【万字长文】物理引擎与CAE仿真，在具身智能时代的路口重逢
2005年，一个刚毕业的流体力学博士生站在人生的十字路口，他的手里可能有三份不同行业的offer：
一份来自好莱坞的工业光魔，让他去做《加勒比海盗2》的海水特效；一份来自EA加拿大，让他去优化《FIFA》里足球的弧线；还有一份来自GE航空，让他去模拟涡轮叶片内部的气流。
他心里清楚：三份工作用的数学差不多——都是纳维-斯托克斯方程的某种变体。但代码的要求天差地别：电影要的是美，游戏要的是快，航空要的是准。
这个故事，就是物理仿真技术几十年演进的一个微型缩影。
缘起：当图形学遇到物理仿真
所有的宏大叙事都有其伏笔。
1943年，纽约大学的库朗教授提出了有限元法的数学雏形，为物理仿真工具体系的建立埋下了种子。20年后，伊凡·萨瑟兰发明了第一个交互式图形系统Sketchpad，宣告了计算机图形学这一学科的诞生。
▲ 伊凡·萨瑟兰与Sketchpad
然而直到20世纪80年代，图形学的研究方向仍集中在几何表达与图像渲染上，尚未与物理规律发生耦合。尽管那时的仿真算法已发展了数十年，却大多被圈禁在工程行业的象牙塔里。
但在影视与游戏的一线，先锋者们已经开始零星的尝试：
影视领域：1982年的《星际迷航2：可汗怒吼》中，工业光魔采用粒子仿真技术实现了"创世纪"效果中的行星爆炸，这是电影史上第一次用物理仿真技术实现特效。这段完全用电脑制作出来的CG影像在当时震惊了许多业内人士，预示着一个新的时代即将到来。
游戏领域：1983年，日本任天堂在《马里奥兄弟》中加入了简单的重力模拟，虽然只是最基础的匀速下落计算，却让游戏世界变得鲜活起来。
▲ 《星际迷航2可汗之怒》（1982）里的CG片段
直到1987年的SIGGRAPH会议上，Demetri Terzopoulos教授发表了一篇名为《Elastically Deformable Models》的论文。被学界视为图形学学科内正式开辟了“物理仿真”这一独立研究方向的标志，图形学开始触及世界的物理本质。
从这一刻起，分化开始显现。
工业仿真，追求"真"，必须真实可信，对计算效率的容忍度较高；
游戏行业，追求"快"，必须实时交互，宁可牺牲一点物理真实性；
影视行业，追求"美"，通过仿真实现现实中难以拍摄的宏大画面，给予观众最震撼的视觉体验。
同根同源的技术，在三股需求的牵引下，走向了不同的分野。
分叉期
同源殊途，各自深耕
1. 工业CAE：对“真”理的无限逼近
在CAE仿真的世界里，误差意味着机毁人亡。
一个复杂模型的求解可能要算几天几夜，但工程师们最在意的不是“时间”，而是物理规律是否被忠实地遵循。
作为物理仿真技术的奠基者，CAE行业的研究者孜孜不倦地追寻着“真”理——他们深知永远无法抵达绝对的真理，但每一步逼近，都让火箭更安全、桥梁更稳固、飞机更省油。
这种对物理规律的敬畏与执着，激励着他们使用各种工具，向真实世界发起一次又一次冲锋。
1.1 从“线性”到“非线性”
1966年，NASA为阿波罗登月计划牵头开发了世界上第一款CAE仿真软件 NASTRAN。但即便是登月这样宏伟的计划，当时的CAE软件也只能计算线性问题。
线性仿真，是CAE世界的“新手村”。它假设一切都很理想：材料不会屈服，变形非常微小，接触可以忽略。
但是，现实世界是非线性的：大风中的桥梁会大幅摆动，汽车碰撞时钢板会折叠撕裂、金属部件在超载时会永久弯曲。
1970年代，工程师们决定走出新手村，直面非线性问题。
1976年，第一款商业非线性仿真软件MARC问世，专攻材料非线性和热应力；
两年后，MARC母公司的一位年轻人因不满产品战略出走，与两名合伙人创立了后来的非线性仿真巨头Abaqus。
同一时期，John Hallquist在劳伦斯利弗莫尔国家实验室编写了DYNA，专门解决高速碰撞、爆炸、侵彻等显式动力学问题。至今在汽车碰撞、金属成形、爆炸模拟方面仍是主流选择。
从此，CAE仿真开始走入非线性的“真实世界”。
1.2 从“单物理场”到“多场耦合”
