想象一下，你正试图预测一块愚人橡皮泥在被拉伸时会如何延展和挤压。在现实世界中，这不仅仅是一个有趣的派对小把戏；对于需要模拟人体器官在手术过程中如何运动的医生，或者设计软体机器人的工程师来说，这是一个至关重要的挑战。为了准确实现这一点，科学家们使用一种被称为“超弹性”（hyperelasticity）的复杂数学方法来模拟材料在受力下的变形情况。然而，在计算机上求解这些数学问题速度极其缓慢，就像试图计算每一颗橡皮泥分子的运动路径一样。最近，一种被称为“神经算子”（neural operator）的新型人工智能出现了，它承诺通过从数据中学习变形规则，从而在瞬间解决这些问题。但问题在于：大多数这类 AI 模型都是在非常简单、枯燥的形状（如完美的正方形或带孔的圆形）上进行训练的。它们尚未在现实世界中那些杂乱、不规则且独特的形状（如肝脏或一团扭曲的黏土）上进行过测试。一个大问题是：这些 AI 模型真的能处理现实几何结构的混乱吗，还是会在形状变得怪异时彻底崩溃？
这正是名为 HYPERSHAPE 的新项目介入并打破常规的地方。把 HYPERSHAPE 想象成一个“形状工厂”，它不仅仅生产一种完美的饼干，而是源源不断地制造出成千上万个独特的、略显怪异且日益复杂的各种形状的“团块”。研究人员构建了这个系统来生成合成数据——即关于这些奇怪形状在不同作用力和边界条件（例如你抓握形状的位置以及你拉扯的位置）下如何变形的计算机模拟。随后，他们利用这个庞大且多样化的数据集，对五种最先进的 AI 模型进行了严格的压力测试。
结果却让人清醒地认识到了现实。当 AI 模型在测试简单、规则的形状时，它们的表现非常出色，简直像天才一样。但一旦研究人员引入了更复杂、更不规则的形状，并改变了力的施加方式，模型的表现就开始崩塌。这就像是 AI 非常擅长预测一个完美球体如何弹跳，但当被问及一张皱巴巴的纸在受到推挤时会如何反应时，它就完全陷入了困惑。研究发现，形状的几何复杂度越高，AI 的误差率就越高。更糟糕的是，当模型在简单形状上接受训练，然后被要求预测一个完全不同的复杂形状（即“分布外”测试）的行为时，它们表现得非常吃力。
研究人员还发现，这些模型是“贪婪”的数据驱动型模型。为了让它们能够处理一定程度的形状多样性，需要喂给它们海量的训练数据——数以万计的样本。论文指出，虽然这些 AI 模型功能强大，但目前由于过于脆弱，在没有显著改进的情况下，还无法被信任用于医疗手术等具有复杂且不可预测几何结构的现实应用场景。本质上，HYPERSHAPE 揭示了当前这一代 AI 仍处于学习如何在平地上行走阶段，还没有准备好在扭曲树木构成的森林中奔跑。作者提出这一新框架，旨在推动该领域向前发展，帮助开发者构建能够真正泛化到自然界中各种多样且复杂形状的模型。
与形状指标的相关性： 几何复杂度与预测误差之间存在强相关性。在 2D 中，等周率较低（更复杂、不太圆）的形状会导致更高的误差。在 3D 中，训练基准形状与测试形状之间的豪斯多夫距离（Hausdorff distance）与相对 L2 误差呈正相关；目标形状偏离训练几何形状越远，精度下降越严重。
分布外与迁移限制： 当在与训练数据分布不同的形状上进行测试时，模型表现困难。在 3D 迁移实验中，基于纯合成形状（Random3D）训练的点云模型无法在真实的解剖学肝脏几何形状上产生有意义的预测。只有当训练数据包含更接近目标解剖分布的形状（AugLiver，由单个真实肝脏网格经随机变形增强而成）时，性能才有所提升。