机器之机杼剪部

曩昔十年，AI 卡的是算力；异日十年，物理 AI 卡的是数据。而数据的前提，是仿真。

莫得可限制化的仿真宇宙，就莫得可限制化的机器东说念主数据；莫得结伙的仿真圭臬，就不会有着实的物理 AI 生态。

仿真，正在成为物理 AI 期间的 CUDA。

CUDA 也曾把 GPU 诡计变成 AI 期间的结伙底座。今天，仿着实成为物理 AI 期间新的圭臬层。

物理 AI 的核心瓶颈依然变了

回望曩昔的技艺演进，每个阶段皆有我方的裂缝瓶颈。

大说话模子期间，这个瓶颈是算力。岂论是闭源的 GPT、Claude，照旧开源的 Llama、Qwen、DeepSeek，这条赛说念的核心命题恒久唯唯独个：如何用更多算力、在更大数据集上跑通 Scaling Law。算力的天花板在那里，模子才气的规模就在那里。

扶植这一轮海潮的底层基础方法，恰所以 CUDA 为代表的联总诡计圭臬。CUDA 把 GPU 从图形诡计器具变成 AI 期间的通用诡计底座，也让大模子考研第一次领有了可限制化调用的诡计基础方法。谁掌捏算力进口，谁就领有期间红利。

但进入物理 AI 期间，核心瓶颈正在从 “算力” 转向 “数据”。

曩昔的大模子，实质上是用互联网语料学习东说念主类宇宙；而物理 AI，需要学习真什物理宇宙。说话模子学习的是翰墨之间的连络，机器东说念主学习的则是力如何传递、搏斗如何发生、动作如何完满、宇宙如何反馈。

这意味着，物理 AI 所需要的数据，不再是互联网中自然存在的信息，而是必须在 “可交互、可实践、可考证” 的物理环境中被系统性生成。

数据的窘境，来自机器东说念主学习方式的压根相反。斯坦福教诲李飞飞曾在谈及机器东说念主智能与传统机器学习的相反时指出：“把数据带入机器东说念主考研，远比网罗图片勤勉得多。” 机器东说念主模子要学会抓取、搬运、操作、行走，需要的不是静态图像，而是大批覆盖真什物理交互的高质地活动数据。

这类数据无法像网页文本一样从互联网爬取，也无法通过通俗扩大算力臆造生成。自动驾驶尚有 “影子模式”：几百万辆量产车每天在真实说念路上行驶，司机的每一个操作皆不错成为自然监督信号；机器东说念主并莫得这么的基础方法。

也正因如斯，李飞飞进一步提倡，不错用大批仿真数据考研机器东说念主 “大脑”，再用更少许的真实数据弥合通往试验宇宙的差距。换句话说，机器东说念主数据不是现成存在的互联网语料，而必须在可交互、可实践、可考证的环境中被系统性坐蓐出来；莫得熟练的仿真体系，就莫得限制化的考研数据，也就莫得具身智能的连续迭代。

除了数据数目，数据质地不异裂缝。曩昔驳斥数据质地，时时联思到收效完成任务的样本；但物理 AI 更需要会通失败 —— 物体为什么滑落，动四肢什么失稳，搏斗为什么偏离预期。唯独不竭清楚问题、纠错反馈，模子才可能从数据中着实得到学习信号。

因此，数据背后还有一个同等进军却更袒护的瓶颈：评测。

大模子期间的评测相对熟练：考研蚀本是可靠的优化信号，圭臬化基准（MMLU、HumanEval 等）能奏凯响应模子才气进展。但在物理 AI 领域，这套逻辑失效了。考研蚀本的下跌与实验室 Demo 的收效，已难以全面响应模子在真实环境中的玄虚才气；今天跑通的动作，换一个灯光、换一个物体名义，可能就失效了。

问题的核心在于：机器东说念主的考研与评测，实质上皆需要在合乎真什物理端正的环境中反复实践。但真实宇宙弗成无穷重置、弗成大限制并行，也难以系统性构造失败场景。莫得结伙、可复现、可并行、可量化的评测体系，数据就很难有用携带考研，模子也无法知说念我方在那里失败，更无法定向补凑数据、升迁才气。

因此，仿真不再是辅助器具，而是物理 AI 数据坐蓐与才气评测的前提条目。谁能构建更大、更快、更真实的仿真宇宙，谁就同期翻开了数据坐蓐和才气评测两说念门，也就掌捏了通往通用具身智能的钥匙。

