方程写对了，水却不肯流

🚪 上期回顾：镜子外面，那具刚长出来的身体

上一期「门外的世界」，我们目送 AI 从评测的镜子前起身，推开那扇门，走到真实世界去碰钉子——去执行真实的代码，去和人类打交道的场合里猜心思，去产业链条里走一遍从论文到产品的全流程。那一季讲完，AI 的身体算是长出来了：它有手可以执行，有嘴可以沟通，有腿可以落地。

但「长出来了」和「好用」之间，还隔着很远一段路。

这一季叫「身体与感观」，我们连问三篇：这具新身体上的感官，到底灵不灵？今天先测最原始、也最容易被忽视的那一种——物理直觉。

什么叫物理直觉？你把手伸出车窗，不用任何公式，就知道车速变了。你把鸡蛋往桌沿一磕，脑子里一个方程都不用解，就知道它会裂成什么样。牛顿摆左边第一个球撞过来，你闭着眼也知道右边最后一个球会弹出去，中间几个会老老实实站着。这种“不用算就知道”的本事，人类婴儿十八个月大就开始有了，是靠身体一寸一寸磕碰出来的。

AI 不一样。它读过全世界所有的物理教材，能背诵纳维-斯托克斯方程的每一个下标，能写出一万字的流体力学讲义。可它从没被水花溅到过手背，从没拎过一个会晃的购物袋。那么问题来了：它对物理世界的理解，是长在骨头里的直觉，还是背下来的课文？

这就是今天这篇论文要干的事。方法很直接：给 AI 一个代码编辑器，让它把一捧水、一块布、一缕烟的运动，写成一个真正能跑的物理模拟器。写得出来、跑得对，说明它对这个世界的理解是真的；写不出来，说明它记住的只是物理书的句子。

这篇论文叫 WorldSolver，来自中科院自动化所、北京大学和华为诺亚方舟实验室。

🧩 任务设计：168 道“只写解答过程”的物理题

先说说这项 benchmark 长什么样。

出题人翻遍了 61 篇经典的计算机图形学论文，从中提炼出 168 个模拟任务，覆盖 7 个物理域：流体——一捧水、一缸油、一场溃坝；刚体——骨牌、积木、相撞的球；塑性与复杂材料——会留下永久形变的东西，比如捏扁的橡皮泥；弹性体——果冻那样晃悠悠又能回弹的东西；杆与丝——绳子、头发、挂着的链条；布料与壳——飘动的旗、垂落的桌布；以及最烧脑的多物理耦合——好几种物理现象同时在场的局面，比如烟雾受热上升顶着布料飘，水和弹性体互相推搡。这 7 个域基本覆盖了日常物理世界的主要居民，考题不算偏门。

每个任务发下去的时候，长这样：一段物理现象的文字描述，外加一个固定的代码脚手架，记作 S = (G, P, E, R)。拆开看：G 是场景几何——桌子的位置、容器的形状、球从哪儿落下来；P 是物理参数——重力多大、粘度多强、弹性模量是多少；E 是执行协议——代码怎么跑、跑多久；R 是渲染配置——最后画面怎么呈现。

打个厨房里的比方：食材、灶台、菜谱的步骤、摆盘的要求，全都给你备好了。AI 唯一要干的，就是掌那一手勺——在脚手架里实现一个叫求解器的东西，记作 Φ。它的职责用一行公式就说得清：

s_{t+1} = Φ(s_t)

这行公式什么意思？想想小时候玩的翻页动画。你在本子角上一页一页画小人，每一页的小人要比上一页挪一点点，快速翻动，小人就跑起来了。物理模拟器本质上是同一件事：系统的下一个状态，由当前状态推出来。求解器就是那个“看着上一页画下一页”的画师。它画完一整本，得到一条状态轨迹 τ = (s_0, ..., s_T)，再渲染成一段视频 v。

听上去简单？真正动手就知道难了。水为什么是“水”而不是一堆蓝色粉末？因为水分子之间有连续的不可压缩性，因为表面张力，因为粘性耗散。这些性质没有一行代码会白送给你，全得 AI 自己在求解器里实现出来。

