布料、沙粒到蛋白质，共用一套模拟架构，但还不是万能模型

一块布怎样落下、一堆沙怎样坍塌，甚至蛋白质怎样运动，都可以交给同一种人工智能架构来学习。MIT在2026年11月9日介绍的WorldParticle，正在尝试减少这些模拟任务之间的软件隔阂。研究预印本首版已于5月14日公开。

这里的“模拟”，是把现实中的物体放进计算机，推算它接下来会怎样变化。以软机器人为例，柔软部件压到沙土上，设计者既要知道部件怎样弯曲，也要知道周围沙粒如何移动。MIT把这类问题列为未来应用方向：如果两类材料的工具更容易衔接，研究者就更容易一起研究它们。

用AI计算物体运动已有先例。2020年的GNS研究用图网络处理流体、硬物体和会变形的材料：把物体表示成许多小点，让点与邻居交换信息，再推算下一步运动。它还测试了更多粒子、不同初始条件和较长时间的预测，说明这条路线可以超出训练时见过的具体场景。

WorldParticle沿着这条路线，给附近小点之间的交流增加了压缩后的全局信息通道。打个比方，原来每个人主要听身边人的消息，远处发生的事要接力传达；现在大家还能读到整场会议的摘要。摘要减少了需要处理的信息，又保留了观察整体变化的通道。局部细节和整体变化，就能在同一套计算流程里协作。

不过，研究者仍为每类物理现象分别训练模型。可以把它理解为沿用同一套机器设计，再用不同材料的例子分别教会它做事。通用的是架构和流程，而非一套已经学会所有材料的参数。论文也指出，与某些专用求解器相比，这种统一设计会损失部分精度；求解器就是负责计算具体物理问题的程序。

对工程人员而言，它吸引人的地方在于减少重复搭工具的工作。将来研究一种新材料时，有机会先沿用现成的框架，把更多时间放在准备数据和检查结果上。软机器人、材料研发等用途目前仍是研究方向，距离可直接用于产品设计，还需要考察实际任务中的误差、运行成本和可靠性。对普通人来说，潜在影响也在这里：设计工具改善之后，才可能进一步影响我们使用的机器和材料。

预印本首发：北京时间2026年5月15日02:18／美国东部夏令时间2026年5月14日14:18（EDT）。MIT后续介绍发表于11月9日。