仿真

海外巨头争抢的物理 AI 政策高地

如若说上述判断还停留在表面层面，那么曩昔十几年海外巨头的一系列动作早已用真金白银作念出了表态。他们通过收购、开源、孵化、自研，不遗余力地要把仿真才气镶嵌到我方的机器东说念主技艺栈与生态圭臬中。

NVIDIA 早在 2008 年就收购了那时最主流的物理引擎 PhysX，并深度绑定自家 GPU 硬件，将其渐渐从游戏物理器具演进为 Omniverse 中的高精度仿真内核，成为 Isaac Sim 等机器东说念主平台的核心物理基础方法。

Google DeepMind 在 2021 年收购了 MuJoCo—— 此前它已是机器东说念主和强化学习圈的标配器具，成为论文、基准测试、开源代码的默许选项。由此，Google 义正辞严地拿到了扫数机器东说念主学术界的器具链主导权。

Drake 孵化自 MIT CSAIL，后被 Toyota Research Institute（TRI）接纳，成为高着实能源学仿真的可彭胀底座；Bullet 则跟着独创东说念主的入职而与 Google 生态完满深度绑定。

Disney Research 则走了一条自研阶梯：孵化出专攻闭链机构与顶点工况引导求解的仿真引擎 Kamino，专攻非圭臬构型下如何踏实耸立和引导，从而贬责生意化机器东说念主落地的高频痛点。

这些举措并非惟恐，而是大众顶级机构在仿真赛说念上零碎志的政策卡位。曩昔行业合计，K8凯发中国官方网站仿真仅仅一个工程器具；但今天大众巨头着实争夺的，依然不是 “谁的引擎更快”，而是谁能界说宇宙如何被建模、物理如何被抒发、数据如何被生成、才气如何被评测、机器东说念主如何被考研。

因为谁界说仿真，谁就界说了机器如何会通试验宇宙。这依然不是器具之争，而是宇宙界说权之争。

问题也随之出现：这些求解器历久散布在不同体系中，物理抒发、钞票圭臬、考研接口和评测经由互相割裂。物理 AI 需要的，不是更多单点器具，而是一个能把这些才气整合进归拢架构的核心引擎。

Newton

大众物理 AI 基础方法第一次走向结伙

Newton 应时而生。

这不是一次芜俚的开源发布，而是大众物理 AI 基础方法第一次运转走向结伙。曩昔十几年，GPU 并行诡计、高精度搏斗能源学、复杂机构求解、强化学习仿真、工业级机器东说念主考证，恒久散布在不同体系中。Newton 第一次尝试把这些才气放进归拢个怒放架构中。

它思结伙的是物理 AI 的底层宇宙模子。

2025 年 9 月，NVIDIA、Google DeepMind 与 Disney Research 结伙开源物理仿真引擎 Newton Beta 版。它不是某一家公司的单点开源尝试，而是三家大众顶级机构参加数百名工程师与商榷员、历时近两年连续诱导，将各自最强的仿真才气放进归拢个怒放架构中的效力。

NVIDIA 孝敬的是 GPU 原生加快、Warp 框架与 Isaac 生态。曩昔十几年，NVIDIA 连续鼓动 GPU 从图形诡计走向通用诡计，再走向 AI 考研与物理仿真。到了 Newton，这套才气被进一步延长到机器东说念主学习场景：高并行、可彭胀，并可与当代 AI 考研基础方法深度结合。

Google DeepMind 带来的是 MuJoCo 在机器东说念主学习与高精度搏斗能源学上的历久累积。MuJoCo 曾是机器东说念主强化学习和胁制商榷中最进军的仿真器具之一，而 Newton 将这一套高精度能源学才气搬动到 GPU 原生框架中，使其大要扶植更大限制的并行考研和评测。

Disney Research 则将 Kamino 等仿真才气纳入其中。与圭臬机器东说念主形态不同，Disney 历久靠近的是闭链机构、复杂结构、非圭臬构型与顶点工况下的引导胁制问题，这使其在复杂机构踏实求解上造成了私有累积。Newton 将这一齐线汲取进结伙架构，使机器东说念主仿真不再局限于传统刚体系统，而是进一步覆盖复杂机构、柔性材料与多物理交互。