真实世界的物理问题，很少是单一物理场的。
飞机机翼在气流中会抖动变形——这是流体与结构的耦合；电机工作时会发热——这是电磁与传热的耦合；电流通过导体产生磁场——这是电磁与力学的耦合。
受限于算力和算法，早期的CAE软件只能专注一个领域：NASTRAN做结构，FLUENT做流体，ANSYS早期也以结构为主。想算一个“机翼颤振”这样简单的流固耦合问题，需要在不同软件之间来回倒数据。
转折点出现在1986年。瑞典的两位年轻人从代理软件起步，后来抓住MATLAB的机会，做出了COMSOL。他们的核心理念很简单也很激进：让工程师在同一个模型中，能同时求解流体、结构、电磁、传热。
用一个软件，算一个世界。
后来其他厂商也陆续完善多物理场仿真功能，CAE仿真从单一的“结构分析”走向“多物理场耦合”。
1.3 从“有网格”到“无网格”
传统有限元法有一个致命弱点：网格。
当物体发生超大变形，比如金属冲压、爆炸碎片飞散、雪地踩踏时，网格会被扭曲到无法计算。
于是，学者们开始想办法从底层逻辑上绕开网格。
无网格方法起源于19世纪70年代。1977年，Lucy L B、Gingold R A等人首次提出了光滑质点流体动力学方法（SPH），并将该方法成功应用于天体物理的领域中。
2000年代前后，无网格法开始兴起。涌现了近10种无网格方法，主要包括：辐射元法(DEM)、无网格Galerkin法(EFG)、有限点法(FPM)、单元分解法（PUM)、物质点法（MPM）等。
这些方法的出现，极大地拓展了CAE仿真的应用边界，在高速冲击以及爆炸、断裂力学、结构超大变形、优化、流固耦合和自由表面流动等场景中发挥了关键作用。
尤其随着高性能计算技术的发展，无网格方法 正日益受到工程界的重视。
1.4 从“串行”到“并行”
随着CAE仿真对象越来越庞大复杂，工程师们遇到了新瓶颈：模型越来越大，一台工作站的CPU已经转不动了。一次整车碰撞分析，可能要跑整整一周。
解决方案是“并行计算”——把大问题拆成几十个小问题，让几十个CPU同时算。
早在1970年代，大连理工大学的钟万勰教授就提出了多重多级子结构算法。其核心思想是“分而治之，逐级凝聚”：把结构按层级拆解成大量小规模的子结构，分别分析后，再逐级向上凝聚成简化模型。
2000年代初，PC集群和MPI编程让CAE进入了“并行时代”。整车碰撞从一周缩短到一天，飞机整机从“算不了”变成“算得起”。
2010年代，GPU接过了接力棒。ANSYS在2010年率先支持GPU加速，典型工作负载下速度翻倍。到了2020年，一张RTX 3090已经可以实时运行MPM——十年前这需要数十台服务器。
并行算法让复杂问题化繁为简，而算力是CAE“算得动”的底气。
每一次算力的跃升，都让工程师多回答一个以前算不了的问题。
1.5 从“纯物理”到“物理+AI"
但工程师追问的脚步从未停歇。当算力终于不再拖后腿时，新的瓶颈浮出水面——设计本身。
一个汽车设计师每天会产生上百个‘如果……会怎样’的念头。如果每个想法都要用高精度仿真跑几个小时，那么再强大的算力，也追不上人类创造力的脚步。
于是，为了不扯设计后腿，仿真研究者们换了一个思路：把仿真从物理模型驱动，改为数据驱动。
核心做法是：用一定数量的仿真数据训练一个“代理模型”，让它以千分之一甚至万分之一的时间代价，直接预测新设计方案的性能。精度会差一点，但速度快了上千倍。
2010年，第一款商业代理建模软件问世。 一个空客的机翼模型，传统方法要算一个月，它在PC上三天就跑完了——这是Macros公司交出的答卷。
2010年代末，深度学习来了。 神经网络能学习更复杂的非线性关系，GPU算力让大规模训练成为可能。但问题也随之浮现：神经网络是个黑箱——它能给出预测，却说不清“为什么”。内部的逻辑关系，无人能解。
2020年前后，PINN（物理信息神经网络）给出了回应。 它把物理定律直接嵌入神经网络训练过程，让AI不再“瞎猜”
这些技术还在飞速迭代中。今天的“上限”，或许只是就是明天的“起点”。
