当全世界还在为ChatGPT生成的流畅文本或Midjourney绘制的精美图像惊叹时，一群来自剑桥大学和Polymathic AI合作组织的科学家们正在悄然酝酿一场更深层次的革命。

他们并没有试图教人工智能写诗或作画，而是教它理解宇宙运行的最底层逻辑——物理学。

近日，该团队正式展示了两个具有开创意义的人工智能基础模型：Walrus和AION-1。

与那些依靠海量互联网文本“喂养”长大的大语言模型不同，这两个“科学怪才”是吞噬着真实的科学数据长大的，从恒星爆炸的壮丽光谱到微观流体的复杂湍流，无所不包。

这一突破标志着AI正在从单纯的“模仿者”进化为能够理解自然规律的“探索者”，有望彻底改变人类进行科学研究的方式。

不仅是数据挖掘，更是通用的物理直觉

长期以来，科学界在应用人工智能时面临着碎片化的困境。

天文学家会为了分析星系图像训练一个专用的神经网络，而流体力学家则会为了模拟气流去开发另一套完全不同的算法。

这种“烟囱式”的研发模式导致了巨大的资源浪费，且不同领域的知识无法互通。

Polymathic AI推出的新模型正是为了打破这种隔阂，他们引入了“基础模型”的概念，这在自然语言处理领域已经取得了巨大成功，但在自然科学领域尚属首次大规模尝试。

这就像是培养一个精通物理全科的“通才”，而不是只会做某一种题的“做题家”。

以Walrus模型为例，它的训练数据源自一个名为“Well”的庞大数据库，其中包含了流体动力学中的19种不同场景和63个不同领域，总数据量高达15TB。

Walrus 是一款现代 Transformer 模型，它融合了新型稳定技术和最新的自适应计算方法，能够从高度多样化的物理动力学数据集中学习。Walrus 以一小段快照序列作为输入，并预测序列中的下一步。图片来源：arXiv (2025)。DOI：10.48550/arxiv.2511.15684

这意味着Walrus不仅“见过”地球大气层的层状变化，也“懂”中子星合并时的极端环境，甚至连细菌游动时的微扰流都了如指掌。

正因为见多识广，Walrus能够跨越学科的界限，利用在一个领域学到的物理规律去解决另一个完全陌生领域的问题。

对于Walrus来说，Wi-Fi信号的传播波动和恒星内部的等离子体运动，在底层数学逻辑上或许并没有本质区别，都是遵循特定物理方程的动态过程。

这种跨域迁移能力赋予了科研人员前所未有的优势，尤其是在面对样本量稀缺或实验成本高昂的新课题时，他们不再需要从零开始，而是可以直接站在Walrus这个巨人的肩膀上。

从仰望星空到微观模拟的全能视角

如果说Walrus是流体动力学的大师，那么AION-1则是凝视深空的预言家。

AION-1的训练素材来源于斯隆数字巡天（SDSS）和盖亚（Gaia）等顶级天文项目，涵盖了超过2亿个天体的观测记录。

它不仅学习图像，还消化光谱数据和各种复杂的物理测量值，从而构建起一种类似于人类“多感官整合”的认知模式。

这就好比我们通过视觉、嗅觉和味觉综合判断一个苹果是否成熟，AION-1也能通过整合不同维度的信息，从一张模糊的低分辨率星系图像中推断出其隐藏的物理特性。

剑桥大学天文研究所的Payel Mukhopadhyay博士对此评价颇高，他认为这不仅仅是一个工具的更新，更是朝着“通用物理模拟人工智能”迈出的一大步。

这种能力对于现代天文学至关重要，因为随着观测设备的升级，数据量正呈指数级增长，人类天文学家根本无法手动处理如此浩瀚的信息。

AION-1能够迅速识别出数据中的异常模式，甚至可能在人类意识到之前就发现新的天体物理现象。

更令人兴奋的是，这种基于物理直觉的学习方式，让模型具备了某种“举一反三”的推理能力。

Polymathic AI团队将其比作社交经验：当你见过足够多的人，遇到一个新朋友时，你就能迅速根据过往经验构建出对这个人的大致印象。

同理，当科学家面对一个从未见过的物理系统时，AION-1可以调用它在数百万个其他系统中积累的“直觉”，迅速给出高精度的预测或模拟。

科学研究范式的代际跃迁

Polymathic AI的这一成果，正在将科学研究推向一个新的范式。

过去，科学家往往需要花费数月甚至数年时间来构建数学模型、编写模拟代码，并进行漫长的参数调试。

而现在，像Walrus和AION-1这样的基础模型提供了一个强大的预训练底座，让科研人员可以直接跳过繁琐的基础建设阶段，专注于最核心的科学问题。

加州大学伯克利分校的Liam Parker指出，他们的愿景是让任何科学家都能从这些模型中获得强大的数据嵌入能力，并在无需从头构建流程的情况下达到最先进的精度。

这不仅降低了跨学科研究的门槛，也极大地加速了科学发现的周期。

这也引发了一个深刻的思考：未来的科学家可能不再仅仅是实验的设计者，更是AI模型的“向导”和“鉴赏家”。

他们需要学会如何向这些拥有通用物理智慧的AI提问，并从AI生成的复杂预测中提炼出新的科学理论。

当然，这一路径并非没有挑战，如何确保AI模型在处理未见过的极端物理条件时仍能保持严谨性，如何避免模型产生类似语言模型那样的“幻觉”，都是后续研究需要解决的关键问题。

但无论如何，Polymathic AI已经证明，基于物理学训练的人工智能不再是科幻小说中的构想，而是已经落地的现实工具。

随着这些模型代码和数据的开源，全球科学社区将迎来一波基于AI基础模型的创新浪潮。

在这个新时代，机器不再只是计算的工具，它们正在成为理解宇宙奥秘的合作伙伴，帮助人类在真理的探索之路上走得更远、更快。