AI se naučila fyziku z částic: simulace letadla trvá sekundy místo hodin

Proč si velký jazykový model s fyzikou neporadí

ChatGPT nebo Claude umí o fyzice mluvit — dokážou odříkat vzorec pro volný pád a vysvětlit Newtonovy zákony. Jenže to je znalost z knih, ne porozumění. Když po nich chcete, aby předpověděli, jak vzduch obtéká křídlo při změně úhlu, selhávají, protože nikdy neviděli, jak se vzduch skutečně chová. Statistický jazykový model predikuje další slovo; netuší, že objekt nesmí projít zdí nebo že energie nemůže zmizet. Právě tady nastupuje takzvaná Physics AI neboli fyzikálně vymezená umělá inteligence. Spojuje neuronové sítě s fyzikálními zákony tak, aby model nemohl vygenerovat nesmysl, který by porušoval realitu. Výsledkem je takzvaný „world model" — síť, která má vnitřní představu o tom, jak se věci hýbou, padají a srážejí, a ne jen o tom, jak o tom lidé píšou.

Jak se fyzika naučí z částic

Klíčová myšlenka je překvapivě jednoduchá. Místo abyste model učili konkrétní simulaci — třeba „toto je aerodynamika křídla" — necháte ho sledovat miliony malých částic, které narážejí do objektů pod různými úhly a rychlostmi. Z těchto interakcí si síť sama odvodí pravidla: že náraz mění směr, že hustší prostředí brzdí rychleji a že síly působí ve dvojicích. Model GeoPT, který v srpnu 2026 představili výzkumníci z MIT a univerzity Tsinghua, byl předtrénovaný na databázi 1,3 milionu syntetických dynamických vzorků — částic narážejících na 3D objekty. Díky tomu simuluje aerodynamiku, hydrodynamiku i mechanické srážky objektů v jednom univerzálním modelu. A čísla jsou na výzkumný obor nezvykle konkrétní. GeoPT potřebuje k přesné simulaci reakce trupu lodi či letadla na vítr a vlny o 60 % méně označených trénovacích dat než stávající špičkové simulátory. Vrcholné přesnosti dosahuje až 4× rychleji a fyzikální zákonitosti se učí až 2× rychleji než předchozí modely.

Newtonův třetí zákon jako součást architektury

Výzkum ale nejde jen cestou „více částic". Švýcarská EPFL ukázala jiný přístup s algoritmem Dynami-CAL GraphNet. Ten zapracovává fyzikální pravidla — konkrétně Newtonův třetí zákon akce a reakce — přímo do architektury grafové neuronové sítě. Model tím pádem nemusí zákon objevovat v datech, protože ho má „zadrátovaný" od začátku. Je to rozdíl, který si lze představit jako rozdíl mezi tím, naučit někoho chodit po laně metodou pokus–omyl, a dát mu předem tyč na vyvažování. Fyzikální omezení fungují jako opora, která model drží v reálném světě i tam, kde má málo dat. V praxi to znamená, že model nevymyslí objekt procházející zdí nebo proudění, které porušuje zákon zachování energie — přesně ty chyby, na které klasické statistické sítě narážejí.

Sekundy místo hodin: proč na tom záleží

Praktický dopad nejlépe ukáže srovnání s tím, co inženýři používají dnes. Klasická simulace proudění (takzvaná CFD, computational fluid dynamics) je numericky náročná: rozdělí prostor na miliony malých buněk a pro každou řeší soustavu rovnic. Výpočet aerodynamického chování nového křídla nebo turbíny tak klidně běží hodiny, a při každé změně geometrie se musí počítat znovu. Physics AI funguje jako naučený náhradní model: po fázi učení už jen „odhadne" výsledek. Aerodynamika a proudění vzduchu se tak zkracují z mnohahodinových simulací na predikce v řádu sekund. Pro konstruktéra to znamená, že místo jedné varianty za den vyzkouší desítky — a návrh se tím posouvá o řád rychleji. Že nejde jen o akademické cvičení, potvrzuje dění z letošního září: letecký a obranný průmysl začal Physics AI nasazovat ve velkém právě pro urychlení vývoje nadzvukových těles a tryskových motorů v digitálním prostředí. Tam, kde fyzický test stojí miliony, je sekundová simulace konkurenční výhodou.

Od 3D světa ke 4D: přibývá i čas

GeoPT zapadá do širšího trendu, který se letos zrychlil. V srpnu 2026 vznikl startup Accelerated Understanding zaměřený na modely, které rozumějí 4D světu — tedy trojrozměrnému prostoru plus času. Zatímco GeoPT řeší statickou fyziku srážek a proudění, 4D modely cílí na to, aby AI pochopila i to, jak se děj vyvíjí v čase. Je to logický další krok: většina fyziky, kterou chceme simulovat, je dynamická. Pád objektu, náraz vlny, rozjezd motoru — to všechno jsou děje v čase. Světové modely, které zvládnou prostor i čas zároveň, mají potenciál posloužit nejen strojařům, ale i robotice, kde robot potřebuje předpovídat důsledky vlastních pohybů.

Kde jsou limity — a co to znamená pro Evropu

Bylo by chybou dělat z Physics AI všelék. Naučený model je spolehlivý v rozsahu, ve kterém se učil; za jeho hranicemi se může chovat nepředvídatelně. U kritických rozhodnutí proto zůstává nutné výsledky ověřovat klasickým výpočtem nebo fyzickým testem. Přesně tohle je i otázka pro evropskou regulaci — systémy používané v letectví nebo energetice spadají pod přísnější kategorie EU AI Act, které vyžadují dohled a ověřitelnost. Evropa přitom v tomto oboru nehraje druhé housle. Švýcarská EPFL patří ke špičce výzkumu fyzikálně vymezených sítí a evropské firmy ze strojírenství a automotive mají silnou motivaci simulace zrychlovat. Pro Česko, kde hraje průmysl a automotive zásadní roli, je to zpráva, kterou stojí za to sledovat: rychlejší simulace znamená levnější vývoj a rychlejší cestu od návrhu k prototypu. Nejde o výměnu inženýrů, ale o nástroj, který jim dá víc pokusů za stejný čas.