CAE的发展史，就是一场对“真实世界”的漫长逼近。
2. 游戏物理：为了实时，可与物理为敌
游戏物理走的是一条与CAE仿真完全相反的路：为了速度，不惜“作弊”。
为了实现实时交互，游戏行业物理仿真研究者们甘愿牺牲物理真实性，在实时物理仿真这条路上做出了卓越的贡献。
▲ 《荒野大镖客 2》高度拟真的游戏场景
除了在经典力学基础上进行理想假设以降低计算复杂度外，游戏行业还提出了一系列创新算法。
其中比较典型的例子是PBD（基于位置的动力学）算法的出现。
PBD 是 Müller 等人于 2007 年发表的一种物理仿真方法，它的核心思想很反直觉：绕过速度、加速度、力这些中间量，直接修改物体的位置来满足约束。
虽然并非物理精确，但是看起来很真实，计算速度快且数值稳定，PBD很快被应用到各类3A游戏中，几乎所有3A游戏，从刚体运动到头发摆动，都在用PBD。
在PBD的启发下，算法不断进化，又发展出了XPBD、PD、PB-CCD等实时仿真技术。
这些技术后来被广泛应用于物理引擎的开发中。
2.1 物理引擎的萌芽
物理引擎是物理仿真算法技术研究成果的载体。
它是一种整合了物理仿真算法的软件组件，为开发者提供便捷的开发接口，便于开发者创建具有物理仿真需求的应用程序。
1996年，在游戏《雷神之锤》的开发中，开发团队首次将渲染与物理分离，将物理仿真的代码拆分成一个独立的模块。
在此之前，游戏里的物理效果是"为场景定制的"：这堵墙推不动，那堆箱子能推走，不是由材质属性决定的，而是由开发者在代码里为每个物体单独编写的规则。
而Quake第一次让所有物体——玩家、子弹、药包、碎片——遵循同一套规则：同样的重力加速度，同样的碰撞响应，同样的爆炸冲量。
一套代码，多次复用。这一思想为后来的物理引擎架构奠定了基础。
2.2 商业化物理引擎的出现
1999年，爱尔兰公司Havok发布了Havok 1.0，这是世界上第一个商业化的物理中间件，它专注于刚体碰撞、布料模拟和布娃娃系统，解决了游戏中“物体能动但不真实”的痛点。2000年，Valve为了《半条命2》收购了Havok旗下的Ipion Software——这笔交易让Havok从一个学术项目变成了3A游戏的标配。
接下来的几年，Havok几乎统治了游戏行业。到2007年被Intel以1.1亿美元收购时，当年50款顶级游戏中，有《刺客信条》、《光环3》、《生化奇兵》等多款作品都在使用Havok。游戏物理引擎从此成为一门正经生意。
就在Havok攻城略地的同时，另一边也在悄悄酝酿一场硬件革命。
2005年，五名年轻工程师创立的AGEIA公司，提出了一个大胆的构想：物理计算应该有自己的专用硬件。他们设计了物理处理器PPU，将引擎命名为PhysX（最初叫NovodeX）。
但市场并不买账。多装一块卡意味着更高的成本和更复杂的装机流程，普通玩家觉得"没必要"，核心玩家又觉得"效果不明显"。PhysX卡成了小众的玩具。
转折发生在2008年。就在Intel收购Havok后不久，NVIDIA迅速出手收购了AGEIA，将PhysX移植到自己的CUDA架构上。
这个决策的威力很快就显现了：再也不需要单独的物理卡了，你的NVIDIA显卡就是物理加速卡。
Havok和PhysX各效其主，一个是"CPU派"，一个是"GPU派"——两条技术路线从此分道扬镳。
2.3 开源的第三条路
1998年，罗素·史密斯牵头开发了ODE（Open Dynamics Engine），这是开源刚体物理引擎的鼻祖，最初源于学术研究需求，核心聚焦于刚体动力学、碰撞检测，支持地面车辆、腿部生物、VR环境中的移动物体模拟，凭借开源、灵活、鲁棒的特性，ODE成为了无数游戏、机器人仿真项目的技术起点。
2003年，又一个知名的开源物理引擎项目出现，取名Bullet。它的目标是：做Havok和PhysX的开源替代品。
在那个年代，开源物理引擎意味着什么？意味着中小工作室不需要支付昂贵的授权费，意味着开发者可以自由阅读和修改源码，意味着学术界有一个可靠的实验平台。