这套脚手架设计有一个关键的用心：它是第一个把“求解器的实现”单独隔离出来考的 benchmark（论文 Table 1 里和前人工作做了逐项对比）。在此之前，同类工作要么让模型从零开始造整个轮子——写出的差异里混着脚手架的差异，说不清是谁的锅；要么只给数值打分，看不见画面里水到底像不像水；还有的只盯着某一个物理域，测完流体就敢宣称懂物理。WorldSolver 把考场统一了：卷子是一样的，评分是双轨的，只看你写的解答过程。这让它第一次能公平回答那个老问题：模型的物理理解，到底到哪一层了。

🧪 三堂会审：跑没跑、像不像、守不守规矩

考完之后是阅卷。WorldSolver 的阅卷方式值得单独讲，因为它用了三堂会审，一层比一层苛刻。

第一堂：监考老师，查执行（E）。代码交上来了，能不能成功跑完？能就是 1，不能就是 0。这一关只看交没交卷，不看对错——就像考试结束铃响，先看名字写没写。

第二堂：美术老师，查视觉逼真度（V）。阅卷的不是人，而是一位 VLM 评委——GPT-5.6-Sol。它从渲染出的视频里抽出 20 帧，按四个维度打分：事件序列对不对（该发生的有没有发生，顺序乱没乱）、交互响应像不像（球撞墙之后回弹了吗）、标志性现象出没出现（漩涡、涟漪、悬链线这些物理现象的“签名”）、时间连贯性好不好（画面有没有突然跳变、穿帮）。每个维度 0 到 1 分，取平均。

第三堂最狠：物理老师，查物理合理性（P）。出题人事先给每个任务定义了 3 到 5 条物理定律的“违反函数”——质量守恒吗？动量和冲量对得上吗？两个物体接触时有没有互相穿透？这些不是靠眼睛看的，是拿数值算出来的违规误差，再映射到 0 到 1 分。

三堂成绩合起来：只要执行挂了（E = 0），总分直接归零；执行通过，就拿视觉分和物理分的平均值，s_k = (V_k + P_k) / 2。

这套双轨评分还有一层现实的针对性。过去的代码生成评测里，“能跑”常常被当成“对了”的近义词——只要测试不报错，就算通过。可物理模拟是个骗子行业：一段满是错误的代码完全可以跑出一段看起来挺像样的动画。水大致往低处流，球大致往下掉，骗骗外行绰绰有余。所以必须有第三堂物理老师坐镇，拿守恒定律一条条对数值。同时也得有第二堂美术老师，因为反过来也成立——数值误差小不代表画面自然，一个物理上勉强合规但视觉僵硬得像幻灯片的模拟，同样是失败的模拟。两轨并行，骗子无路可走。

这个设计很接近我们人类判断“像不像真的”的方式。你看一个特效大片，一眼假，往往是画面说得过去但总觉得哪里不对劲——那就是物理老师在摇头。反过来，数值全对但画面混沌一团，美术老师也不答应。两堂都要过，才算及格。

被拉进考场的有 7 位选手：GPT-5.6-Sol、Claude-Opus-5、Gemini-3.7-Flash、DeepSeek-V4.1-Flash、GLM-5.3、Qwen-3.8-Max、Kimi-K2.7-Code。全员开启高推理档位，每道题的生成时限 1800 秒，运行时限 600 秒。

考场钟声敲响，发卷。

🏆 主结果：两个优等生，和一群刚及格的考生

总分榜先放出来：

GPT-5.6-Sol 拿到 48.7 分，Claude-Opus-5 拿到 46.7 分，并列第一梯队。然后分数断崖式下跌：Gemini-3.7-Flash 只有 29.3，DeepSeek-V4.1-Flash 24.6，GLM-5.3 23.6，Qwen-3.8-Max 22.7，垫底的 Kimi-K2.7-Code 只有 17.1。

注意这个满分是 100 分。换句话说，考得最好的两位，也就将将摸到“一半对一半错”的线。物理直觉这道关，对今天的 AI 来说整体都难过。但前两名和后五名之间那 18 分的断崖，比绝对值更有戏剧性——同样是写代码的大模型，在做物理题这件事上，档次差得离谱。

更有意思的藏在分域成绩里。这两位优等生，擅长的科目完全不一样。

GPT-5.6-Sol 拿下四个域的第一：流体 49.6、刚体 54.8、杆与丝 59.5、多物理耦合 51.5。Claude-Opus-5 则统治另外三个：塑性与复杂材料 47.9、弹性体 61.9、布料与壳 60.1。

