股票
板块
用户
资讯
首页
天眼
自选
发现
开户
首页
天眼
自选
发现
我的

算的对的世界

算的对的世界

生成式模型能让未来「看起来像」,但要让机器据此做决策,它必须先「算得对」。 我们把一台整车的每根杆、每个铰点、每一次轮胎与地面的接触都搬进了物理引擎, 让它成为世界的骨架;再用可学习的代理模型把它压缩成秒级响应。 这是一次关于可验证世界模型的工程实践报告。

01/判断 

世界模型正从「像」分叉出「对」

视频生成路线在视觉上高速逼近真实,却在接触、动量、约束守恒上持续失效。物理 AI 要落地,需要一条可校验的支线。

02/方法 

混合世界模型:骨架 + 皮肤 + 直觉

求解器提供算得对的骨架,生成模型提供看起来真的皮肤,代理模型提供毫秒级的直觉。三者分工,而非互相替代。

03/证据 

整车是最难的那道考题

数百个约束同时求解、轮胎持续接触、悬架高频振动。能在这台车上跑通,方法才具备迁移到其他物理系统的说服力。

← 向左滑动查看更多

 01 命题 / The Proposition

世界模型的两个流派,

以及被忽略的第三个问题

过去两年,世界模型的主流叙事建立在视频生成之上:给定一段观察和一个动作,模型「想象」出下一刻的画面。 这条路线在视觉保真度上进展惊人,但它始终要面对一个无法绕开的追问—— 画面里的那个世界,遵守物理定律吗?

研究界已经把这个追问变成了可量化的指标。关于视频世界模型的物理一致性评测在 2026 年集中出现, 讨论的失效模式高度一致:物体会漂移、身份会崩坏、接触会断裂、任务进度会被忽略, 甚至出现凭空产生或凭空消失的动能。这些不是画质问题,而是状态空间本身没有被约束。

所以真正的分野不在「能不能生成」,而在「生成的结果能不能被检验」。 这正是物理 AI 与内容生成的分水岭:内容只需要被观看,而决策需要被信任。

三条路线的取舍。我们选择的不是替代,而是分工:

让每一层只做它最擅长、且最容易被检验的那件事。

世界模型的终点不是生成一段以假乱真的视频,而是让一台机器在没有试错代价的地方,先把错误试完。

——物理AI的第一性需求

02架构 / The Stack  

四层结构:把一台车拆成可以被计算、被验证、被压缩的世界

整套系统可以读成一条纵向的栈。往下是几何与约束,往上是数值与验证,最上层是学习与生成。 每一层都有自己的输入、输出和独立的检验方式——这是它区别于端到端黑箱的根本。

系统总览。橙色虚线是全篇最关键的一条回路:真实世界不断回来修正虚拟世界,这让「世界模型」保持为模型,而不是想象。

 03 第一层 / Structuring

把世界结构化,而不是把它像素化

大多数仿真从建模开始。我们从已有的工程数据开始。 整车的三维模型原本就存在于设计部门,问题从来不是「没有模型」,而是「模型无法被物理引擎理解」。

仿真场景中的整车

蓝色标记为关节的自由轴,每一处都对应一个真实铰点。

悬架杆系特写

摆臂衬套用转动关节、减震器套筒用移动关节、转向拉杆球头用球形关节——机械结构没有被化简。

这一步的关键不是格式转换,而是语义的保全。OpenUSD 提供了一种可以同时承载 几何、材质、层级、物理属性与关节关系的场景描述——它不是一种新的模型格式, 而是一条让不同来源的三维数据在同一个世界里说同一种话的通道。

设计侧结构

整车被拆成 32 个总成(前后副车架、上下摆臂、转向拉杆、缓冲梁…), 划分依据是运动关系,而非零件归属。

同一条通道的另一端:

不同来源的三维工具都在向同一种描述收敛。

最值得说明的是划分逻辑:凡是互相转动或平动的零件,被单独划为一个总成, 在物理世界中自动成为独立的刚体并建立全约束。这样做的结果是—— 仿真不需要重新定义结构,它只是把设计已经定义好的结构翻译成了另一种表达。

