MIT研究人员开发了“PhysiOpt”系统，结合生成AI与物理模拟，优化3D设计，快速生成可制造的物品，如杯子和书挡，确保结构稳固。该系统利用预训练模型，无需额外训练，提高设计的实用性和美观性。

麻省理工学院副教授拉斐尔·戈麦斯-博姆巴雷利利用人工智能研发新材料，认为AI将彻底改变科学。他的研究结合物理模拟与机器学习，发现电池和催化剂等新材料，并共同创办公司以加速科学研究的进展。

向量是游戏开发中的基础数学工具，表示大小和方向。主要运算包括加法、减法、标量乘法、点积和叉积，广泛应用于位置更新、视野检测和光照计算等。掌握向量运算对3D编程和物理模拟至关重要。

物理人工智能结合神经图形、合成数据生成和物理模拟等技术，推动机器人和自动驾驶的发展。NVIDIA在SIGGRAPH大会上展示了新软件库和研究成果，强调虚拟环境在训练物理AI中的重要性。

卡内基梅隆大学研究人员推出了LegoGPT系统，能够根据自然语言描述生成稳定的LEGO结构。该系统结合大型语言模型与工程约束，使用包含超过47,000个LEGO模型的StableText2Lego数据集进行训练，并通过物理模拟确保结构稳定，同时提供可视化和纹理工具。该项目旨在推动文本到3D生成、物理推理和机器人研究。

研究论文《AI神经网络通过多尺度方法加速物理模拟8倍》介绍了一种新型图神经网络X-MeshGraphNet，该网络能够有效处理大网格结构，显著提高计算效率并保持准确性。

AI 编程工具 Claude Max 具备强大的代码处理能力和高达 200K 的上下文窗口，适合复杂项目。尽管表现优异，但按使用量收费可能让用户却步。用户体验显示其在物理模拟和应用开发方面有优势，但仍需改进。

近年来，基于图神经网络（GNN）的模型在复杂物理系统模拟中表现优异。本文提出了一种可扩展的图U-net（SGUNet）及其预训练和迁移学习方法，利用深度优先搜索池化技术适应不同网格大小。我们创建了一个包含20,000个3D物理模拟的数据集，结果显示，经过迁移学习的模型在少量数据上优于从头训练的模型。

AIxiv专栏报道了生成式“物理AI”的研究，探讨如何将物理规律融入视觉生成模型。文章介绍了六种显式物理模拟的生成范式，并分析了评估模型物理刻画能力的方法。未来，生成式“物理AI”有望在多个领域推动技术进步。

麻省理工学院研究团队开发的“LucidSim”系统利用生成AI和物理模拟器，创建多样化的虚拟训练环境，帮助机器人在缺乏真实数据的情况下实现专家级表现。该系统有效解决了机器人学习中的“模拟与现实差距”问题，显著提升了机器人在复杂环境中的适应能力，研究显示成功率高达88%。

Sora技术报告介绍了OpenAI在视频生成模型方面的研究，利用文本条件扩散模型生成高保真视频。该模型采用时空补丁和变压器架构，能够生成不同分辨率和时长的视频，展现了在物理世界模拟中的潜力。同时，Sora还具备图像生成、视频编辑和与现实世界互动的能力，但仍存在一些局限性。