总分只差 2 分，可拆开看，偏科偏得惊人。在杆与丝这个域，GPT 领先 Claude 整整 26%；到了布料与壳，Claude 反过来领先 24.3%。什么概念？同一个考场里两位总分几乎一样的学生，一位解绳子题像外科医生，解布料题像厨师切线；另一位正好反过来。物理直觉在模型内部不是一个统一的器官，更像一组各自发育的肌肉——这块练得粗壮，隔壁那块可能还软着。

而垫底的那几位，偏科偏成了事故。Gemini-3.7-Flash 在布料与壳上只拿到 9.5 分——不是“做得不够好”，是基本没有做出布的样子。GLM-5.3 在多物理耦合上只有 7.0 分，面对好几种物理现象搅在一起的场面，几乎当场缴械。

如果说总分榜像高考放榜，那分域榜更像体检报告：每个模型的“物理体质”各不相同，短板短得触目惊心。

那个 18 分的断崖也值得多看一眼。从 46.7 到 29.3，中间几乎没有过渡带，五个模型挤在 17 到 29 分这个区间里缠斗，前两名却悬在接近 50 分的高度。这种分布通常说明一件事：做物理求解器需要的能力是复合的——既要懂物理概念，又要会工程实现，还得会在调试中自我纠偏——多数模型只拥有其中一两块拼图，于是分数压成一团；而头部两家凑齐了整套，于是甩开身位。具体缺哪块拼图，行为分析部分会给出线索。

🔍 三层漏斗：交卷率高得感人，做对率低得吓人

排行榜只是结果。真正的故事发生在考场过程里，WorldSolver 把每个模型的答题过程也记录了下来，画出一条三层漏斗。

第一层：Solver Submitted，交卷率。7 个模型的交卷率在 88% 到 100% 之间——几乎人人交卷。意料之中，这些模型什么大风大浪没见过，写一段求解器代码交上去，不在话下。

第二层：Trajectory Produced，产出有效轨迹。哗——从这里开始，人没了。最高的 GPT 也只有 82% 的任务能跑出有效轨迹，Kimi 更是跌到 38%。也就是说，六成以上的考卷，代码看着像那么回事，一跑就崩，或者跑出来的状态轨迹根本不是物理世界该有的样子。空有答题卡，没有解题过程。

第三层：Cases Passed，拿到 60 分以上算及格。GPT 41%，Claude 37%，Qwen 14%，Kimi 8%。

三层漏斗叠起来看：100 个人交卷，82 个跑出了东西，41 个真正及格。这就是“知道”和“做到”之间的距离。大模型对物理学的“知识”存了一整座图书馆，可一旦要求它把知识变成一台能运转的机器，图书馆就塌方了一大半。

落差最大的是 Kimi-K2.7-Code:99% 的交卷率，只有 38% 的有效轨迹产出。它是全考场最勤奋的“考生”，也是摔得最狠的。这个落差提示了一件重要的事：它交卷时的自信是真的——代码从语法到结构都无懈可击，它真诚地以为自己答对了。可物理世界不买语法账。水不会因为代码优雅就肯流动。

这份“自信的崩塌”在视觉对比案例里看得最清楚。论文 Figure 5 给了三组画面。

第一组，浮力烟雾：烟雾受热上升。Claude 写出来的模拟里，烟雾自然地打着旋儿向上卷成一股羽流，像极了灶台边的水汽。Kimi 的版本里，烟雾上升了短短一段，然后整团凭空消散——像有人按了删除键。

第二组，溃坝：一道水坝瞬间拆除，水该轰然冲下，绕过中间的拱门扩散开来。Claude 的水确实绕着拱门铺开了；GPT 的水冲到一半滞留在上游，像是忘了自己要往哪去；Qwen 的最离谱，水直接散成漫天飞舞的粒子，没有一滴连成连续的水体——那不是溃坝，那是爆米花。

第三组最扎心，牛顿摆：五个小球排成一列，拉起左边第一个，松手。GPT 和 Gemini 的版本里，端球受击后向外摆出——对了。Kimi 的版本里，能量传递的链条断了，中间的球大量位移，整个架子乱成一团。牛顿摆是整个物理世界里最讲“纪律”的装置：中间球必须纹丝不动，动量必须沿着球链老老实实传到最后一颗。这个装置 1960 年代就躺在每一本中学物理课本里，每个模型都应该在训练数据里见过它成千上万次。见过，和会做，中间隔着一整个身体。

