在 NVIDIA GTC 2026 上，黄仁勋建议一个明确判断：Physical AI 依然到来。而物理AI的中枢瓶颈，从来不是模子，而是——咱们是否狠恶确凿地重建这个天下吗？
在现实天下中，任何一个浅显动作，都波及多个物理系统的耦合：结构、材料、流体、热、斗争……
而这，恰是通用多物理仿确切规模哦！
本期「SynReal Decode」，咱们从一个问题登程：为什么AI很难信得过进入确凿天下？谜底，很猛进程上指向一个基础能力——物理仿真，尤其是通用多物理仿真。这一篇，咱们会从见地讲起，结合行业近况，带你献媚这项时期为什么紧要，以及凌迪科技是如安在这个方进取竖立我方的时期上风么.
一、什么是物理仿真与通用多物理仿真
通用多物理仿真，顾名想义，是一种狠恶在长入框架下模拟多种物理形态与多类物资通顺与交互的仿真时期。
从宏不雅角度看，物理天下中的物体不错大要分为三类：
刚性物体（刚体）、可形变物体（形变体）以及流体。在确凿的东说念主类生计和责任环境中，固体物体占据饱和主导，其中极端一部分为形变体；比拟之下，流体多以水和空气等面目存在，其鸿沟和复杂度在泛泛场景中相对有限。
张开剩余89%从时期熟悉度来看，单一或少许刚体的仿真（举例机器东说念主推行结构）依然相对熟悉；而形变体与流体的仿真则遥远被觉得是物理仿真中的高难度问题。要是不洽商顶点工业或当然环境，而聚焦于东说念主类泛泛生计场景，那么形变体物理仿真既是最贫穷的部分，亦然最紧要的部分。
原因在于：现实天下中充斥着种类粘稠、物性互异显耀的可形变物体——从东说念主们一稔的服装，到窗帘、床品、包装袋、毛巾、植物，再到东说念主体自身的皮肤和肌肉组织。这些物体都具有弹性、可曲折、可拉伸、可折叠等复杂行径，无法用浅显的刚体模子相同。
在时期层面，服装、植物、家纺成品和包装材料等形变体的仿真，在本质上并无根蒂辩别，均依赖于数值物理模子与数值求解要领，来模拟物体在受力要求下的形变与通顺过程。因此，形变体物理仿真不错行为一个长入的大类进行系统性筹办。
进一步来说，确凿天下中并不存在“饱和的刚体”。扫数固体在外力作用下都会发生一定进程的形变，仅仅刚度互异不同辛苦。这一意志也响应在最新的仿真时期发展中，举例 Affine Body Dynamics（ABD） 等要领，依然驱动在刚体仿真中显式引入可控的微弱形变。
二、通用多物理仿确切时期近况
从历史发展来看，通用多物理仿真主要沿着两条时期旅途演进。
1. 面向工程计较的仿真体系（CAE）
第一类旅途，源自计较物理、机械工程等工程学科，典型代表是 SolidWorks、ANSYS、ABAQUS 等计较机补助工程（CAE）软件。这类系统强调物理死心的高精度与可考据性，仿真范围粗鄙，遮掩力学、电磁、热学、声学等多个物理领域，并可处理高温、高压、高速等顶点工况。
其局限在于：
● 并不彊调高确凿感的视觉呈现
● 对复杂多体斗争与动态交互复古有限
● 很少针对 GPU 等新式硬件进行系统性性能优化
因此，这类仿真系统更相宜工程考据，而不相宜大鸿沟、高频率的数据生成任务。
2. 面向数字文娱的仿真体系
第二类旅途，主要工作于游戏和影视殊效等数字文娱行业。相干仿真能力频繁集成在 Maya、Blender、Unity、Unreal 等器用和引擎中。NVIDIA 的 PhysX 引擎在率先阶段，恰是为游戏及时仿真而遐想。
这类仿真时期以视觉效果为优先指标，大都继承相同能源学模子（如 Position-Based Dynamics， PBD），在小鸿沟问题上具有讲究的领会性和效力，但并不追求物理严格性，也难以膨大到大鸿沟、高精度场景。
