飞捷科思智能科技（Fysics AI）近日宣布推出全球首款面向真实物理世界的全模态物理人工智能基础模型OmniFysics，该模型通过构建物理感知与因果推理机制，致力于破解生成式人工智能领域长期存在的“物理常识缺失”难题。传统生成式模型虽能生成逼真图像或流畅对话，但在处理重力、摩擦力等基础物理规律时，常出现物体悬浮、液体倒流等违背常识的错误。
区别于依赖海量视觉数据训练的传统路径，OmniFysics采用30亿参数的轻量化架构，创新性地整合了“静态中枢”与“动态中枢”双数据生态。前者通过解析物体材质、密度等静态属性，建立物理参数数据库；后者则捕捉声音、运动等动态信号，构建物理因果关系图谱。这种设计使模型不仅能识别陶瓷的易碎性、液体的流动性等特征，还能通过撞击声推断物体材质，实现从像素生成到物理参数反演的跨越。
技术实现层面，研发团队设计了四阶段渐进式训练方案：首先分别强化视觉、听觉等单模态感知能力，随后通过跨模态对齐实现多维度数据融合，最终构建统一的物理推理框架。这种训练策略既保证了模型在特定任务上的专业性，又提升了处理复杂物理场景的协同能力。例如，当输入“玻璃杯坠落”的指令时，模型不仅能生成符合物理规律的破碎画面，还能准确计算冲击力、碎片分布等参数。
为验证模型的实际效能，研究团队同步开发了Fysicseval评估体系。该基准测试包含物理属性预测、因果逻辑推理、跨模态一致性验证三大模块，通过设置“重物自动上升”“液体凝固飞行”等反常识场景，量化评估模型对物理规律的掌握程度。实验数据显示，OmniFysics在物体质量估算、运动轨迹预测等任务中的准确率较传统模型提升47%，在复杂物理场景推理任务中表现尤为突出。
这项突破为具身智能的发展提供了关键技术支撑。传统人工智能系统多停留于语义理解层面，而OmniFysics通过建立物理参数与感官信号的映射关系，使机器能够像人类一样感知世界物理特性。研究团队透露，该模型已初步应用于工业仿真、机器人控制等领域，未来计划进一步拓展至灾害预测、科学实验等需要严格物理约束的场景。
