学习AI为什么需要了解物理学基础？
很多人第一次体验 AI 编程，会让它写一个“随机碰撞的小球动画”：屏幕里放几个彩色圆球，让它们四处运动，撞墙后弹回来，彼此相撞时也会改变方向。
现在让模型生成一个能运行的示例并不稀奇。可小球一跑起来，问题才真正出现：有的球钻进墙里，有的两个球黏在一起，还有的碰撞后突然加速，像凭空多出一股力。
这时你面对的就不只是编程问题，而是在检查一个小世界是否讲物理规矩。
谈到 AI 和物理学，很多人先想到显卡、芯片、电费和数据中心。这些当然重要，但还不是两者关系的全部。更大的挑战是：AI 能不能看懂现实世界的状态，预测接下来会发生什么，并用动作安全地改变它？
从看见眼前，到想一想接下来，再到真的动手，这几件事其实是连在一起的。机器人、自动驾驶、视频生成、工业仿真和“用 AI 辅助科学研究”（通常称为 AI for Science），只是同一个难题在不同场景里的表现。
能写出小球代码，不等于真的理解碰撞
让几个圆球自然运动，至少要处理位置、速度、时间步长、边界和碰撞。
如果继续追求真实，还会碰到质量、摩擦、旋转、形变和能量损失等一系列物理问题。
AI 可以根据见过的大量代码样例，生成一段能运行的动画程序。这说明它学会了有用的代码模式，却不能单凭这件事断言它已经形成稳定的物理理解。
真正的检验要等条件发生变化：换一种球、改一个角度、加入斜坡或液体后，它还能不能预测合理结果？出现异常时，又能不能找到违反了哪条约束？
“会复现一种写法”和“能把规律迁移到新场景”，中间还隔着很长一段路。这个区别在现实应用里尤其关键。动画穿模，刷新页面还能重来；机器人判断错距离，可能真的把杯子扫到地上。
代码示例只是把问题暴露了出来。要进一步理解 AI 为什么会在这里失手，还得先看看人的物理常识是怎么来的。
人的物理常识，是在世界里一点点长出来的
一个还没上过物理课的孩子，也知道积木堆得太歪会倒；
没学流体力学，也会看着洒出来的水往桌边流；
球滚到沙地上会慢下来，他玩几次就有了预期。
这些直觉不是靠背公式获得的。我们从小就在真实世界里摸、推、抛、摔，也不断观察动作带来的后果。身体、视觉、触觉和经验一起参与，慢慢形成了对物体和空间的常识。
AI 也可以从图片、视频、传感器数据和交互中学习一些物理规律，但这种理解往往不完整。画面里能看到杯子，却未必知道它有多重、里面有没有水、表面是否湿滑；视频展示了一个动作，也可能没有记录施加了多大的力。
物理世界里许多关键变量是隐藏的，单靠表面像素并不能把它们全部还原出来。模型还需要更接近真实互动的数据、模拟训练或传感器反馈，才能把“看起来像”逐渐推进到“对接下来会怎样有比较可靠的预期”。
于是，AI 面对物理世界的任务自然分成了前后相接的三步：先看清现在，再预判变化，最后才是动手。
AI 走进现实世界，要连续过三关
第一关是看懂现在。
看到桌上的杯子，只认出“这是杯子”还不够。系统还要估计杯子在三维空间中的位置、离桌边多远、杯口朝向哪里，附近有没有障碍物。对机器人而言，“是什么”只是开始，“在哪里、处于什么状态”同样重要。
第二关是预判接下来。
杯子再往外挪一点会不会掉？球以这个角度撞墙后会往哪里走？机械臂从侧面推门，门会打开，还是手臂先卡住？系统需要在行动前估计不同选择的后果。
研究中常用“世界模型”描述这类内部预测能力。这个词的用法很宽，不同研究的实现也不一样。入门时可以把它想成一个可供预演的“小剧场”：真正动手前，先根据当前状态演算可能的下一步。
第三关才是动手。
机器人抓杯子时，要把视觉定位、路线规划、力度控制和反馈修正接起来。夹得太松会滑，太紧可能损坏物体；杯子装了水，移动速度和姿态也要更谨慎。执行过程中只要目标轻轻滑动，原来的计划就可能需要立即调整。
所以，机器人不是给大模型接一双手那么简单。上一关看错了，后面的预测就会偏；预测偏了，动作再精准也可能做错。动作产生的新结果，还要重新进入感知和预测，形成一个不断循环的反馈过程。
把这三关连起来后，另一个问题也更明显了：既然模型可以看大量图片和视频，为什么不靠数据直接把物理规律全部学会？
数据很多，为什么仍然会缺一层物理理解
首先，有些关键变量根本看不见。视频里有杯子，却没有直接写出质量、摩擦系数和内部液体的多少。模型只能从表面现象猜，猜错以后，后续预测就会跟着偏。
其次，物理变化是连续的。位置、速度、角度和力度不是几个固定选项，预测下一步只错一点，连续滚动许多步后也可能偏到完全不同的结果。
真实数据还很难覆盖少见但危险的情况。系统平时见过一万次正常操作，也可能没有遇到真正危险的那一次；自动驾驶不能为了收集数据就在真实道路上随意犯错，工业机器人也不能靠不断撞坏设备来学习。
这几个限制共同决定了，现实可行的方案通常不是在“只靠数据”和“只靠公式”之间二选一，而是把数据、物理约束、模拟器、传感器反馈和安全规则组合起来。
同一套困难进入不同应用后，会显出不同的样子：视频生成最容易暴露时间和状态不连续，机器人最怕模拟与现实不一致，科学计算则更关心结果能不能验证。
同一个难题，在三类应用里有不同表现
视频生成：每一帧好看，还得让前后属于同一个世界
一张图片只要这一刻看起来合理，往往就足以骗过第一眼。视频则必须让前后时刻接得上：人转身时四肢要连续变化，球落地后运动要符合碰撞结果，水从杯里倒出后不能下一秒无缘无故回去。