关于文娱内容而言，这种弃取是合理的；但关于高质地物理仿真和物理 AI 检修而言，其确凿性和可膨大性存在显然不及。
3. 面向特定领域的专用仿真系统
此外，还存在一些针对特定利用场景开发的仿真系统。举例：
● CLO / Marvelous Designer 等面向服装建模的软件，更侧重静态服装遐想与外不雅呈现
● MuJoCo、Newton、Genesis AI 等面向机器东说念主检修的仿真系统，主要聚焦机器东说念主推行的刚体能源学，对形变体与流体频繁依赖简化模子或第三方引擎
这类系统在各自领域具有价值，但在形变体仿真能力上大都存在局限。
三、凌迪的上风：遥远考据的通用多物理仿真能力
时期积攒与不竭考据
凌迪通用多物理仿真时期的酿成，并非单一居品周期内的工程恶果，王者荣耀投注而是竖立在遥远、不竭的基础筹办与时期积攒之上。
公司中枢时期团队多年来不竭在计较机图形学与物理仿真领域的外洋顶级学术会议和期刊上发表筹办恶果，包括 SIGGRAPH、SIGGRAPH Asia 以及 ACM Transactions on Graphics（TOG） 等。这些会议和期刊以评审严格、竞争强烈著称，被粗轻茂为该领域的时期圭臬与前沿风向标。
在夙昔多年中，凌迪相干时期团队平均每年在上述顶级会议与期刊上发表约 10 篇高质地论文，筹办内容遮掩形变体物理仿确切多个中枢问题，包括材料建模、复杂斗争处理、高性能并行求解以及可膨大仿真系统架构等主义。
*2025年，凌迪科技论文恶果
上述筹办恶果为凌迪通用多物理仿真引擎提供了可考据、可复现的时期基础，也确保了公司时期阶梯狠恶不竭对王人外洋前沿，而非依赖短期工程教会。
学术产出的客不雅对照（以 SIGGRAPH Asia 2025 为例）
以计较机图形学领域的紧要外洋会议 SIGGRAPH Asia 2025 为例，字据大会公开论文寄托名单统计：
● 凌迪相干时期团队在该届会议上共发表 4 篇论文，筹办主义主要麇集于形变体物理仿真、复杂斗争处理与高性能数值计较等中枢时期问题；
● 同期，字据大会公开论文寄托名单及腾讯在其官方渠说念发布的信息，腾讯相干筹办团队在该会议上共发表 9 篇论文，筹办主义涵盖计较机图形学、视觉与相干交叉领域。
*图片来自《Automated Task Scheduling for Cloth and Deformable Body Simulations
in Heterogeneous Computing Environments》（ACM SIGGRAPH 2025 Conference Papers）
需要评释的是，SIGGRAPH / SIGGRAPH Asia 的论文寄托均基于严格的外洋同业评审机制。在该机制下，论文发表数目在一定进程上响应了一个时期团队在相干领域的筹办活跃度与不竭插足水平，但不同机构在筹办主义遮掩范围、组织鸿沟和资源成立等方面亦存在互异。
在此布景下，凌迪行为一家聚焦通用多物理仿真与形变体物理仿确切专科时期公司，狠恶在单届顶级会议中保持领会、且与中枢业务高度一致的高质地论文产出，体现了其在相干时期方进取的遥远积攒与不竭研发能力。
四、凌迪通用多物理仿确切要津能力
凌迪的中枢时期上风，在于其构建的通用多物理仿真（Universal Multiphysics Simulation）体系，以及在此基础之上研发的新一代高性能仿真引擎（Simulation Engine）。该时期体系面向确凿物理天下，死力于在保证物理合感性的前提下，竣事高效力、可膨大的仿真与数据生成能力。
