滑铁卢大学AI研究揭示：大模型物理理解能力深度测评与局限分析

在我们的日常生活中，看到一颗球滚下斜坡或者积木倒塌，我们能立刻预测接下来会发生什么。这种对物理世界的直觉理解似乎是理所当然的，但当科学家们试图让人工智能也具备这种能力时，却发现了一个令人惊讶的问题。

2026年2月，一项由滑铁卢大学、Autodesk AI实验室及独立研究者共同完成的研究，在学术界投下了一颗重磅冲击波。论文编号为arXiv:2602.13294v1的研究揭示了一个令人震惊的事实：那些在语言和图像理解上风光无限的大型AI模型，在理解最基本的物理定律方面，存在着根本性的缺陷。

这个问题的严重性，可以打个比方：把当前的AI比作一个博学的学者，他能背诵整本物理教科书，也能回答各种刁钻的物理问题。但当你真正让他预测一个简单实验的结果时，比如一个球撞向积木塔会发生什么，他却常常给出离谱的答案。这就像一个能流利朗诵莎士比亚作品的人，却完全无法体会其中的情感内涵。

一、AI如何“看懂”物理世界

要理解这项研究的突破性，得先看看他们是怎么“考”AI的。传统方法，好比是给学生做选择题——给出几个选项，让AI选一个最可能的答案。问题在于，AI很可能只是在做“模式匹配”，记住了“球撞积木塔会倒”这个答案，而非真正理解背后的动量守恒和重力原理。

研究团队意识到，要真考出AI的“内功”，就不能让它光“说”，还得让它“做”。于是，他们开发了名为VisPhyWorld的创新测试框架。这个框架的巧妙之处在于，它要求AI根据看到的物理场景，编写出能够实际运行的物理模拟程序。

这就好比，从让学生做选择题，变成了直接把他扔进实验室，要求他亲手设计并完成一个实验来验证理论。如果AI真的懂物理，它写出的程序就应该能准确模拟出真实的物理过程。

为了验证这个想法，团队构建了VisPhyBench测试平台，包含了209个不同难度的物理场景，从简单的球体碰撞到复杂的积木倒塌，堪称给AI准备的209道“动手实验题”。

具体怎么操作呢？研究人员先给AI看两个关键的视频帧：事件开始的画面和稍后的某个瞬间。然后，AI需要完成两项任务：第一，用自然语言描述这两个画面之间发生了什么；第二，也是更关键的，编写一个完整的、可执行的计算机程序，这个程序必须能从初始状态开始，精准复现出观察到的物理过程。

这种方法的高明之处在于，程序必须能跑起来。任何对物理原理的错误理解，都会在程序运行时暴露无遗。团队选用了不同的编程环境来测试，比如支持真实物理模拟的Three.js和P5.js（好比配备了精密仪器的专业厨房），以及更简单的SVG和Manim。有趣的是，当AI使用自带物理引擎的环境时，表现明显更好，这恰恰说明了物理引擎本身的重要性，也反衬出AI自身理解的不足。

二、令人震惊的发现：AI的“表面功夫”

当研究团队用这套新方法去测试那些顶尖的AI“优等生”——包括GPT-5、GPT-4.1、Gemini-3-Pro、Claude Sonnet 4.5和Qwen3-VL-Plus时，结果让人大跌眼镜。

从表面数据看，有些AI表现似乎还行。比如在识别场景中的物体、描述颜色形状时，多数模型都能胜任。Gemini-3-Pro在视觉相似度上甚至拿到了高分。但一旦深入评估物理过程的合理性，问题就彻底暴露了。

研究采用了光流分析技术检查运动一致性，并请出Gemini-2.5-Pro充当“物理裁判”，来评判生成视频中的物理现象是否合理。结果，即便是表现最好的GPT-5，在综合物理合理性评分（满分10分）中也只拿到了3.50分。这意味着，AI生成的视频可能看起来像那么回事，但仔细推敲，里面的物体运动常常违背基本物理定律。

更糟糕的是，当AI被迫在不支持物理模拟的简单环境中（如SVG）编程实现物理效果时，各种“灵异现象”就出现了：物体相互穿透、违反重力悬浮、该碰撞时却静止不动……

这些发现指向一个深层问题：当前的AI模型主要依赖统计模式匹配，而非真正的原理理解。它们能从海量数据中学到“球撞积木”常与“积木倒”相关联，但并不真正理解支配这一过程的动量、重力、摩擦力。不同模型的表现差异也很大，有些模型生成的程序虽然能运行，但模拟结果完全不合理，这进一步证实了“能说”和“真懂”之间存在巨大鸿沟。

