11月18日,2026年世界仿真大会在杭州举办。北京谋先飞在会上发布新一代物理仿真引擎 MotrixSim 1.0,联合创始人兼 CTO 张衡给出的判断是,物理 AI 的瓶颈可以归结为数据的结构性缺失。
这句话值得展开。大语言模型之所以进步快,是因为互联网上本来就有海量文本;视频模型之所以进步快,是因为有海量视频。但一个机器人要学会抓住一个形状不规则的物体,需要的是力矩、接触点、摩擦、形变这些数据,而这些数据在互联网上一段都没有。
唯一的来源是真实世界的试错,或者仿真。真实世界太慢太贵,于是仿真成了必选项。问题在于,仿真做得不准,策略迁移到真机就会失效,这个落差在行业里有个专门的名字:Sim2Real 鸿沟。
张衡提到一个容易被忽略的对比:语言模型的数据是"结果",物理 AI 的数据是"过程"。一段视频只告诉你手最后抓住了杯子,不会告诉你手指在哪个位置滑了两次、压力值是多少、桌面摩擦系数有多大。这些过程量只能靠仿真或者真机采集,而真机采集的成本是仿真的几十倍。
谋先飞把物理 AI 对仿真的需求拆成三条。第一条是可信的物理交互,仿真要足够真,策略部署到真实世界时才不会崩;第二条是可规模化生成,仿真跑得慢就没法支撑大规模训练;第三条是无缝接入学习管线,仿真产生的数据要能直接进下游训练,而不是导出来再折腾一遍。
三条里最容易做的是第一条的"看起来像",最难的是"算得准"。一个灵巧手抓苹果的例子被拿来解释差别:苹果表面是不规则曲面,手指接触的位置、角度、受力都会影响抓取是否成功。要做到这一点,仿真必须保留物体表面的精确几何信息,并且能做精细接触与多体动力学求解。
技术上的做法是用有向距离场来建模。它把物体表面表示成一个连续的距离函数,任何一点到表面的距离都能算出来,接触检测因此可以做到很细。代价是计算量大,所以第二条"可规模化"才需要专门的工程优化。
第三条常被当成工程细节,实际影响最大。仿真跑完的数据如果格式与训练框架不兼容,中间就要写一层转换,转换环节一多,实验迭代速度就慢下来。可微是另一个关键点:如果仿真能直接给出梯度,策略就可以在仿真里端到端优化,而不必把数据搬出来再训。
谋先飞把求解器在多核 CPU 与 GPU 上的利用率作为工程重点,逻辑也在这里。同样的物理精度,跑得快十倍,意味着一天能生成的样本从几万条变成几十万条,策略收敛需要的日历时间随之缩短。
除了物理,仿真还要解决"看得清"。MotrixSim 提供两种渲染路径:基于物理的全局光照渲染,以及基于 3D 高斯泼溅的混合渲染,两者可以融合使用。
这个组合对应的是一对矛盾。全局光照渲染物理正确,适合训练对光照敏感的视觉策略,但慢;高斯泼溅渲染快、真实感强,适合大规模生成视觉数据,但在极端光照下的物理一致性不如前者。把两者混起来,是当下比较务实的折中。
对做具身智能的团队来说,这一层决定了训练数据的成本。同一个场景,如果每一帧都要走完整的路径追踪,一天能生成的帧数有限;换成混合渲染,同样的机时可以产出几倍的样本,代价是少量样本的物理精度下降。
还有一个现实问题:仿真里的相机与真实相机不同。真实相机有噪点、有运动模糊、有色差、有曝光自适应,这些"缺陷"在训练里其实是重要的输入。仿真渲染如果太干净,策略到了真机上就会被噪声打乱。把相机模型一起仿进去,是很多团队踩过坑之后才补上的一课。
仿真本身不是新东西。工业界用了几十年有限元与多体动力学,游戏引擎也早就在做物理模拟。变化在于买家的身份:过去买仿真的是工程师,用来验证设计;现在买仿真的是训练模型的人,用来生产数据。
这两种需求差别很大。工程师要的是精度与可解释,一个工况算一晚上也能接受;训练要的是吞吐与随机性,一天要跑几十万次,每次的参数都要有变化。把为前者设计的工具拿去干后者的活,通常跑不动。
这也是为什么今年做物理 AI 的公司都在自建或深度改造仿真环境。通用仿真器搞不定特定机器人本体的接触特性,而接触特性恰恰是策略能不能迁移的关键。自己做,才能把本体参数、传感器噪声、执行器延迟这些细节都写进去。
这是需求的转移,也带来一个结构性机会。过去仿真市场被几家老牌工业软件占住,价格高、交付重、按席位卖;新的买家要的是按机时算的吞吐、能批量起环境的接口、以及与训练框架的原生对接。产品形态不同,竞争格局自然要重排。
对创业公司来说,这条路的门槛在物理精度。做得不准,客户在真机上一试就露馅;做得准又跑得快,才有资格进入训练管线。这个平衡点,恰恰是传统工业仿真器与游戏引擎都没解决好的地方。
行业里一个常见的误区是把仿真当成真机的替代品。实际上它替代的是"试错的次数",不是"最后的验证"。一个策略在仿真里成功率 90%,到真机上可能是 60%,也可能是 85%,差距取决于仿真与真实之间那几处没有被建模的细节。
务实的做法是建立一条对照流程:先在仿真里跑一万次筛出前 5%,再到真机上跑一百次,记录成功率与失败模式,把失败模式反过来补进仿真。这个过程要重复几轮,每一轮都在缩小那个落差。
判断一个仿真平台值不值得用,有一个很朴素的标准:把同一套策略分别在仿真与真机上跑,看两者的失败案例是否相似。如果仿真里从不失败而真机经常失败,说明仿真太干净;如果仿真里失败得毫无规律,说明模型不对。相似,才说明它学到了真实世界的约束。
这也解释了为什么今年做具身智能的团队几乎都在建自己的仿真环境与数据管线。模型可以随时换,数据一旦积累起来就形成了壁垒。而数据壁垒的形态并不是一堆视频,而是一套能反复生成、能对照真机校验、能随时扩量的仿真资产。