1. 物理确凿性
凌迪在物理材质建模方面进行了遥远插足，围绕确凿天下中材料的非线性、各向异性行径，构建了系统化的物理模子体系，并配套开发了物理本性测量斥地与经过。相干筹办遮掩名义弹性、曲折刚度以及摩擦行径等要津要素，为机器东说念主斗争、持取和操作任务提供了可靠的物理基础。
2. 碰撞与斗争处理能力
高质地多物理仿确切中枢难题之一，在于领会、准确地处理复杂碰撞与斗争关系。凌迪围绕这一问题，不竭研发并优化了包括 Multilevel Schwarz、JGS2 等在内的一系列数值算法，在保证领会性的同期兼顾仿真效力，竣事了高质地与高性能的均衡。
3. 并行计较与性能优化
凌迪在仿真并行化方面进行了系统性筹办，其仿真引擎从架构层面适配 GPU 等并行硬件。 在复古 NVIDIA GPU 的同期，凌迪也针对 Apple M 系列芯片的 GPU / CPU 搀杂架构进行了特意优化，竣事了显耀的性能进步。这一丝组成了凌迪仿真引擎与传统建模软件的紧要互异。
五、追忆：真与快的长入
与传统仿真系统比拟，凌迪通用多物理仿真引擎的中枢特色，在于狠恶同期兼顾物理确凿性与计较效力。
● 真，决定了合成数据能否灵验移动到确凿天下
● 快，决定了数据生成是否具备鸿沟化可行性
这两点关于机器东说念主检修、物理 AI 以及数字孪生利用至关紧要。凌迪的通用多物理仿真时期，恰所以遥远学术考据为基础，通过工程化竣事，将“真”与“快”长入到并吞系统之中，为将来物千里着厚重能的发展提供不竭、可靠的数据与仿真基础面目。
本文由凌迪科技时期内行团队撰写与审核发布
凌迪科技时期内行团队
王华民
凌迪科技首席科学家，遥远从事高性能、高精度物理仿真筹办，是GPU 形变体仿真与柔性材料（面料）物理建模领域的外洋有名学者。加入凌迪科技前，曾任好意思国俄亥俄州立大学计较机科学与工程系终生副教师，并在加州大学伯克利分校从事博士后筹办。他在 SIGGRAPH、CVPR 等计较机图形学与计较机视觉顶级会议和期刊发表论文 80 余篇，其中包括 4 篇 SIGGRAPH 独一作家论文。2025 年当选 ACM 了得会员与 IEEE 资深会员，并担任 SIGGRAPH Asia 2026 论文委员会副主席。
蒋陈小东说念主
好意思国加州大学洛杉矶分校（UCLA）数学系教师，东说念主工智能与视觉计较实验室（AIVC Lab）主任，筹办主义涵盖 物理 AI、3D 视觉计较、3D 生成式模子与具身智能。他是多项粗鄙使用的物理仿真要领与系统的建议者与鞭策者，包括 APIC、MLS-MPM 与 IPC，这些要领已成为学术界和工业界的紧要基础器用。其筹办赢得 NSF、DOE 以及 Toyota、Amazon、Sony、Adobe、Style3D 等机构与企业复古，并屡次在 SIGGRAPH、ICRA、IROS 等顶级会议赢得最好论文或荣誉提名。
杨垠
好意思国犹他大学Kahlert School of Computing 副教师，聚会指点 Utah Graphics Lab，并同期附庸于 Utah Robotics Center，具有图形学、仿真与机器东说念主深度交叉的筹办布景。曾在新墨西哥大学和克莱姆森大学任教kpl投注，博士毕业于德州大学达拉斯分校（David Daniel Fellowship）。曾获 NSF CRII 奖与 CAREER 奖，筹办重心是为图形学、物理仿真、深度学习、视觉和机器东说念主等领域开发高效、可膨大、面向确凿利用的计较要领。
发布于：山西省米兰体育MiLan(中国)官网首页