三、为什么传统测试方法会“放水”

那么，为什么过去没发现这么严重的问题？原因在于传统测试方法存在根本缺陷。

传统方法主要有两种：一种是“视觉问答”，给AI看张图，让它从几个选项里选接下来会发生什么。这就像笔试选择题，AI完全可以通过死记硬背答案模式来“蒙对”。另一种是“违背期望”测试，给AI看明显违反物理定律的视频（比如球向上飞），看它能否识别出不合理。但这只能证明AI能识别“明显错误”，不代表它能准确“预测正确”。

这两种方法都给了AI“蒙混过关”的空间。多选题有猜对的概率，开放式问答则可以用模糊语言掩盖理解缺陷。

VisPhyWorld彻底堵死了这些漏洞。当AI必须交出可执行的代码时，理解上的任何短板都会立刻现形。程序要么跑出合理结果，要么失败或产出明显谬误，没有中间地带。这就像不仅要求学生答题，还必须亲手做实验来验证答案。

更重要的是，这种方法提供了前所未有的“可解释性”。AI生成的代码就是其“思考过程”的直白体现。研究人员可以像检查病历一样，逐行分析代码，精准定位AI在哪里理解错了——是没搞懂摩擦力参数，还是误解了碰撞时的动量传递？这种深度诊断能力，是传统黑箱测试无法提供的。

四、深度剖析：AI到底哪里不懂

通过仔细“解剖”AI生成的代码，研究团队发现了更多具体问题。

首先，在设置物理参数时，AI经常“手忙脚乱”。比如给物体的质量、摩擦系数赋值时，常常给出离谱的数值，就像一个知道做菜要放盐，却不知道放多少的新手厨师。

其次，AI对因果关系的理解很肤浅。它知道“球撞塔”是“因”，“塔倒”是“果”，但对撞击角度、速度如何具体影响倒塌模式，缺乏量化、精准的理解。这好比知道“下雨地会湿”，却不清楚雨量大小和地面湿度之间的具体关系。

在处理多物体复杂相互作用时，AI更是力不从心。它能勉强模拟一对一的碰撞，但一旦涉及多个物体连锁反应的级联效应，逻辑就混乱了。

特别糟糕的是对“接触”和“碰撞”的处理。在AI生成的模拟中，物体经常相互穿透，或者在应该发生力的相互作用时毫无反应。这说明AI对物体边界和接触力学的基本概念都模糊不清。

此外，AI的理解存在明显的“偏科”现象。对重力这种基础概念还有点感觉，能让物体下落；但对角动量、转动惯量等稍复杂的概念，理解就几乎为零。这很可能反映了其训练数据中这些概念出现频率的差异。

最值得警惕的发现是，AI常常表现出“虚假的自信”。即便生成了物理上完全错误的模拟，它在用语言描述场景时，依然能熟练地使用准确的物理术语，显得非常“专业”。这种“纸上谈兵”的能力，极易误导人们高估其实际理解水平。

五、实际案例：AI的“物理盲点”大揭秘

光说理论可能抽象，看看具体案例就一目了然了。

在一个彩色小球自由下落的简单场景中，人类直觉就能预测其匀加速下落及触地反弹。然而，AI的表现五花八门：GPT-5的模拟大致靠谱，但小球弹跳时像装了永动机，缺乏真实的能量损耗。而Qwen3-VL-Plus在某些测试中，甚至生成了完全静止的画面——小球悬在空中，仿佛重力消失了。

另一个红球撞击积木塔的场景，更是暴露了AI在碰撞问题上的“天真”。有的模拟中，红球像幽灵一样直接穿过了积木塔，没有任何相互作用。有的虽然发生了碰撞，但效果夸张得像爆炸，完全不符合一个普通球体的撞击力度。

在涉及三维斜面滚球入容器的场景中，AI的模拟更是“放飞自我”：球体运动轨迹诡异，突然转向或做出违反物理定律的空中动作。

这些案例清晰地表明，AI的表现与场景复杂度成反比。处理简单单体运动尚可应付，一旦涉及多体复杂相互作用，性能就急剧下降。而且，其“说”与“做”严重脱节——分析时能用专业术语侃侃而谈，一旦要转化为具体代码，理解上的漏洞便暴露无遗。