2009年，AMD宣布支持Bullet Physics，与OpenCL结合，目标是"对抗私有物理方案"。Bullet被用于《侠盗猎车手4/5》、《荒野大镖客》等大作，甚至被用于电影《2012》的特效制作。
故事的结尾：2022年，Bullet创始人Erwin Coumans加入NVIDIA，参与PhysX开发。从对手变成了队友，开源与闭源、CPU派与GPU派，在某种程度上达成了和解。
3. 影视特效：为了真实，不择手段
迪士尼研究院的Ken Museth有一句名言：“观众不需要精确的纳维-斯托克斯解，他们需要的是‘看起来对’的水。”
只要画面足够震撼，物理对不对不重要，帧率快不快也不重要——一帧渲染几十个小时，那是家常便饭。
对于画面真实感的追求，使影视行业成了物理仿真的"黄埔军校"。这里诞生了最复杂的物理模型、最精细的求解器，推动了多物理场仿真在图形学领域的应用和发展。
▲ 2009年电影《阿凡达》
3.1 从“画出来的水”到“算出来的水”
在计算机图形学的早期，水是画出来的——艺术家手绘波浪的曲线，然后让它动起来。火焰、烟雾、布料，都是同样的逻辑。物理模拟？不存在的。
1997年，《泰坦尼克号》是电影特效行业的第一个里程碑。
导演詹姆斯·卡梅隆要拍船体断裂、海水涌入、乘客坠入冰海的画面。在CG技术还不成熟的年代，拍摄团队运用CG物理仿真和微缩模型实拍等技术，完成了壮丽的沉船场景，并获得当年的奥斯卡特效奖。
▲ 1996 年 《泰坦尼克号》电影中的海水特效
2000年代，是好莱坞影视特效产业的爆发期。
这十年间，曾经只存在于实验室的物理仿真技术，真正走进了电影工业的生产线。
2000年的《完美风暴》首次尝试大规模CG海水；2001年的《指环王》用Massive系统创造了20万独立个体的虚拟战场；2004年的《后天》让海啸和龙卷风成为叙事的主角；而2009年的《阿凡达》，则将影视物理模拟推到了一个新的量级。
潘多拉星球的每一帧画面，都由物理引擎驱动：纳美人骑乘斑溪兽时肌肉的形变（软体仿真）、行走时脚下植物的晃动（刚体与布料的混合）、在水中游动时水流的扰动（流体仿真）、以及成千上万漂浮的圣树种子（粒子系统）。卡梅隆团队开发了统一的水体模拟系统，处理角色与水的全交互——所有现象都基于物理规则解算（然后离线渲染）。
刚体破碎、流体仿真、布料模拟、人群动画、毛发系统——所有物理仿真技术类型——首次完整地集成到一部电影中。
物理仿真技术不再是“辅助手段”，而成为了视觉叙事的核心引擎。
3.2 好莱坞特效产业背后的学术网络
在这波浪潮中，斯坦福大学的Ron Fedkiw教授成为了旗帜性人物。
▲Ron Fedkiw教授与工业光魔合作，改进《完美风暴》中的海水特效
90年代末，Ron Fedkiw教授将水平集理论等计算物理领域的严谨数学方法改造成了适合于电影特效制作的实用版本，成功落地烟雾、火焰、水体、爆炸等影视特效场景。
同时，他将核心算法整合，打造了多物理场仿真引擎库PhysBAM。
PhysBAM引擎库采用高度模块化架构设计，将物理模型、数值求解器、几何表示等组件解耦，便于新算法快速实现与复用。在并行计算上也表现出色，非常适合需要大规模算力的电影级特效制作。
PhysBAM引擎成功支撑了《加勒比海盗》《哈利波特》《变形金刚》等影片的特效制作，不仅成为工业光魔、迪士尼、皮克斯等影视特效巨头背后的核心工具库，其中的理论算法与架构思想，也深刻影响了一大批华人学者。
图形学届近几年的学术明星——如提出了MLS-MPM、APIC等前沿算法的蒋陈凡夫、IPC和ABD的发明人李旻辰、以“99行代码复刻冰雪奇缘雪花”震撼业界的胡渊鸣、泽森科工创始人张心欣等人——都直接或间接的受到其学术谱系的滋养。他们的研究成果，进一步推动了图形学技术的应用范围。
3.3 从PhysBAM到PhysIKA：物理引擎的传承与突围