也即是说，Newton 完满了 GPU 并行诡计、高精度搏斗能源学、复杂机构求解与机器东说念主学习生态第一次在归拢个开源架构中完满系统性汇合。

模块化架构、GPU 原生加快、自动微分才气与跨生态互助机制，使 Newton 不仅仅一个物理引擎，更像是面向物理 AI 考研、评测与部署的结伙仿真底座。

这些特色，使 Newton 从出身之初就站在了物理 AI 基础方法的裂缝位置。

值得珍重的是，在这个由大众顶级机构共同组成的物理 AI 仿真基础方法邦畿中，中国公司第一次出当今核心坐标上。

中国公司第一次

进入大众物理 AI 圭臬界说层

本年三月，光轮智能崇拜受邀四肢核心携带委员加入开源 GPU 加快物理引擎 Newton，在裂缝具身仿真技艺方朝上弘扬主导作用，K体育(中国)2026世界杯官方IOS|Android手机app下载并与 NVIDIA、Google DeepMind、Disney Research， 共同引颈鼓动下一代开源物理 AI 仿真圭臬。

同期加入的还有 Toyota Research Institute (丰田商榷院），所带来的高着实能源学仿真的可彭胀软件底座 Drake ，进一步拓展了 Newton 的技艺才气。

第一次，中国公司以核心共建者身份进入大众物理 AI 仿真基础方法圭臬的界说层：曩昔二十年，操作系统生态由 Microsoft 与 Apple 界说，出动生态由 Apple 与 Google 界说，AI 考研框架与诡计圭臬由 NVIDIA 与 Google 等巨头主导。而今天，物理 AI 的仿真圭臬终于运转有了中国公司的核心参与。

光轮加入 Newton TSC，是凭借全栈自研的 “求解—测量—生成” 三位一体技艺平台。

最初，依托自研求解器与物理测量体系，主导 Newton 引擎核心才气的连续演进，包括求解器的物理考证与系统性标定、搏斗建模与多物理场才气优化，以及仿真效力与真实宇宙一致性的连续升迁。

其次，围绕 SimReady 体系，鼓动仿真钞票在物理属性要领、数据格式、接口圭臬、考证经由与评测体系等方面的进一步结伙，完善下一代仿真宇宙圭臬。

第三，依托物理测量工场与钞票生成体系，连续升迁限制化 SimReady 宇宙供给才气，构建高保真、可复用的仿真钞票与场景库，为大众诱导者提供可奏凯使用的仿真资源。

求解、测量、生成三者合在沿途，组成从物理建模、引擎考证到工程落地的完好意思闭环，这使 Newton 不仅能算，况兼可考证、可复用、可限制化进入真实工业经由。

也正因此，光轮成为 Newton TSC 核心共建景观中唯逐一家中国公司。这象征着其在物理 AI 底层技艺领域的才气与影响力，得到了海外生态的崇拜认同。

事实上，光轮在海外开源生态中的布局远不啻于 Newton。

此前，光轮智能已结伙 NVIDIA 开源发布 Isaac Lab-Arena 机器东说念主策略评测基准框架，鼓动具身大模子评测走向可复现、可彭胀、可限制化；自研 LeIsaac 仿真平台被 Hugging Face 官方文档收录，成为大众诱导者进入具身仿真的圭臬工程框架；联手 World Labs，用 RoboFinals 贬责宇宙模子评测难题；结伙通义千问，通过 RoboFinals 共建可复现、可会诊的工业级评测闭环，鼓动具身智能评测从学术 benchmark 走向工业级基础方法。

从底层物理引擎，到诱导者平台，再到评测框架与工业级闭环，光轮智能参与的并不是一个个寂然边幅，而是一条了了的生态旅途：底层物理引擎负责 “宇宙如何运行”，仿真平台负责 “诱导者如何使用”，评测框架负责 “模子如何被洽商”，工业级评测闭环则负责 “才气如何连续迭代”。

这条生态旅途的价值依然在市鸠集得到考证。今天，光轮智能已成为大众物理 AI 仿真与数据基础方法的进军提供方，就业大众全部前五的宇宙模子团队；海外主流具身智能团队中，跨越 80% 的仿真钞票与合成数据来自光轮。

在这条旅途上，光轮智能的变装发生变化：它不仅仅为头部模子团队提供仿真钞票与合成数据，更是在引颈构建物理 AI 期间的开源基础方法、诱导者平台与评测圭臬。

中国公司第一次以核心技艺共建者的身份，进入大众物理 AI 仿真基础方法圭臬造成的裂缝位置。

大众物理 AI 仿真 Top 5 各人天团

再看 Newton TSC 的东说念主员组成，可谓妙手云集。

Miles Macklin Ph.D.（NVIDIA）NVIDIA 仿真技艺高等工程总监，Warp 框架的结伙创造者。如若说 Newton 的速率上风有一个技艺泉源，即是 Macklin 和他的团队十几年来在 GPU 并行物理仿真上的累积。

Yuval Tassa Ph.D.（Google DeepMind）机器东说念主仿真团队负责东说念主，MuJoCo 结伙独创东说念主。他贬责了 MuJoCo-Warp 的交融问题，让 MuJoCo 的物理精度在 GPU 上更生。Tassa 代表的是机器东说念主学界最核心的一条高精度仿真旅途。