六、与传统视频生成模型的对比

为了更全面评估，研究团队还将这种基于代码生成的方法，与传统的像素级视频生成模型（如Stable Video Diffusion, Veo-3.1）进行了对比。

传统模型的工作原理截然不同：它们不“理解”物理，而是通过分析海量视频，学习像素该如何变化以生成看似合理的下一帧。这就像一个技艺高超的模仿者，能画出以假乱真的赝品，但不懂背后的绘画原理。

在视觉效果上，传统模型有时甚至更胜一筹，生成的视频看起来更逼真。但一较真物理合理性，问题就来了：物体的运动轨迹、速度变化、碰撞时机等细节，经常经不起推敲。

关键在于，传统模型是个“黑箱”。它生成一个不合理视频后，我们无从知晓错误原因，也无法针对性改进。而基于代码的方法，虽然视觉上可能稍逊，却提供了完整的“思考链”。代码就是白纸黑字的“推理过程”，哪里错了，为什么错，一目了然。

另一个有启发的发现是：当AI在Three.js这类内置物理引擎的环境中编程时，表现更好。这说明，物理引擎本身能一定程度上“弥补”AI理解的不足。这提示我们，在开发需要物理准确性的应用时，优先选择集成物理引擎的工具，可能是更务实的选择。

七、技术细节：如何确保测试的科学性

为了保证结论可靠，研究团队在技术设计上做足了功夫，像设计精密实验一样严谨。

数据集构建基于PHYRE物理推理引擎，包含了108个物理模板和209个评估场景，难度和类型覆盖全面。每个场景的物体位置、速度等参数都精确标注，确保所有AI“考生”面对的是完全相同的“考题”。

评估体系是多维度的，避免单一指标片面化。除了视觉相似度，更关键的是引入了RAFT光流算法分析运动一致性，并专门训练了Gemini-2.5-Pro作为“AI物理裁判”，来识别物体穿透、不合理碰撞等违规现象。

测试过程力求公平统一：所有模型接收相同的输入帧和提示模板。生成的代码会在标准化环境中执行，配有自动错误检测和修复机制。对于生成视频时长不一的问题，团队还开发了精密的时间对齐算法，确保比较的公平性。

通过广泛的统计分析（如配对Bootstrap方法），团队确保了性能差异具有统计显著性，而非随机波动。更重要的是，他们计划公开整个测试框架和数据集，这为领域的可重复研究和后续推进奠定了坚实基础。

八、研究的局限性与未来展望

当然，这项研究也有其边界。目前测试聚焦于相对简单的刚体物理（碰撞、重力、摩擦），尚未涉及流体、电磁等更复杂现象。测试数据也多是合成场景，而非混乱的真实世界视频。此外，模拟的物理过程时长较短，与现实中需要理解的长期、复杂过程还有距离。

尽管如此，它清晰地指明了未来方向：一是将测试扩展到更复杂的物理领域；二是挑战从真实视频中提取信息并分析；最根本的，是探索如何提升AI自身的物理推理能力，这可能需要在模型架构或训练方法上取得新突破。

长远看，这项研究的意义可能超越物理本身。它提供了一种范式，用于评估AI是否真正“理解”某个概念，而不仅仅是“记忆”模式。类似的框架未来或可应用于评估AI的数学推理、逻辑思维等更深层次的认知能力。

说到底，这项研究给我们提了个醒：在惊叹AI表面能力的同时，必须深入检验其内在的理解深度。只有通过这样严格的“实践考核”，我们才能打造出在真实物理世界中可靠、可信的AI系统，让它们在机器人、自动驾驶、工程设计等领域发挥真正扎实的作用。

Q&A

Q1：VisPhyWorld到底是什么？
A：这是一套由滑铁卢大学团队开发的AI物理理解能力测试新框架。它的核心创新在于，不满足于让AI做选择题，而是要求其根据看到的物理场景，编写出能实际运行的模拟程序。这相当于把AI从“考场”拉进“实验室”，用实践检验其是真懂原理，还是只会套用模式。

Q2：为什么说当前的AI模型不真正懂物理？
A：因为测试发现，AI虽然能用正确的物理术语描述现象，但在需要动手编程模拟时，却频繁出现物体穿透、违反重力、碰撞效果失真等基础错误。这表明其知识更多来源于对数据模式的统计记忆，而非对底层物理机制的深刻理解。

Q3：VisPhyWorld的测试结果有多糟糕？
A：结果相当严峻。即便是表现最佳的模型，在物理合理性评分（10分制）中也刚过及格线一半。部分模型甚至生成了物体悬浮静止这种完全违背物理常识的画面。这清晰地表明，当前最先进的AI，在理解物理世界方面仍处于相当初级的阶段。

来源：互联网