🧠 考后复盘：改错本比刷题量重要

考完了，还有一份行为分析报告，里面藏着比分数更有意思的规律。

第一个规律：调用次数多，不等于考得好。GPT-5.6-Sol 平均每个任务只用 13.07 个 epoch——全场最少——恰恰拿了最高分。Kimi 平均调用 37.95 个 epoch，接近 GPT 的三倍，分数却垫底。如果这是一场靠题海战术能堆上去的考试，曲线应该反过来。但事实摆在眼前：反复重写、反复尝试，没有换来物理正确性。错的直觉，试一百次还是错的直觉。

第二个规律更有说服力：会不会“改”，比会不会“写”重要。统计各模型对 Edit 工具的使用占比：Claude 是 25.3%，GPT 是 12.5%，而 Gemini 只有 8.2%，Kimi 只有 2.5%。排个序看看——Edit 使用率从高到低，几乎就是总分从高到低。爱改代码的模型考得好，写完一遍就交卷的模型考得差。这和我们人类的经验完全吻合：物理题做对的关键从来不是第一笔，而是算完之后那个“等一下，量纲好像不对”的自我检查时刻。会用 Edit，就意味着模型有一套内在的怀疑机制——敢回头，肯返工。这套机制在刷题时显不出来，到了物理这种“错一点就全盘皆输”的考场上，就是分水岭。

第三个规律关于成本。GPT 平均每题耗时 8.89 分钟，Claude 要 18.59 分钟——Claude 的分数是用双倍时间换的。Gemini 只要 2.59 分钟，全场最快，但分数也只剩 29.3。最快最浅的路线走不远。而 DeepSeek-V4.1-Flash 以 Flash 级别的成本拿到了 24.6 分，单位算力性价比全场最高——便宜模型里的物理直觉，居然比几个更贵的对手还灵光。

把三条规律拼起来，浮现出一个清晰的画像：高分模型不是“更聪明”的模型，而是“更会当工程师”的模型——写得快、敢返工、知道什么时候该停手。物理直觉的考试，最后考的是工作习惯。

💭 写在最后：皮肤还没长好

回到开头那个问题：AI 的物理直觉，是长在骨头里的，还是背下来的课文？

这篇论文给出的答案相当清晰：多半还是课文。七个顶尖模型，最好的也只拿了一半分数；人人都会交卷，六成跑不动，能及格的不到一半；一个教科书级的牛顿摆，照样有人做错。

但这恰恰是这类研究的价值所在。WorldSolver 像一次全面体检，把“物理直觉”这个模糊的词汇拆成了 168 个具体任务、三条量化指标、七份个体报告。它告诉每个模型：你的流体肌肉练得不错，布料肌肉基本萎缩；你交卷很快，但你的牛顿摆在乱晃。没有这种体检，所有人都还活在“我读过物理书所以我懂物理”的错觉里。

往深一层想，物理直觉这件事，本来就不是靠读书读出来的。人类婴儿的物理直觉，是几百次把积木推倒、几千次把水洒在地上、无数次被球砸中之后，皮肤、小脑和前庭一起攒出来的经验。AI 没有这层皮肤。它的“身体”是数据，它的“触感”是文本里关于触感的描述。指望它从描述里直接长出直觉，本来就是一场豪赌——今天的结果说明，赌局远未到收牌的时候。

这也给“世界模型”这个热门词提了个醒。很多人都相信，训练出真正理解物理世界的 AI，关键在于让它拥有能模拟世界的内芯。如果 AI 连写出一小段正确的流体模拟都如此吃力，那么“内置物理引擎”的路，恐怕比想象中长得多。也许真正的出路，恰恰是让 AI 像婴儿一样，先有一个真实的、会犯错、会被砸中的身体——模拟器，或许就是它能长出的第一层皮肤。

这就是 Evolution 019「身体与感观」的第一问。皮肤还没长好，后面还有两问：视觉的感观、行动的感观。身体与感观三部曲，下一篇见。

📚 参考文献

• 论文标题：WorldSolver: Can LLM Agents Simulate the Physical Dynamics via Solver Generation?
• 作者：Siru Jiang, Yongzhe Lyu, Shuo Lu, Yubin Wang, Yuxiang Zhang, Yue Liao, Bin Wang, Jian Liang, Tieniu Tan
• arXiv ID：2610.08720 (v1, 2026-10-06)
• 机构：NLPR & MAIS, CASIA（中科院自动化所）；北京大学；华为诺亚方舟实验室
• 代码：https://github.com/sirujiang/WorldSolver