EVENT DOSSIER
2026 年 8 月 10 日 MIT 与清华发布 GeoPT 预训练方法，效率翻倍且数据量减少 60%
2026 年 8 月 10 日，麻省理工学院 CSAIL 实验室与清华大学研究人员共同开发了名为'GeoPT'的新预训练方法。该技术利用合成动力学数据（包含 130 万组小粒子与复杂 3D 形状交互样本），使 AI 模型具备物理感知能力，能够高效模拟车辆、机器人及日常物品在风、水或碰撞等环境下的反应。相比现有领先模型，GeoPT 将训练效率提升两倍，所需数据量减少 60%。用户仅需上传 3D 模型并指定力的大小方向，即可生成热力图以预测物体行为。研究团队认为，物理是继文本和像素后的 AI 第三种模态，该成果被视为构建通用物理基础模型的关键一步，有望增强 AI 在工程设计、安全测试等领域的泛化能力。
政府 · 科研机构跨 1 天
2026 年 8 月 10 日 MIT 与清华发布 GeoPT 预训练方法，效率翻倍且数据量减少 60%
麻省理工学院 CSAIL 实验室与清华大学研究人员共同开发了名为'GeoPT'的新预训练方法。该技术利用合成动力学数据（包含 130 万组小粒子与复杂 3D 形状交互样本），使 AI 模型具备物理感知能力，能够高效模拟车辆、机器人及日常物…
2 条报道MIT CSAIL 与清华大学研究人员开发了名为"GeoPT"的新预训练方法，旨在让 AI 模型通过模拟物理场景来更准确地理解现实世界。该方案利用“合成动力学”技术，基于 130 万组小粒子与复杂 3D 形状的交互数据（如碰撞、停止等），使模型在无需大量标注数据的情况下获得物理感知能力。相比现有领先模型，GeoPT 可将训练效率提升两倍，所需数据量减少 60%。用户仅需上传 3D 模型并指定力的大小方向，即可生成热力图以预测车辆、机器人及日常物品在风、水或碰撞等物理环境下的反应。这一成果被视为构建通用物理基础模型的关键一步，有望增强 AI 在工程设计、安全测试等领域的泛化能力。
麻省理工学院 CSAIL 与清华大学研究人员开发了名为"GeoPT"的新预训练方法，旨在让 AI 模型高效模拟物理场景。该技术通过合成动力学数据（130 万组样本）使模型理解粒子与 3D 物体的交互，使其在建模真实世界时速度提升两倍、所需数据量减少 60%。GeoPT 可预测车辆、日常物品及机器人对风、水及碰撞等物理要素的反应，并支持用户上传 3D 模型模拟撞击或浮力等工业场景。研究团队认为，物理是继文本和像素后的 AI 第三种模态，该工作有望构建通用的物理基础模型以提升 AI 泛化能力。