主要观点总结
文章介绍了机器之心AIxiv专栏及其报道的一篇关于生成式“物理 AI”的综述文章。该综述文章围绕生成式“物理 AI”展开，包括物理模拟、物理理解、生成等相关定义和概念，以及有显式模拟的生成和无显式模拟的生成的工作。文章还介绍了如何评估图像或视频生成模型的物理刻画能力，包括传统评估指标的不足和专门的数据集和指标。最后，文章展望了生成式“物理 AI”的未来发展方向。
关键观点总结
关键观点1: 机器之心AIxiv专栏是发布学术、技术内容的栏目，有效促进了学术交流与传播。
该专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室。
关键观点2: 综述文章聚焦生成式“物理 AI”，涉及物理模拟、物理理解和生成等相关概念。
文章介绍了如何将物理规律融入视觉生成模型，包括有显式模拟的生成和无显式模拟的生成的工作。
关键观点3: 现有评估方法在检测图像或视频生成模型的物理刻画能力方面存在不足。
研究者们提出了专门的数据集和指标来评估模型的物理刻画能力，包括PhyBench、PhyGenBench和VideoPhy等Benchmark和人工评估、自动评估等方式。
关键观点4: 生成式“物理 AI”的未来发展方向包括评估方式、可解释性、物理知识增强的大模型、神经 - 符号混合模型、生成式模拟引擎、跨学科应用等。
综述文章对这些未来方向进行了展望，并呼吁持续关注生成式“物理 AI”的发展。
文章预览
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。 投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com 当下，视频生成备受关注，有望成为处理物理知识的 “世界模型” （World Model），助力自动驾驶、机器人等下游任务。然而，当前模型在从 “生成” 迈向世界建模的过程中，存在关键短板 —— 对真实世界物理规律的刻画能力不足。 为此，来自悉尼大学、西澳大学等研究机构的研究者，带来了一篇聚焦于生成式“物理 AI”的综述文章，深度剖析如何将物理规律融入视觉生成模型。 论文标题： Generative Physical AI in Vision: A Survey 论文链接：https://arxiv.org/abs/2501.10928 生成
………………………………
