要為每個(gè)項(xiàng)目或任務(wù)從零創(chuàng)建新的框架；取而代之的是，他們可以從已經(jīng)訓(xùn)練好的人工智能作為基礎(chǔ)開始?！拔艺J(rèn)為我們對(duì)這個(gè)基礎(chǔ)模型的愿景是，它讓任何人都能從他們感興趣的數(shù)據(jù)的強(qiáng)大嵌入出發(fā)......并且在不必從零開始構(gòu)建整個(gè)管道的情況下，依然能實(shí)現(xiàn)最先進(jìn)的精度，“AION-1 首席研究員 Parker 說(shuō)。

他們的目標(biāo)是制造科學(xué)家日常研究中可用的工具。Shirley Ho 說(shuō)：“我們希望把所有這些AI智能帶給需要的科學(xué)家。”

NeurIPS 2025 會(huì)議的其他亮點(diǎn)

宇宙學(xué)基準(zhǔn)測(cè)試集（CosmoBench）

https://neurips.cc/virtual/2025/loc/san-diego/poster/121643

CosmoBench 是一個(gè)多視圖、多尺度、多任務(wù)的幾何深度學(xué)習(xí)宇宙學(xué)基準(zhǔn)測(cè)試集。CosmoBench 基于最先進(jìn)的宇宙學(xué)模擬，是同類中最大的基準(zhǔn)測(cè)試，擁有超過(guò) 34000 個(gè)點(diǎn)云和 25000 棵定向樹。CosmoBench 包含來(lái)自宇宙學(xué)和多樣化基線的具有挑戰(zhàn)性的評(píng)估任務(wù)，包括宇宙學(xué)方法、簡(jiǎn)單線性模型和圖神經(jīng)網(wǎng)絡(luò)。該演講展示 CosmoBench 如何推動(dòng)宇宙學(xué)和幾何深度學(xué)習(xí)的前沿。

迷失在潛空間（Lost in Latent Space）

https://neurips.cc/virtual/2025/loc/san-diego/poster/115208

物理學(xué)家利用對(duì)物理定律的理解，建模并預(yù)測(cè)物理系統(tǒng)的行為。然而，這些計(jì)算需要相當(dāng)大的計(jì)算能力。熨斗研究所的科學(xué)家及 Polymathic AI 合作組的其他成員研究了一種較輕負(fù)擔(dān)的計(jì)算方式是否仍能產(chǎn)生準(zhǔn)確結(jié)果。這種被稱為“潛在擴(kuò)散建模”（latent diffusion modeling）的計(jì)算模型，利用人工智能以更低的計(jì)算成本生成高質(zhì)量圖像，同時(shí)準(zhǔn)確刻畫物理行為。

神經(jīng)元作為感覺動(dòng)力學(xué)中相干集合的探測(cè)器（Neurons as Detectors of Coherent Sets in Sensory Dynamics）

https://neurips.cc/virtual/2025/loc/san-diego/poster/117502

我們對(duì)觸覺、味覺、視覺和疼痛的感知由將外周受體信號(hào)傳遞到大腦的神經(jīng)元介導(dǎo)。這項(xiàng)工作表明，這些神經(jīng)元可以被理解為檢測(cè)感官流中的“連貫集合”——即隨時(shí)間共同演化、因此共享共同過(guò)去或共同未來(lái)的刺激軌跡群。通過(guò)區(qū)分這些相干集合，一些神經(jīng)元主要編碼剛剛發(fā)生的事情，而另一些則可靠地提示接下來(lái)可能發(fā)生的事情。

因此，傳統(tǒng)的感覺神經(jīng)元分類可以被重新解釋為反映了對(duì)過(guò)去的聚焦處理與對(duì)未來(lái)的預(yù)測(cè)處理之間的分歧。理解神經(jīng)系統(tǒng)如何以這種方式分離和轉(zhuǎn)化感官輸入，可能為治療精神疾病提供新途徑，也可能指導(dǎo)生物啟發(fā)人工智能的發(fā)展。

預(yù)測(cè)部分可觀測(cè)動(dòng)力系統(tǒng)（Predicting Partially Observable Dynamical Systems）

https://neurips.cc/virtual/2025/loc/san-diego/poster/118611

科學(xué)家可以通過(guò)確定性模型預(yù)測(cè)下落物體的運(yùn)動(dòng)或流體的演化，這些模型從過(guò)去的觀測(cè)中計(jì)算出單一的未來(lái)結(jié)果。但這種方法在物理系統(tǒng)中失效，因?yàn)榇蟛糠譅顟B(tài)被隱藏。一個(gè)顯著的例子是太陽(yáng)：我們可以觀察到太陽(yáng)表面的活動(dòng)，但深處的過(guò)程大多是看不見的。沒有這些內(nèi)部條件，就沒有足夠的信息來(lái)預(yù)測(cè)一個(gè)單一的“正確”未來(lái)。

熨斗研究所的研究人員與 Polymathic AI 項(xiàng)目的合作者共同開發(fā)了一種概率方法，可以推斷這些隱藏的太陽(yáng)過(guò)程。通過(guò)將遙遠(yuǎn)過(guò)去的信息納入基于擴(kuò)散的生成模型，他們的方法生成了一個(gè)合理的未來(lái)集合，更清晰地理解過(guò)去太陽(yáng)黑子活動(dòng)如何塑造其未來(lái)演變。

參考資料

https://www.simonsfoundation.org/2025/12/09/these-new-ai-models-are-trained-on-physics-not-words-and-theyre-driving-discovery/

https://youtu.be/3iM_rd3t0_Q

https://polymathic-ai.org

https://neurips.cc/virtual/2025/loc/san-diego/poster/119922

https://neurips.cc/virtual/2025/loc/san-diego/poster/119776

https://arxiv.org/abs/2511.15684

https://neurips.cc

https://www.simonsfoundation.org/2024/12/02/new-datasets-will-train-ai-models-to-think-like-scientists/

https://www.legacysurvey.org

https://www.naoj.org/Projects/HSC/

https://sloan.org/programs/research/sloan-digital-sky-survey

https://www.desi.lbl.gov

https://www.esa.int/Science_Exploration/Space_Science/Gaia_overview

https://polymathic-ai.org/blog/aion-1/

https://neurips.cc/virtual/2025/loc/san-diego/poster/121643

https://neurips.cc/virtual/2025/loc/san-diego/poster/115208

https://neurips.cc/virtual/2025/loc/san-diego/poster/117502

https://neurips.cc/virtual/2025/loc/san-diego/poster/118611