2013年，北京大学图形与交互技术实验室的博士生朱飞来到UCLA交流访问。在这里，他得到了Fedkiw教授的学生Joseph Teran教授的指导，并深入接触了PhysBAM物理仿真库。
回国后，在导师的支持下，朱飞博士借鉴PhysBAM的架构思想，发起了Physika物理仿真引擎开源项目。该项目随后获得国家重点研发计划等重大项目的支持，吸引了清华、浙大、湖大、中科院软件所等多家单位的共同参与研发。在大家的共同努力下，Physika不断迭代重构，最终升级更名为PhysIKA，定位为以交互式仿真为目标的物理仿真引擎。
与PhysIKA同根同源的，有国内图形学物理仿真领域的代表性开源项目之一——中科院软件所的PeriDyno（泛动引擎）——这是一款基于CPU/GPU混合架构、核心算法实现100%GPU并行化的开源物理仿真引擎，支持刚体、流体、柔体、断裂等多物理场耦合。
▲ PeriDyno泛动引擎
PhysIKA的另一个分支，则是由发起人朱飞博士重构升级的版本 “YJPhysika物理仿真引擎”。
博士毕业后，朱飞投身于产业界，继续从事物理仿真研发工作，经过多年工业界的历练，于2021年创办了云境智仿。
他没有选择影视、游戏等图形学的主战场，而是将积累的图形学技术投入到工业研发严谨而残酷的“炼钢炉”中。
这是一次大胆的技术回归。在“工业软件姓工不姓软”的舆论环境下，一支图形学出身的团队显得有些“不伦不类”。但随着云境智仿在船舶、电力、航空航天等领域啃下一个又一个硬骨头，团队逐渐获得行业认可，频繁出现在各类CAE软件榜单中。
图形学基因在AI模型训练、并行计算、智能几何技术等领域的技术优势开始显露，随着物理智能、数字孪生等理念的普及，YJPhysika物理引擎在工业场景中的应用潜力也被一步步挖掘出来。
▲YJPhysika物理仿真引擎
人们忽然发现，计算机图形学与工程仿真原来并不是水火不容的两个赛道，
因为融合期，早就已经来了。
融合期
技术的魅力在于，它往往在无意中跨越鸿沟。
1. 迪士尼的雪
2013年，《冰雪奇缘》上映。观众记住的是Elsa的裙子和那首《Let It Go》，但技术圈记住的是她脚下的雪。
雪这种物体，看似复杂，实则一点也不简单。
雪是固体吗？是，雪堆可以承重，Elsa可以站在上面。
雪是流体吗？也是，雪可以流动、飞溅、从斜坡上滑落。
雪能断裂吗？能，用力踩下去，雪块会碎裂。
雪能压缩吗？能，新雪落下后，底层的雪会被压得更密实。
▲《冰雪奇缘》中雪特效
在物理学的分类里，雪属于“颗粒材料”，同时表现出固体、流体、断裂三种力学行为。传统的物理模拟方法——有限元法（FEM）处理固体，光滑粒子流体动力学（SPH）处理流体，断裂力学处理断裂——没有任何一个能单独搞定雪。
迪士尼的团队面临一个难题：如何让角色在雪地上行走时，积雪能呈现出“破碎-挤压-飞溅”的复杂效果？
他们翻遍了学术文献，找到了MPM（物质点法）。
MPM的学术根源可以追溯到计算力学领域。它最早被用来处理那些传统有限元法搞不定的“大变形”问题——比如金属冲压、土壤力学、粉末压实。在工程行业，MPM是一个小众工具，默默无闻地存在于学术论文和专用软件中。
迪士尼的研究团队将MPM改造为适合图形学的版本，开发了名为Matterhorn的雪模拟系统。结果举世震惊——Elsa每走一步，脚下的雪都不再是简单的“踩个坑”，而是呈现出真实的物理行为：边缘碎裂、小块飞溅、挤压隆起。
MPM自此一战封神，迅速成为了图形学界的热门方向。
2018年，UCLA的蒋陈凡夫教授与胡渊明等人提出MLS-MPM方法，大幅简化了MPM实现难度，MPM从此不再是“迪士尼的黑科技”，而成为每个图形学研究生都能上手的标准算法。它的应用边界不断被拓展：从雪到沙子、巧克力、果冻、布料、毛发，甚至人体器官。
2020年，蒋陈凡夫与李旻辰等人提出的IPC方法，从根本上解决了困扰学界几十年穿模问题，被学界认为是固体模拟领域的“工业革命”。
此时，他的研究早已超越图形学——用MPM预测雪崩、山体滑坡，开发虚拟手术仿真平台...
