在人工智能重塑科研与产业格局的当下，AI for Science已从概念走向实践。近日，一场聚焦学界与产业跨界对话的沙龙活动在北京举行，极映科技创始人兼CEO高鑫在活动中深入解析了AI驱动的下一代物理仿真技术，并分享了通用物理基础模型在工业与具身智能领域的突破性应用。
当前，世界模型成为AI领域的研究热点，但高鑫指出，真正的世界模型需要融合语言、感知与物理三大基础能力。他以人类能力类比：情商、智商、财商分别对应不同维度，而AI时代的基础能力同样需要专业化模型支撑。尽管语言领域有GPT、Claude，感知领域有CLIP、Sora等模型，但物理模型仍是关键缺口——从日常抓握物体的力度判断到专业物理推理，AI尚未构建起完整的物理认知体系。
传统物理仿真技术正面临时代挑战。自20世纪50年代诞生以来，物理仿真通过计算机求解数学方程（如流体动力学中的Navier-Stokes方程）来模拟现实世界，在汽车气动设计、机器人动作规划等领域发挥重要作用。然而，麦肯锡2023年调研显示，全球30万亿美元的新产品研发依赖物理仿真，但企业需求已发生根本转变：产品上市速度成为首要考量，传统仿真工具却存在四大瓶颈：单次求解耗时数天、依赖5年以上经验专家、主流软件年费高昂、中小企业渗透率不足10%。
极映科技瞄准这一痛点，于2024年底成立后迅速推进技术攻关。其研发的极映1.0模型在2025年底发布，通过重构底层逻辑实现三大突破：将传统4-24小时的仿真时间压缩至秒级，精度损失控制在5%以内；统一覆盖流体、结构、热、电磁四大物理场；采用无网格技术与自然语言交互，彻底消除专业门槛。该模型已在工业场景完成验证，例如在支架拓扑优化中，设计师可借助AI生成数千种方案，模型在1-2小时内完成全部仿真，将设计模式从“被动优化”转向“主动生成”。
技术路线图显示，极映科技采用两步走策略：先通过海量多物理场数据训练通用预训练模型，再针对不同场景进行微调封装。1.0版本已实现10-100例小样本微调即可适配场景，正在研发的2.0版本将挑战零样本物理推理，进一步拓展应用边界。
物理模型的应用场景正从工业向具身智能延伸。高鑫指出，当前机器人训练依赖的视频数据缺乏关键力学信息——例如抓握物体所需力度、碰撞形变等，而这些维度对灵巧手操作至关重要。极映科技通过物理基础模型补全这一缺失：将视频中的视觉信息输入模型，即可输出完整的力学参数，从而将互联网海量人类操作视频转化为机器人训练语料。这一突破意味着，汽车气动仿真、影视特效制作、机器人动作规划等分散领域的物理计算，未来可统一由单一模型解决。
高鑫长期致力于深度学习与多物理场仿真的结合研究，其团队正推动物理仿真从“高门槛、长周期”向“秒级、自动化、工程可用”转型。从复刻风洞气流到还原零件形变，再到构建机器人训练的力学维度，通用物理基础模型正在数字世界中重建一个与现实规律完全贴合的物理宇宙。