谢晨 Ph.D.（光轮智能）光轮智能独创东说念主兼 CEO，曾任 NVIDIA 及 Cruise 自动驾驶仿真负责东说念主，历久鼓动仿真与合成数据在自动驾驶和物理 AI 中的产业化落地。海外开创将生成式 AI 融入仿真，主导成立光轮“求解—测量—生成”三位一体全栈自研仿真技艺阶梯。

Moritz Bächer Ph.D.（Disney Research）Disney Research 负责东说念主。Disney 的主题乐土可能是大众对文娱机器东说念主要求最尖刻的环境，Kamino 求解器即是在他部属出身的。

Michael Sherman Ph.D.（TRI） 是机器东说念主仿真基础方法领域的老兵。四肢 TRI 机器东说念主仿真的核心负责东说念主之一，其管事轨迹横跨 SD/FAST、Simbody、OpenSim、Drake 等多代裂缝仿真平台。

和这四位大众仿真领域的核心奠基者比较，谢晨博士的私有之处在于：他不是从单一求解器、单一学术体系或单点工程模块中走来，而是在自动驾驶与物理 AI 两代产业海潮中，连续主导仿真基础方法的工程化、限制化与系统化落地。

他先后在 Cruise 和 NVIDIA 主导自动驾驶仿真体系修复，在 L4 自动驾驶一线考证了仿真与合成数据对算法迭代的价值，也在大众仿真基础方法从自动驾驶期间走向物理 AI 期间的承担了裂缝变装。

在这一过程中，谢晨博士造成了分歧于传统仿真各人的系统性视角：仿真不是一个求解器、一套器具链，或一个用于测试的虚拟环境，而是一套蛊卦数据生成、模子考研、才气评测与真实部署的完好意思熏陶系统。

自动驾驶期间，仿真主要就业于视觉感知、场景回放与追念测试；进入机器东说念主与物理 AI 阶段，仿真还必须贬责搏斗、力传递、材料形变、动作失败等真什物理交互问题，并扶植模子在可复现、可限制化的环境中连续学习。

2023 年，光轮智能的创立恰是要把这一判断系统化为可落地、可录用、可限制化的全栈仿真基础方法。光轮所构建的不是单点仿真器具，而所以求解、测量、生成、考研、评测与部署为核心的完好意思闭环，连续引颈仿真从 “辅助考证器具” 走向物理 AI 的核心坐蓐系统。

因此，他加入 Newton TSC，不仅仅个东说念主入选，而是中国力量初次以核心构建者身份进入大众物理 AI 基础方法的核心坐标。

仿果真物理 AI 期间的 CUDA

曩昔十年卡算力，异日十年卡数据。而数据的前提，是仿真。

2006 年，NVIDIA 发布 CUDA。在那之前，GPU 仍主要被视为图形诡计器具，芜俚诱导者思调用其并行诡计才气，门槛极高。CUDA 把 GPU 的诡计才气抽象成一套圭臬接口，让路发者不错限制化调用。

CUDA 收效的裂缝，在于它在裂缝窗口期同期完成了三件事：建树结伙底层圭臬，让碎屑化算力不错被结伙调用；构建 cuDNN 等一整套器具链，把底层算力翻译成诱导者能奏凯调用的坐蓐力；怒放生态，让这套圭臬造成跨场景、跨诱导者、跨模子考研经由的普适性。

今天，物理 AI 正处在相似的历史节点。大模子期间，CUDA 界说的是 “如何调用诡计”；物理 AI 期间，仿真要界说的是 “如何生成宇宙”，因为机器东说念主需要的是更多可交互、可实践、可评测、可搬动的物理宇宙。因此，仿着实从器具层高潮为圭臬层：它需要界说机器东说念主的考研场景、宇宙的表征逻辑、数据坐蓐与效力评测方式……

历史上，每一次基础方法圭臬窗口期关闭之后，自后者皆很难再得到界说权。PC 期间，操作系统生态由 Microsoft 与 Apple 界说；出动期间，欺诈生态由 Apple 和 Google 界说；大模子期间，考研框架与诡计圭臬由 CUDA 界说。

而今天，物理 AI 的仿真层，正处于端正尚未凝固的窗口期。谁能界说宇宙如何被抒发，数据如何被生成，才气如何被评测，机器东说念主如何被考研，谁就有契机界说物理 AI 的异日。

窗口不会长久翻开。

而这一次K体育，中国公司第一次站上了书写端正的位置。