而这场“影视引爆”的热度，正在反向回流到实体行业：芯片封装、软组织缝合、滑坡模拟、航空发动机工艺……
工业给了MPM摇篮，影视给了它舞台——如今它带着这些积累，回家了。
2. GPU的刀
1999年，英伟达发布GeForce 256时首次提出“GPU”这个概念，它的核心使命是加速3D游戏的图形渲染。
天下武功唯快不破，GPU并行的加速能力很快被其他赛道发现，最近水楼台的当然是图形学的亲戚们。
2000年代中期，有人意识到GPU的并行计算能力可以用在物理模拟上。
2008年，NVIDIA收购PhysX，将物理计算移植到CUDA架构。这个决策的威力很快显现：游戏开发者可以在不增加硬件成本的情况下，实现更复杂的粒子系统、更真实的布料模拟、更壮观的爆炸效果。
2009年，《阿凡达》拍摄过程中，影视行业首次大规模将GPU用于非图形计算，把渲染速度提升了近100倍。
2010年，Ansys 成为首个商业支持GPU加速的CAE软件。用GPU加速有限元分析求解器。典型工作负载下，GPU+四核CPU的组合比纯四核CPU快约一倍。
后来，对经典数值算法的并行化改造，几乎成了CAE行业的标配。
再后来，AI大模型爆发，谁也没想到，二十多年前为了玩游戏不卡而打磨的利剑，居然劈开了行业壁垒，成为了主宰科技行业的无冕之王。
3. 机器人的脑
早期的游戏开发者也没有想到，那些为了"快"而编写的物理引擎，竟会成为机器人仿真的基石。
21世纪初，当Havok和PhysX正在游戏行业攻城略地时，一批机器人学家悄悄盯上了这些技术。游戏引擎里的物理模拟——刚体碰撞、关节约束、重力——恰恰是机器人运动学所需要的基础。为什么不拿游戏引擎来“玩”机器人？
随着ROS（机器人操作系统）标准的建立，Gazebo作为主流仿真器迅速普及，很快，Bullet、ODE等开源物理引擎因其开放性与通用性，成为了Gazebo的底层引擎，误打误撞地成为机器人仿真领域的标配。
但这些骨子里刻着"实时"二字的游戏引擎，在面对高精度控制时力不从心。直到2012年，专为机器人运动仿真而生的MuJoCo（Multi-Joint Dynamics with Contact，全称：多关节接触动力学）出现了。它具备极高的接触精度与计算稳定性，填补了机器人高精度物理仿真的空白，为后续深度强化学习与机器人仿真的结合埋下了伏笔。
▲ Mujoco机器人仿真
2017年，是机器人仿真技术的转折点。
就在前一年，AlphaGo击败李世石。机器人学家们敏锐地意识到：如果可以用强化学习训练机器人，那仿真环境就是必需品。
这一年，深度强化学习开始兴起，AI需要通过百万次的试错，才能学会控制机器人，而传统的单线程仿真，根本无法满足需求。
此时，MuJoCo迎来爆发，凭借其高精度刚体动力学、稳定的接触求解，能精准模拟机器人的受力、摩擦，而且计算速度快，适合大规模并行训练，迅速成为强化学习的“标配”。
时间来到今天，AI大模型已成时代引擎。而作为它在物理世界的载体，机器人也脱胎换骨，被冠以具身智能的名号。
4. 在具身智能的路口重逢
2024年12月，一篇名为《刚刚，AI颠覆物理模拟：一句话精准仿真，学术圈半壁江山联手耗时24个月研究成果》的文章火遍全网。被视作物理仿真与生成式AI融合的标志性事件，物理引擎第一次被推到了AI时代的风口浪尖。
如果说数字孪生和元宇宙，因其包罗万象的应用场景，让各条赛道的从业们尽管在市场上短兵相接，但是仍然能各取所需、独立耕耘。
那么具身智能的出现，则彻底打破了这种“分而治之”的平静局面。