—硬点不是被重新输入的,是被继承的

悬架的运动学由硬点决定。传统流程里,硬点需要在仿真软件中逐个重新录入, 这是误差的一个主要来源。当几何以装配关系进入场景后,铰点的位置本身就是几何的一部分—— 导入即定位。

—碰撞几何是精度与算力的分配问题

一个物理世界里,不是每个零件都值得同等精度。策略是按总成分级:参与接触与载荷传递的部件 (轮胎、摆臂、副车架)用精细的凸分解;不关注外观与细节的部件用包围体近似。 这是一种显式的算力预算分配,而不是全场景一刀切。

轮胎的凸分解碰撞体。

接触精度直接决定车辆动态的可信度。

有限元软体的体网格:

内层网格负责受力变形。

同一轮胎的壳单元网格:

表层负责接触检测。

图7、图8 取自原技术报告的建模章节。有限元软体在理论上具备更高精度,但计算开销与网格可编辑性 目前仍是限制,工程实践中优先采用柔性接触模型做近似——在接触点建立弹簧阻尼器, 用材料阻尼与恢复系数控制行为,在可接受的精度内保住实时性。

04第二层 / Auditing

让每一次推演,都留下可追问的证据

物理引擎的内部可以极简地概括为:一个场景世界,一个物理世界,两者在每一步之间同步。 场景世界负责被渲染,物理世界负责被计算。这个结构决定了「可审计」是天然存在的——因为每一个中间状态都是显式的。

—求解器为什么能算对

刚体动力学采用 TGS(时间高斯-赛德尔)迭代。它的核心动作是把一个大时间步切成若干子步, 在每个子步中分别处理位置误差与速度误差,用更高频的求解消除累积漂移。 相比固定步长的传统迭代,它对高频动态——悬架振动、轮胎冲击——的时间分辨率明显更好。

一帧真实时间(0.0167 s)内部的展开:

两次物理步更新、回调、渲染、再回调。物理线程与渲染线程解耦,这是后续所有加速的前提。

这意味着在 60 帧的画面之下,物理世界以 120 Hz 的频率推进。 更快的画面不是靠插值伪造的,而是靠更高频的求解支撑的。

—可审计,意味着误差可以被定位到帧

这是整套系统里我们最看重的一项能力。场景中的求解残差(RMS)可以被逐帧读取: 位置残差、速度残差、以及它们的峰值。它回答的是一个生成式模型永远无法回答的问题—— 这一帧,求解收敛了吗?

求解残差面板。三个指标分别是位置残差 RMS、位置残差峰值、速度残差 RMS——每一帧都会被刷新。

单个关节的六向状态实时读数。

这是「世界状态」的最小可观测单元。

采集工况:车辆通过一列错位减速带(原报告中的过坎测试场景),冲击正在发生,残差读数处于高位。

把残差作为生产指标,带来一个实际的好处:迭代次数、子步数、材料刚度阻尼这些参数不再是凭经验盲调, 而是可以在收敛性与实时性之间做显式的取舍。 需要更高保真度时提高迭代;需要更快批量时降低迭代并接受残差上升。两者都写在面板上。

一个世界模型能不能被信任,取决于它愿不愿意暴露自己算错的那一刻。

05 第三层 / Throughput

比真实世界更快地生产状态序列

因为物理与渲染是解耦的(图7),关掉画面并不会让世界停止运转。 一个不渲染的物理世界,可以以远高于实时的速度推进,并在推进过程中持续导出状态。

这件事的意义不在于「仿真快」,而在于世界模型第一次具备了产能。 真实世界的困难在于它只发生一次:一次过坎,一次侧倾,一次极限工况。 而可加速的物理世界可以把这个瞬间重复一千次,每次换一组参数、一组路面、一组载荷。

轨迹生产管线。绿色的回流线是质量闸门:残差不达标的轨迹不进入训练集。这使「合成数据」不再是「合成噪声」。

当前的数据接口已可实时导出关节速度与加速度,并在 20 Hz 量级稳定输出; 输出频率的提升与渲染帧率、求解步长的配置直接相关,是正在持续推进的工程项。

06第四层 / Distillation

把求解器,压缩成毫秒级的直觉

到这里,我们有了一个算得对的世界,但它仍然太重。整车级的多体求解即便在 GPU 上, 也难以在交互尺度内做大规模参数遍历。物理 AI 需要一个能以秒级响应的世界。

