具身智能的进展速度,越来越取决于一件不太上镜的事:仿真跑得多快。机器人要在真实世界里学会一件事,成本高得离谱;把训练搬到仿真里,物理引擎的吞吐就变成了产能。
谋先飞(Motphys)11 月 14 日发布新一代物理仿真引擎 MotrixSim 1.0,定位是高性能多体动力学与机器人仿真平台,覆盖机器人控制、强化学习、工业仿真等场景。核心特性包括完整的刚体动力学与碰撞检测、广义坐标建模、自研约束模型与求解器,以及面向开发者的 Python API。
所谓广义坐标,是用最少的独立变量描述系统位姿,避免把约束当成额外方程硬解,对多关节机器人这类结构尤其重要。自研求解器则决定了迭代能否稳定收敛——仿真里一次数值爆炸,整批训练数据就废了。
性能数字是这次发布最直接的卖点。官方称借助 CPU/GPU 异构架构、高性能通信与统一内存,以及可支撑百万级并发的统一约束链,在 4096 并发环境下跑出数百万物理步每秒;G1 人形机器人的端到端训练 10.2 分钟即可完成,而传统方案需要 130.8 分钟。两个数字放在一起,意味着同一台机器一小时内能跑完的迭代轮次差了一个数量级。
技术选型上有一个明显的取舍:CPU 版本用 Rust 编写。Rust 的所有权模型能在编译期拦住大量内存错误,对需要长时间高负载运行的仿真服务来说,稳定性收益比极限性能更重要。配套的 Python API 则保住了研究者的使用习惯——底层用 Rust 扛性能,上层用 Python 做实验。
感知闭环是另一条产品线。官方称 MotrixSim 把真实世界的物理参数一比一复刻进仿真环境,融合视觉(颜色与纹理)、几何(形状、距离、深度)与触觉(压力、摩擦、软硬)三类感知,完成环境观测与行为反馈的闭环,目标是解决机器人在仿真里「看不清也摸不准」的认知盲区。触觉仿真是其中的短板环节,多数开源引擎只做刚体接触力,对柔性材料与滑动摩擦的刻画很粗。
算力生态上,引擎深度兼容鲲鹏、天数智芯、摩尔线程、英伟达、AMD 与苹果等平台。这条信息的分量在于路线选择:它没有绑定某一家高端显卡,核心代码走 CPU 路线,等于把「训练必须买卡」的前提拆掉了一半。对预算有限的高校实验室与中小机器人团队,这可能是比吞吐数字更实际的门槛降低。
放回产业背景,仿真引擎是具身智能最典型的「基础设施生意」:不直接卖机器人,但所有做机器人的团队都要用。此前这一层长期由英伟达的 Isaac 生态与 MuJoCo 主导,国内团队多在应用层做适配。MotrixSim 选择从引擎本体切入,难度大、回报周期长,但一旦被训练管线接进去,替换成本很高。
需要冷静的是,10.2 分钟这个数字对应的具体任务规模、精度设置与硬件配置,目前只有官方论文口径,尚未见第三方复现;仿真速度再快,如果 sim-to-real 的落差没解决,训练出来的策略照样上不了产线。真正值得跟踪的,是后续有多少团队把 MotrixSim 接进自己的训练栈,以及真机迁移的成功率是否同步改善。