因为，它对仿真的需求，恰好落在了“真、快、美”三个维度的交汇点。
机器人想要走到老百姓的生活中，面对的是千变万化的真实世界——不同形状的杯子、不同摩擦力的桌面，工程师不可能提前写好所有情况的应对程序。所以机器人必须像人一样，通过反复试错来学习。
但在真实世界里训练太贵了：一台机器人几十万，摔几次就废了；强化学习需要数百万次试错，在现实中完成这些实验需要数年时间。所以机器人得先在虚拟仿真世界里“练级”——随便摔、随便试，学会之后再搬到现实里。这就是Sim2Real：用虚拟世界的无限试错，替代真实世界的有限尝试。
▲ 机器人强化学习
但仿真与现实之间永远存在一道鸿沟——Sim2Real Gap。现实中的摩擦力、材质形变、传感器噪声等细节极为复杂，仿真很难完全复现。虚拟世界里稳稳抓起的杯子，现实中可能因微小偏差而滑落。
想要跨越这道鸿沟，需要高保真、高实时的物理引擎——它既要足够真，让机器人学到的技能可以迁移到现实；又要足够快，支撑海量试错训练；还要足够美，让视觉输入接近真实世界。三者缺一不可。
正是这种复合型需求，让原本分处不同赛道的物理仿真技术研究者们，如今在具身智能的旗帜下走到了一起：
云境智仿，在工业仿真的高精度严苛要求中打磨多年后，不改其图形学基因里对实时性、并行计算和视觉真实的追求，携升级后的YJPhysika物理引擎赶来。过去，“图形学基因+工业应用”的定位曾使其遭受质疑；如今，当具身智能同时需要高保真求解、高实时响应、高真实渲染的综合素质时，曾经走过的“弯路” 反而成了最有重量的积累。
凌迪科技，以柔性体仿真技术为核心，从服装行业赶来。其自研的SynReal物理仿真与合成数据系统，能够模拟布料级的柔软与褶皱——而叠衣服，恰恰是机器人灵巧操作的“圣杯”级难题。
谋先飞从游戏行业出发，将多年积累的实时物理仿真经验注入自研物理引擎，打造了全国首个全链条自主可控的MotrixLab机器人仿真训练平台。松应科技则发布了国内首个面向个人开发者的物理AI仿真平台ORCALab，让单人即可在普通笔记本上完成机器人训练。
十沣科技、英特仿真、云道智能等工业CAE企业，则以高精度的多体动力学仿真技术切入机器人仿真赛道。
同样具备英伟达背景，PhysX物理引擎的主要奠基人之一张立华教授创办的飞捷科思近期发布了首个可微分物理引擎Fysics。具身智能训练数据提供商光轮智能也在向上游突破，宣布自研高精度物理仿真引擎。
这条汇聚的长河中，还有许许多多的身影。
2025年10月，NVIDIA联合Google DeepMind、Disney Research发布Newton引擎，整合了MuJoCo、PhysX等经典方案，面向具身智能场景重新设计。三家巨头的联手释放了一个清晰的信号：
物理引擎，已经不再是某个行业的附属品，而是具身智能时代的核心基础设施。
交叉路口：是终点，也是起点
从1987年Terzopoulos的那篇论文，到今天一批创新企业的涌现，物理仿真走过了一条漫长而精彩的演进之路。
它从工程应用的象牙塔中走出，在影视行业找到了商业落脚点，在游戏行业完成了技术民主化，最终在具身智能时代成为支撑整个产业的基础设施。
物理仿真研究者们正从不同的赛道走向同一个交叉路口。计算机图形学的"实时与美"，与计算力学的"精确与真"，在这里握手言和。
这条路，有人走得坚决，有人走得曲折，有人走得优雅，有人走得意气风发。
无论如何，他们都是同一个故事的讲述者——用代码书写物理规律，用算法连接虚实世界。
而这，还远未到终章。
