文章核心观点 - 物理AI（具身智能）发展的核心瓶颈已从“算力”转向“数据”，而规模化、高质量数据生产的前提是仿真技术[1][6] - 仿真正从辅助工具上升为物理AI时代的基础设施标准层，其角色类似于AI时代的CUDA，将定义世界建模、数据生成和模型评测的方式[2][3][41] - 全球科技巨头（如NVIDIA、Google、Disney）正通过收购、自研等方式战略布局仿真技术，争夺物理AI的“世界定义权”[13][14] - 开源物理仿真引擎Newton的发布，标志着全球物理AI基础设施首次走向统一，它整合了GPU并行计算、高精度接触动力学和复杂机构求解等核心能力[16][18][21] - 中国公司光轮智能作为核心共建者加入Newton项目，这是中国力量首次进入全球物理AI仿真基础设施的标准定义层[24][25][34] 物理AI时代的核心瓶颈转变 - 从算力到数据：大语言模型时代的核心瓶颈是算力，其能力边界受限于Scaling Law和算力天花板[5]。而物理AI时代，核心瓶颈转向“数据”[6] - 数据性质的根本差异：物理AI需要学习真实物理世界的交互（如力传递、接触发生），其数据必须是“可交互、可执行、可验证”的，无法像互联网文本一样天然存在或爬取[6][7][9] - 数据收集的困境：机器人训练需要大量覆盖真实物理交互的高质量行动数据，这远比收集图片困难。自动驾驶有量产车提供的“影子模式”作为天然数据源，而机器人缺乏类似的基础设施[9] - 数据质量与评测的挑战：物理AI不仅需要成功样本，更需要理解失败（如物体滑落、动作失稳），通过纠错反馈获得学习信号[9]。同时，缺乏统一、可复现、可量化的评测体系，使得数据难以有效指导训练[11] - 仿真的必要性：仿真成为解决数据生产和能力评测双重瓶颈的前提条件。没有成熟的仿真体系，就没有规模化的训练数据和具身智能的持续迭代[9][11] 仿真技术的战略地位与巨头布局 - 仿真成为战略高地：全球顶级机构通过收购、开源、孵化、自研等方式，将仿真能力嵌入其机器人技术栈与生态标准中，争夺战略卡位[13] - NVIDIA的布局：早在2008年收购物理引擎PhysX，并将其演进为Omniverse的高精度仿真内核，成为Isaac Sim等机器人平台的核心基础设施[13] - Google DeepMind的布局：2021年收购机器人强化学习圈的标配工具MuJoCo，从而获得了机器人学术界的工具链主导权[13] - Disney Research的布局：自研专攻闭链机构与极端工况的仿真引擎Kamino，以解决商业化机器人落地的高频痛点[14] - 战略目标升级：巨头争夺的重点从“谁的引擎更快”升级为“定义世界如何被建模、物理如何被表达、数据如何被生成、能力如何被评测”[14][15] Newton引擎：统一物理AI基础设施的开源尝试 - 首次走向统一：Newton是全球物理AI基础设施第一次走向统一的尝试，它旨在将GPU并行计算、高精度接触动力学、复杂机构求解、强化学习仿真等分散的能力整合进同一开放架构[16][18] - 核心贡献方：由NVIDIA、Google DeepMind与Disney Research在2025年9月联合开源Beta版，是三家机构投入数百名工程师、历时近两年开发的成果[19] - 技术整合： - NVIDIA贡献了GPU原生加速、Warp框架与Isaac生态，使仿真能够高并行、可扩展，并与现代AI训练设施深度结合[19] - Google DeepMind贡献了MuJoCo在机器人学习与高精度接触动力学上的长期积累[19] - Disney Research贡献了Kmino在复杂机构、非标准构型与极端工况下的运动控制与稳定求解能力[20] - 定位与意义：Newton不只是一个物理引擎，更是面向物理AI训练、评测与部署的统一仿真底座，实现了关键能力的系统性汇合[21][22][23] 中国公司的角色突破：进入标准定义层 - 历史性突破：光轮智能受邀作为核心指导委员加入Newton项目，这是中国公司第一次以核心共建者身份进入全球物理AI仿真基础设施标准的定义层[25][27][28] - 技术贡献基础：光轮智能凭借其全栈自研的“求解—测量—生成”三位一体技术平台加入Newton TSC[29] - 自研求解与测量：主导Newton引擎核心能力的持续演进，包括求解器物理验证、接触建模优化及仿真与真实世界一致性的提升[29] - 推动SimReady体系：推动仿真资产在物理属性、数据格式、接口标准、验证流程等方面的统一，完善下一代仿真世界标准[29] - 物理测量与资产生成：构建高保真、可复用的仿真资产与场景库，提升规模化SimReady世界供给能力[29] - 市场验证与生态角色：光轮智能服务全球全部前五的世界模型团队，国际主流具身智能团队中，超过80%的仿真资产与合成数据来自光轮[33]。其角色从数据提供方转变为引领构建物理AI时代的开源基础设施、开发者平台与评测标准[33] - 更广泛的生态布局：光轮智能的布局贯穿底层物理引擎、开发者平台、评测框架与工业级闭环，形成了一条清晰的生态路径[32] 物理AI仿真的历史机遇与窗口期 - 仿真是物理AI时代的CUDA：CUDA通过建立统一标准、构建工具链、开放生态，将GPU算力转化为AI时代的通用生产力。物理AI时代的仿真正处在相似节点，它将定义“如何生成世界”，包括训练场景、世界表征逻辑、数据生产与评测方式[41][42] - 规则尚未凝固的窗口期：历史上，PC、移动、大模型时代的基础设施标准窗口期关闭后，后来者很难再获得定义权。当前，物理AI的仿真层正处于规则尚未凝固的关键窗口期[43] - 定义权的争夺：谁能定义世界如何被表达、数据如何被生成、能力如何被评测、机器人如何被训练，谁就有机会定义物理AI的未来[43] - 中国公司的位置：在此次物理AI仿真的标准形成窗口期，中国公司第一次站上了书写规则的位置[45]