在 NVIDIA GTC 2026 上，黄仁勋提出一个明确判断：Physical AI 已经到来。而物理AI的核心瓶颈，从来不是模型，而是——我们是否能够真实地重建这个世界。

在现实世界中，任何一个简单动作，都涉及多个物理系统的耦合：结构、材料、流体、热、接触……

而这，正是通用多物理仿真的边界。

本期「SynReal Decode」，我们从一个问题出发：为什么AI很难真正进入真实世界？答案，很大程度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，我们会从概念讲起，结合行业现状，带你理解这项技术为什么重要，以及凌迪科技是如何在这个方向上建立自己的技术优势。

一、什么是物理仿真与通用多物理仿真

通用多物理仿真，顾名思义，是一种能够在统一框架下模拟多种物理形态与多类物质运动与交互的仿真技术。

从宏观角度看，物理世界中的物体可以大致分为三类：

刚性物体（刚体）、可形变物体（形变体）以及流体。在真实的人类生活和工作环境中，固体物体占据绝对主导，其中相当一部分为形变体；相比之下，流体多以水和空气等形式存在，其规模和复杂度在日常场景中相对有限。

从技术成熟度来看，单一或少量刚体的仿真（例如机器人本体结构）已经相对成熟；而形变体与流体的仿真则长期被认为是物理仿真中的高难度问题。如果不考虑极端工业或自然环境，而聚焦于人类日常生活场景，那么形变体物理仿真既是最困难的部分，也是最重要的部分。

原因在于：现实世界中充斥着种类繁多、物性差异显著的可形变物体——从人们穿着的服装，到窗帘、床品、包装袋、毛巾、植物，再到人体本身的皮肤和肌肉组织。这些物体都具有弹性、可弯曲、可拉伸、可折叠等复杂行为，无法用简单的刚体模型近似。

在技术层面，服装、植物、家纺制品和包装材料等形变体的仿真，在本质上并无根本区别，均依赖于数值物理模型与数值求解方法，来模拟物体在受力条件下的形变与运动过程。因此，形变体物理仿真可以作为一个统一的大类进行系统性研究。

进一步来说，真实世界中并不存在“绝对的刚体”。所有固体在外力作用下都会发生一定程度的形变，只是刚度差异不同而已。这一认识也反映在最新的仿真技术发展中，例如 Affine Body Dynamics（ABD） 等方法，已经开始在刚体仿真中显式引入可控的微小形变。

二、通用多物理仿真的技术现状

从历史发展来看，通用多物理仿真主要沿着两条技术路径演进。

1. 面向工程计算的仿真体系（CAE）

第一类路径，源自计算物理、机械工程等工程学科，典型代表是 SolidWorks、ANSYS、ABAQUS 等计算机辅助工程（CAE）软件。这类系统强调物理结果的高精度与可验证性，仿真范围广泛，覆盖力学、电磁、热学、声学等多个物理领域，并可处理高温、高压、高速等极端工况。

其局限在于：

● 并不强调高真实感的视觉呈现

● 对复杂多体接触与动态交互支持有限

● 很少针对 GPU 等新型硬件进行系统性性能优化

因此，这类仿真系统更适合工程验证，而不适合大规模、高频率的数据生成任务。

2. 面向数字娱乐的仿真体系

第二类路径，主要服务于游戏和影视特效等数字娱乐行业。相关仿真能力通常集成在 Maya、Blender、Unity、Unreal 等工具和引擎中。NVIDIA 的 PhysX 引擎在最初阶段，正是为游戏实时仿真而设计。

这类仿真技术以视觉效果为优先目标，普遍采用近似动力学模型（如 Position-Based Dynamics, PBD），在小规模问题上具有良好的稳定性和效率，但并不追求物理严格性，也难以扩展到大规模、高精度场景。

对于娱乐内容而言，这种取舍是合理的；但对于高质量物理仿真和物理 AI 训练而言，其真实性和可扩展性存在明显不足。

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应用场景开发的仿真系统。例如：

● CLO / Marvelous Designer 等面向服装建模的软件，更侧重静态服装设计与外观呈现

● MuJoCo、Newton、Genesis AI 等面向机器人训练的仿真系统，主要聚焦机器人本体的刚体动力学，对形变体与流体通常依赖简化模型或第三方引擎

这类系统在各自领域具有价值，但在形变体仿真能力上普遍存在局限。

三、凌迪的优势：长期验证的通用多物理仿真能力

技术积累与持续验证

凌迪通用多物理仿真技术的形成，并非单一产品周期内的工程成果，而是建立在长期、持续的基础研究与技术积累之上。

公司核心技术团队多年来持续在计算机图形学与物理仿真领域的国际顶级学术会议和期刊上发表研究成果，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、竞争激烈著称，被广泛视为该领域的技术标准与前沿风向标。

在过去多年中，凌迪相关技术团队平均每年在上述顶级会议与期刊上发表约 10 篇高质量论文，研究内容覆盖形变体物理仿真的多个核心问题，包括材料建模、复杂接触处理、高性能并行求解以及可扩展仿真系统架构等方向。