生成式视频近年进步很快，画面质感和镜头表现已经能做得相当好，但物体恒常、碰撞、重力、流体和连续动作仍是持续被研究和评测的难点。问题并不只在某一帧“画坏了”，而在模型是否维持了同一个世界的状态和规则。
这也解释了为什么“看起来像真实视频”和“可以当作物理模拟器”不是一回事。前者重视视觉可信，后者还要求可重复、可验证，并能在条件变化时给出可靠结果。
机器人：模拟器里学会了，现实还会临时出题
真实机器人的试错很贵。它摔坏零件、撞到设备，甚至伤到人，都不是点一下撤销就能解决。因此，不少机器人会先在模拟环境中训练和测试。
模拟器像一座安全练习场：动作可以重复，极端情况可以反复测试，失败也不必真的损坏设备。问题是，模拟器永远只是现实的近似。
模拟中的桌面可能完全平整，现实里却有灰尘、水渍和反光；模拟物体的尺寸和摩擦系数是已知数字，真实物体却总带着误差；摄像头、关节和控制指令也会有噪声与延迟。
这就是常说的“仿真到现实差距”。为了缩小它，研究者会随机改变光照、材质、摩擦等模拟条件，也会让机器人在少量真实数据和反馈中继续调整。但无论采用哪种办法，都绕不开一个事实：训练场里的成功，必须经过现实环境复验。
科学和工程：AI 可以加速计算，但结果仍要经得起测量
天气、流体、材料、发动机气流、桥梁受力等问题，过去主要依靠物理方程、数值计算和实验来研究。这些方法有清晰的理论基础，但面对某些大规模复杂问题，计算和实验成本可能很高。
AI 进入这些领域后，可以学习近似关系、加速部分计算、补全观测数据，或帮助寻找候选方案。物理信息神经网络等方法还会把方程和边界条件加入训练，让模型不只追着数据拟合。
不过，这并不意味着“AI 会取代物理学”。在高要求的科学和工程场景里，更可靠的方向通常是让数据方法与物理知识互相约束：物理模型提供边界和可解释结构，AI 负责处理难以直接求解或计算代价高的部分，最后再用实验或高精度模拟验证。
这里追求的不是一句像真的回答，而是一个经得起测量的结果。
芯片和算力仍然重要，但它们回答的是另一类问题
AI 要处理高分辨率视频、运行大型模拟、控制复杂机器人，当然需要芯片、电力、存储、网络和散热。没有这些基础设施，再好的模型也跑不起来。
但算力解决的是“这个系统能不能算得动、跑得快”，物理理解解决的是“它算的世界是否合理、动作是否可靠”。一间厨房可以买最贵的炉灶和刀具，这不等于厨师就会做菜；反过来，厨师再熟练，没有基本设备也无法开火。
把两者分开，反而更容易看懂 AI 的完整链条：模型需要物理常识来面对现实，也需要真实的物理设备把计算执行出来。
学 AI，为什么值得懂一点物理学
AI 正在从屏幕里的内容工具，走向会观察、预测和行动的系统。视频生成要保持时间连续，机器人要处理接触和反馈，工业与科研模型要尊重边界条件，自动化设备还必须承担动作带来的后果。
这些应用看起来分散，背后却都沿着同一条链路展开：先感知物体和空间，再预测变化，最后行动并根据结果修正。数据不足、隐藏变量、连续误差和现实试错成本，则会在链路的不同位置制造困难。
学习物理学并不意味着每个人都要先推一遍复杂公式。对大多数 AI 读者，更重要的是建立一个基本认识：现实不是一堆静止像素，动作也不是一句文字命令，任何操作都会受到边界、约束和后果的检验。
有了这层底座，再看计算机视觉、世界模型、强化学习、机器人、具身智能或科学智能，许多原本零散的技术就会连成一条线。
接下来可以读什么
普通读者可以先抓住“感知、预测、行动”三个词。开发者可以继续了解计算机视觉、强化学习、物理引擎、机器人控制和物理信息神经网络。关注业务应用的读者，则可以重点观察一个系统是否经过真实环境验证，而不只是看演示画面是否漂亮。
站内关联阅读
参考资料
Peter W. Battaglia et al., Interaction Networks for Learning about Objects, Relations and Physics, 2016. https://arxiv.org/abs/1612.00222
David Ha, Jürgen Schmidhuber, World Models, 2018. https://arxiv.org/abs/1803.10122
Maziar Raissi, Paris Perdikaris, George Em Karniadakis, Physics-informed Neural Networks, 2019. https://doi.org/10.1016/j.jcp.2018.10.045
Hritik Bansal et al., VideoPhy: Evaluating Physical Commonsense for Video Generation, 2024. https://arxiv.org/abs/2406.03520
Xiaoyu Chen et al., Understanding Domain Randomization for Sim-to-real Transfer, 2021. https://arxiv.org/abs/2110.03239