模拟世界的"GPT 时刻"？MIT 的 WorldParticle 用一个 Transformer 统一沙子、流体与蛋白质

引言

想模拟一堆流动的水，要用流体求解器；想模拟蛋白质折叠，要用分子动力学；想模拟沙堆坍塌，又是另一套代码。每个求解器都围绕特定的控制方程手工编写。11 月 9 日，MIT、不列颠哥伦比亚大学（UBC）等机构的研究者通过 MIT News 介绍了 WorldParticle：用同一个 Transformer 架构，统一模拟布料、弹性体、牛顿与非牛顿流体、颗粒材料和分子动力学。论文（arXiv:2605.15305）早在今年 5 月就已挂出，这次是随 SIGGRAPH Asia 的发表被集中报道。主要作者之一 Peter Yichen Chen 说，他们想要"模拟领域的 GPT 时刻"。

核心思路：把一切都变成粒子

WorldParticle 采用拉格朗日（Lagrangian）粒子表示：无论是一堆沙还是一个蛋白质分子，都被拆成成千上万甚至上百万个带位置、速度和物理属性的三维粒子。模型的输入是当前帧的粒子状态，输出是下一步的状态。Chen 的类比很直观：和 ChatGPT 预测下一个词类似，只不过这里预测的是"粒子下一步怎么动"。

关键在于，它不再针对每种材料写方程和求解器，而是让神经网络学习"如何求解控制方程"本身。因此，同一个模型可以泛化到训练中没见过的材料、边界条件、初始条件和外力。

技术原理：预测—校正与超级 token

论文摘要给出了更具体的设计，核心是"预测—校正"两步：

1. 显式预测器：先只按已知外力推进粒子，得到一个只包含外力驱动运动、尚未考虑粒子间相互作用的中间状态。这样外力被单独拆出来，模型不必学习外力本身，更容易泛化到新的力场。
2. 学习型校正器：预测位置与速度的残差修正，分三个阶段——粒子 tokenizer 编码粒子间、粒子与边界、以及拓扑引导的局部相互作用；"超级 token"编码器通过交替的自注意力与 token 合并，把粒子层层压缩成一小组超级 token；解码器再通过交叉注意力把它们还原到粒子分辨率，输出每个粒子的修正量。

规模问题是最大难点：百万粒子做全量自注意力根本算不动。论文的做法是渐进式 token 合并，每层编码器把 token 数减半，解码器也只通过紧凑的超级 token 通信，而不是粒子两两之间做注意力，从而大幅降低注意力成本。这与大模型里"分层压缩上下文"的思路异曲同工。

效果与意义

MIT 报道称，研究者在六类动力学现象上验证了模型，精度高于数值模拟方法：例如颗粒物坍塌成堆时，一些基线方法会让沙粒悬在空中，而 WorldParticle 没有这个问题；在蛋白质结构随时间变化的模拟上，据作者介绍速度约为数值模拟器的 100 倍。论文还展示了交互式控制、逆向设计，以及从真实操作数据中学习。

它的潜在价值在于耦合：以前"液体晃动撞击弹性阀门"需要两个求解器拼接，统一模型则有机会直接处理多物理场耦合，比如软体机器人接触沙土、储罐中油液对弹性阀的冲击。研究者还期待它延伸到 RNA 演化乃至星系并合。

需要保持清醒的是：这仍是研究阶段成果，100 倍加速等数字来自作者自述，且面向的是已验证的六类场景；"开箱即用地模拟任何场景"目前只是愿景，长期误差累积、与高精度工业求解器的对比，都有待独立验证。

结语

当语言模型的范式被搬到物理世界，"下一步预测"不再只是预测 token，而是预测世界如何演化。WorldParticle 未必是终点，但它展示了一条清晰路径：统一表示、预测—校正、分层压缩。如果这条路走通，科学计算也许会迎来属于自己的基础模型时代。