*2025年，凌迪科技论文成果

上述研究成果为凌迪通用多物理仿真引擎提供了可验证、可复现的技术基础，也确保了公司技术路线能够持续对齐国际前沿，而非依赖短期工程经验。

学术产出的客观对照（以 SIGGRAPH Asia 2025 为例）

以计算机图形学领域的重要国际会议 SIGGRAPH Asia 2025 为例，根据大会公开论文录用名单统计：

● 凌迪相关技术团队在该届会议上共发表 4 篇论文，研究方向主要集中于形变体物理仿真、复杂接触处理与高性能数值计算等核心技术问题；

● 同期，根据大会公开论文录用名单及腾讯在其官方渠道发布的信息，腾讯相关研究团队在该会议上共发表 9 篇论文，研究方向涵盖计算机图形学、视觉与相关交叉领域。

*图片来自《Automated Task Scheduling for Cloth and Deformable Body Simulations

in Heterogeneous Computing Environments》（ACM SIGGRAPH 2025 Conference Papers）

需要说明的是，SIGGRAPH / SIGGRAPH Asia 的论文录用均基于严格的国际同行评审机制。在该机制下，论文发表数量在一定程度上反映了一个技术团队在相关领域的研究活跃度与持续投入水平，但不同机构在研究方向覆盖范围、组织规模和资源配置等方面亦存在差异。

在此背景下，凌迪作为一家聚焦通用多物理仿真与形变体物理仿真的专业技术公司，能够在单届顶级会议中保持稳定、且与核心业务高度一致的高质量论文产出，体现了其在相关技术方向上的长期积累与持续研发能力。

四、凌迪通用多物理仿真的关键能力

凌迪的核心技术优势，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）。该技术体系面向真实物理世界，致力于在保证物理合理性的前提下，实现高效率、可扩展的仿真与数据生成能力。

1. 物理真实性

凌迪在物理材质建模方面进行了长期投入，围绕真实世界中材料的非线性、各向异性行为，构建了系统化的物理模型体系，并配套开发了物理特性测量设备与流程。相关研究覆盖表面弹性、弯曲刚度以及摩擦行为等关键因素，为机器人接触、抓取和操作任务提供了可靠的物理基础。

2. 碰撞与接触处理能力

高质量多物理仿真的核心难题之一，在于稳定、准确地处理复杂碰撞与接触关系。凌迪围绕这一问题，持续研发并优化了包括 Multilevel Schwarz、JGS2 等在内的一系列数值算法，在保证稳定性的同时兼顾仿真效率，实现了高质量与高性能的平衡。

3. 并行计算与性能优化

凌迪在仿真并行化方面进行了系统性研究，其仿真引擎从架构层面适配 GPU 等并行硬件。 在支持 NVIDIA GPU 的同时，凌迪也针对 Apple M 系列芯片的 GPU / CPU 混合架构进行了专门优化，实现了显著的性能提升。这一点构成了凌迪仿真引擎与传统建模软件的重要差异。

五、总结：真与快的统一

与传统仿真系统相比，凌迪通用多物理仿真引擎的核心特点，在于能够同时兼顾物理真实性与计算效率。

● 真，决定了合成数据能否有效迁移到真实世界

● 快，决定了数据生成是否具备规模化可行性

这两点对于机器人训练、物理 AI 以及数字孪生应用至关重要。凌迪的通用多物理仿真技术，正是以长期学术验证为基础，通过工程化实现，将“真”与“快”统一到同一系统之中，为未来物理智能的发展提供持续、可靠的数据与仿真基础设施。

本文由凌迪科技技术专家团队撰写与审核发布

凌迪科技技术专家团队

王华民

凌迪科技首席科学家，长期从事高性能、高精度物理仿真研究，是GPU 形变体仿真与柔性材料（面料）物理建模领域的国际知名学者。加入凌迪科技前，曾任美国俄亥俄州立大学计算机科学与工程系终身副教授，并在加州大学伯克利分校从事博士后研究。他在 SIGGRAPH、CVPR 等计算机图形学与计算机视觉顶级会议和期刊发表论文 80 余篇，其中包括 4 篇 SIGGRAPH 唯一作者论文。2025 年当选 ACM 杰出会员与 IEEE 资深会员，并担任 SIGGRAPH Asia 2026 论文委员会副主席。

蒋陈凡夫

美国加州大学洛杉矶分校（UCLA）数学系教授，人工智能与视觉计算实验室（AIVC Lab）主任，研究方向涵盖 物理 AI、3D 视觉计算、3D 生成式模型与具身智能。他是多项广泛使用的物理仿真方法与系统的提出者与推动者，包括 APIC、MLS-MPM 与 IPC，这些方法已成为学术界和工业界的重要基础工具。其研究获得 NSF、DOE 以及 Toyota、Amazon、Sony、Adobe、Style3D 等机构与企业支持，并多次在 SIGGRAPH、ICRA、IROS 等顶级会议获得最佳论文或荣誉提名。

杨垠

美国犹他大学Kahlert School of Computing 副教授，联合领导 Utah Graphics Lab，并同时隶属于 Utah Robotics Center，具有图形学、仿真与机器人深度交叉的研究背景。曾在新墨西哥大学和克莱姆森大学任教，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，研究重点是为图形学、物理仿真、深度学习、视觉和机器人等领域开发高效、可扩展、面向真实应用的计算方法。