盖世汽车讯 人工智能模型功能强大，可以胜任写作、图像生成和创建3D模型等诸多任务。但在测试机器人或车辆设计在各种环境下的性能时，它们的作用就显得有限了，因为它们对物理的理解远不如对像素或文本的理解。
为了构建一个能够可靠地模拟各种物理场景的人工智能系统，工程师需要规模庞大的物理数据，而这在目前尚不可行。这是因为即使生成神经网络能够理解的少量数据点也非常耗时。神经网络依赖于被称为“数值求解器”的算法来计算3D形状不同点的物理属性。这是一个非常复杂的过程，但耗时过长，限制了可用于测试飞机设计是否安全且符合空气动力学原理的数据量。
据外媒报道，由麻省理工学院计算机科学与人工智能实验室 (CSAIL) 和清华大学的研究人员开发的一种名为“GeoPT”的新型预训练方法，使仿真模型能够以更广泛、更高效的方式学习物理原理。它以三维形式虚拟地重现日常机械相互作用，展示粒子在接触物体时如何停止运动。这些模拟使模型能够理解物理定律，从而更精确地模拟现实世界，达到峰值性能的速度提高一倍，并且与现有模型相比，训练所需的数据量最多可减少60%。
不久的将来，该项目有望帮助工程师预测车辆、日常用品(包括椅子和容器)以及机器人如何响应各种物理因素，例如风、水和碰撞。研究人员认为，他们的工作也可能成为构建物理基础模型的重要一步，这种基础模型是一个基于大量数据训练的骨干系统，可以帮助人工智能工具泛化到不同的任务中。
免责声明：该文章系本站转载，旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议，仅供读者参考。
