从物理AI到流体力学

如果重新回到大学，你会选择什么专业呢？

黄仁勋的答案是物理科学。他认为编程正在被 AI 自动化，而理解物理世界的力学、动力学和因果关系将成为未来的核心竞争力。马斯克也说，AI 只有真正理解物理世界的约束，才能实现真正的智能化。大佬们的预言直指AI的下半场—— 物理人工智能（Physical AI）。

PART.01

理解世界的物理 AI

我们在前面的文章中提到， AI 大致有四个层级，分别是感知AI 、生成AI 、代理AI 和物理AI。

• 感知AI的主要目标是看懂世界并识别信息，比如我们日常用的人脸解锁，会议录音转文本；你的手机相册自动根据不同的人、宠物、风景进行分类。

• 生成AI则帮你创造内容，比如生成一张图片或者一段视频，或者根据你的要求和提示做出一个图文并茂的 PPT。

• 代理AI则实现了思考规划并自己调用工具完成任务，比如你需要买一辆车，只需要说出你需要的款式和预算，代理AI将查找附近的4S店，获取报价和现车信息，甚至主动帮你联系销售并帮你砍价。

• 而物理AI则是让AI系统理解物理世界的运行规律，实现从虚拟智能到实体执行的跨越。自2025年下半年以来，物理AI已从理论研究全面转向“具身智能”与“科学计算”的双重突破。

关于具身智能，大家已经非常熟悉：搭载物理AI的机器人通过内置的物理模型理解真实的世界，并在物理世界中行动和互动。

物理AI在科学计算方面则深度参与物理规律的发现和拓展，加速科研和工程实现。物理AI通过学习物理公式、仿真数据、实验结果，根据产品的设计指标和约束，帮助科研人员和工程师们探索研发的边界。

PART.02

科学计算的物理AI

在2026年的当下，科学计算的物理AI（AI for Science, AI4S）已成为推动第四次工业革命的核心引擎。与传统的深度学习不同，科学计算AI在算子化、可验证性和软硬件协同上取得了突破性进展。

算子化

所谓算子化 (Operator Learning) ，就是从“解方程”进化到“学规律”。与传统深度学习的物理缺失（比如仅理解速度云图的颜色变化）不同，科学计算AI（特别是神经算子如 FNO ）不再处理像素信息，而是处理连续的函数空间，从而实现无限维度的算子映射，并解除网格分辨率的限制。这是科学计算AI与传统 AI 最本质的区别。

可验证性

可验证性 (Verifiability) ，则是从“ 猜答案 ”到“ 守定律 ”的进化。简而言之，科学计算不允许“ 幻觉 ”，需要通过数学手段避免AI出现违反物理常识的推论。其最为大众所熟知的代表便是PINNs (Physics-Informed Neural Networks物理信息神经网络)，这是目前科学计算 AI领域最经典而直观的架构。如果说传统的深度学习是通过“暴力破解”获得黑箱模型，像一个记忆超强但“不学无术”的学生，那么 PINNs 将物理方程和物理条件的约束纳入损失函数，如同“带公式刷题”一样而获得符合物理定律的答案，真正做到了“知其然也知其所以然”。

软硬件协同

而在算力方面，通过软硬件协同，“算力工厂”也进化为“物理工厂”。比如 NVIDIA 在年初的 CES 大会上推出的 Vera Rubin 架构的六合一芯片平台，被称为是下一代超大规模 AI 与科学计算平台。

黄仁勋谈到：未来的 AI 必须在遵循物理定律的数字孪生世界中“出生”和“训练”，所以它在计算机内构建世界模型，不停的生成符合物理规律的数据。“你需要三台机器，一台做训练，一台做推理，而另一台则用来跑仿真（生成数据）”，如今这三台机器被整合到了一座物理 AI 工厂中。

PART.03

流体力学的物理AI

作为物理世界运行的重要方面，流体力学当然也成为物理AI “入侵”的重要领地。 2026年的今天，物理AI正处于从“学术探索”向“工业初步应用”过渡的关键期。

计算流体力学天生就是计算密集型的。举个通俗的例子：你在游泳池划一下水，溅起的水花、带入水中的气泡缓缓上升，看似简单的现象，用 CFD 精确求解，耗费的计算量极其巨大。

过去的多年，研究者们一直在试图破解计算密集型的牢笼—— GPU加速计算就是最好的途径之一。而如今物理AI的到来，人们有了更多的选择。流体力学的物理 AI 的发展呈现出明显的“双轮驱动”特征：科研领域在攻克湍流和多物理场耦合的科学边界，而工程领域已经进入了提升生产力的实战阶段。

科研领域方向

当前科研领域的主攻方向在于融合高保真度计算与物理本质的挖掘。研究重心已从传统的“数据拟合”转向以神经算子和微分物理为核心的算子化表达，前者解决“换个形状就废”的问题，后者解决“ AI 不懂物理逻辑”的问题。另外，通过 PINNs 2.0 为代表的先进架构，科研界正引入基于“硬约束”的损失函数构造方法，以强行保证质量与能量守恒，从而显著降低模型的“物理幻觉”现象。

工程领域方向

工程领域则专注于实现实时设计与全流程自动化。比如在汽车空气动力学赛道，物理AI已进化为设计闭环的“实时中枢”，利用机器学习实现秒级的风阻预测。另外一个变革性的进展是大语言模型驱动的代理AI初步打通了CFD全链路：通过自然语言指令，AI 代理可自主生成脚本并驱动仿真软件，完成从几何清理、网格划分到 CFD 计算和结果分析的端到端任务。

PART.04

结语

从宏大的物理世界到具体的流体力学，物理AI已无处不在，也引领着科研和工程迈向新的台阶。

面对物理 AI 的方兴未艾，寒窗苦读二十年，曾经在实验室手推 N-S 方程的我们显得有点局促不安。马斯克在一个访谈节目中给了一个建议，也许值得我们借鉴：从问题的“解决者”变成“定义者”。AI 能瞬间给出答案，所以“ 提问的能力”，比“ 解题的能力 ”贵一万倍。马斯克强调，要从物理学基本事实出发，用“ 第一性原理 ”思考 —— 不要问“ 行业通用做法是什么”，而要问“这个系统的物理极限在哪里”，学会定义复杂问题，比单纯解决问题更有价值。

未来的我们或许不再需要大量的“ 仿真计算 ”，而是利用AI探索违反直觉却符合流体力学规律的设计布局，或者让AI完成繁琐的计算流程，将精力集中在物理洞察和创新设计上。

作为一名普通的流体力学工作者，如何面对和拥抱物理AI似乎变成一个期待又焦虑的话题。

本文由公开资料整理，仅供学习交流。

文章转载自"LBM与流体力学"公众号