TL;DR

尽管当前的视频生成模型（如 Sora、SVD）在视觉效果上令人惊艳，但它们经常在“物理常识”上翻车：物体无故漂浮、碰撞不守恒、液体流动诡异。本文提出的 PhysInOne 是目前全球规模最大的视觉物理学习套件，包含 200 万个视频，涵盖 71 种物理现象。通过深度标注物体的内在物理属性，它能够显著提升 AI 模型对物理规律的模拟精度，是开发“世界模型”不可或缺的基石。

痛点深挖：AI 为何不懂“天下掉苹果”？

现有的基础模型（Foundational Models）大多是在互联网的海量视频上训练的。虽然数据量大，但这些视频缺乏精确的物理标签（如物体的弹性模量、摩擦系数、流体粘度等）。正如理查德·费曼所说：“我不能创造的，我就不理解。” 如果模型只是在模仿像素的变动，而没有理解背后的偏微分方程，它永远无法真正模拟现实。

此前的工作如 CLEVRER 或 Physion 规模太小（仅几千个案例），且环境过于单一（只有球、方块）。PhysInOne 的出现正是为了填补这一空白，将物理学习从“幼儿园水平”提升到“大学基础物理”水平。

核心方法论：多物理场驱动的场景生成

PhysInOne 的模型构建遵循严密的物理逻辑：

1. 四大学科覆盖：力学（Mechanics）、光学（Optics）、流体力学（Fluid Dynamics）、磁学（Magnetism）。
2. 物理规律引擎：利用 UE5 Chaos Physics 处理刚体，使用 Taichi MPM 模拟可变形体和粉末，使用 SPH 模拟液体。
3. 多层级活动（Multiphysics）：作者不仅模拟单一现象，还设计了“混合场景”。例如，一个正在加速的赛车（力学）撞击墙壁，反射了激光（光学），并掉入水中（流体力学）。

图 1：PhysInOne 从 71 种基本物理现象出发，扩展到 3284 种多物理活动，构筑了复杂的 3D 模拟场景。

四大前沿应用验证

1. 物理感知视频生成

作者通过对 SVD、CogVideoX 和 Wan2.2 进行微调，发现注入 PhysInOne 数据后，模型生成的视频在碰撞和运动轨迹上更加真实。

• 创新指标 PMF：为了量化物理真实性，作者放弃了传统的像素对比，提出了基于傅里叶变换的频率能量指标。

2. 未来帧预测

模型需要根据前 2 秒视频预测后 2.6 秒发生了什么。实验显示，目前的模型在已知视角下表现尚可，但在**新视角（Novel View）**下预测物理动态能力依然薄弱。

3. 物理属性估计（系统辨识）

这是一项“逆物理”任务：AI 能否通过看一段物体落地的视频，猜出它的 Young's Modulus（杨氏模量） 或 Viscosity（粘度）？ 图 2：重模拟实验显示，虽然模型能猜出大概，但在复杂背景和非典型物体上，预测精度仍有待提高。

4. 运动迁移（Motion Transfer）

尝试将一段特定的物理运动从源视频迁移到目标图片上。结果发现，即便视觉上很协调，现有的方法依然难以处理多物体交互时的复杂物理约束。

深度洞察与总结

PhysInOne 最宝贵的价值在于它不仅提供了“看”的视频，还提供了“想”的逻辑。通过 200 万段带有精准物理描述的文本标注，它实际上在教 AI 如何用语言描述物理演变，并将这种描述转化为像素的运动规律。

局限性：虽然涵盖了 71 种现象，但尚未包含热力学和声学（因为这些在视觉上不直观），且合成数据与现实世界的“Sim-to-Real Gap”依然存在。

展望：随着 PhysInOne 数据集的开源，我们距离真正的“数字孪生”和能够预测物理危险的具身机器人的未来又近了一步。