解法是把求解器当作老师,而不是当作运行时。物理引擎负责在离线阶段生成高密度、 高置信的状态序列;神经网络负责学习从输入参数到动态响应的映射。 训练完成后,代理模型接过运行时,求解器退居幕后,只在需要审计时被请回来。

这条路线在工程上已有清晰的行业先例:以数值求解产生真值、以神经算子学习映射, 在外部气动等场景中已经能够替代传统迭代过程,把小时级的计算压缩到分钟级。我们做的是把同样的思路搬到整车多体动力学上——一个约束更强、接触更频繁、 因而也更难被学习的场景。

蒸馏闭环。这不是「用 AI 替代仿真」,而是让仿真变成 AI 的老师——求解器的角色从执行者变成了出题人。

这套结构在内部已有落地的原型:以实时仿真产生的高密度状态序列训练代理模型, 把原本需要数小时量级的工况计算压缩到分钟量级,仿真趋势与求解器保持一致。

具体加速比与误差口径见附录核实清单。本节所有量化表述以工程团队最终确认为准。

 07 校准 / Real2Sim

真实世界,如何回来修正虚拟世界

一个从未被真实世界修正过的模型,无论多精致,都只是假设。 这一节是全篇最不完整、也最重要的一节。

传统做法是「调参对齐」:工程师看着试验曲线,手动修改刚度、阻尼、摩擦系数,直到仿真曲线形状接近。 这个过程有效,但不可复用——换一台车,一切重来。

我们正在推进的是把它变成一个可求解的逆问题:给定试验测得的响应, 反推最能解释该响应的物理参数。物理引擎的可微分化让这件事第一次在理论上变得廉价—— 梯度可以穿透求解过程,直接指向参数空间里的下降方向。

值得强调的是,这条回路上有一个容易被忽略的收益: 一旦参数辨识形成流程,仿真精度就不再依赖某位工程师的经验,而依赖数据的密度。 这对一个要在多车型上复用的方法是决定性的。

08外观 / Generative Surface

当物理轨迹,遇见世界基础模型

到这里,世界已经算得对,但它仍然不「像」。渲染出来的画面拥有准确的几何,却没有真实的光照、 真实的材质、真实的天气。对于工程验证,这足够了;对于需要视觉感知的自动驾驶与机器人系统,这远远不够。

补上这一层的方式,不是让生成模型去猜物理,而是让它只负责它擅长的部分。 2026 年 11 月,NVIDIA 公开了一套让世界基础模型接受物理引擎输入、实时生成对应视觉观察的框架, 明确把机器人、相机与车辆列为目标场景。这正是我们已经准备好的那种接口:物理引擎输出状态,生成模型输出画面。

同样的分工也适用于资产侧。用真实照片重建可被物理引擎消费的三维场景(神经渲染 / 高斯泼溅), 已经在自动驾驶闭环仿真中被广泛采用:背景静态层、动态刚体层、可行驶区域分层组织, 以 USD 形式交付给仿真器。它解决的正是我们过去受困于格式转换的那类问题——精准路面不再需要手工建。

 09 边界 / The Open Question

我们还没交的那张答卷

实时多体动力学的真正难点,从来不是「能不能跑起来」,而是实时性、精度与可解释性三者能否同时成立。 行业里的常见做法是二选一:要么用数学模型代理,牺牲自由度;要么降低算法精度,换取速度。

我们选择的是第三条路:用统一的场景描述承接不同精度的模型, 用可切换的求解器承接不同的实时性要求,用逐帧残差承接可信度。 它不是免费的——它要求工程团队同时理解车辆、数值方法和图形管线。

一个工程方法的成熟度,不在于它能演示多少效果,而在于它敢承认多少还没做到。

结语:

世界模型的终局,不是一个更会做梦的模型,而是一个可以被追问、校准,最终值得信任的世界。

原文链接
多空观点 观点仅供交流,不构成投资建议
点赞
踩一踩
收藏
分享

评论 (0)

0/200
声明:社区内容仅代表用户个人观点,不构成任何投资建议。投资有风险,入市需谨慎。