機器之心專欄
最近一段時間，數字人、元宇宙（metaverse）、云游戲等新概念變得異常炙手可熱。很多圈外人士對此興奮不已，覺得科幻電影中的場景馬上就要實現了。可很少有人會指出，在通往虛擬未來的道路上其實還有一塊絆腳石：實時物理模擬。本文為王華民教授結合自己的研究對實時物理模擬的一些看法。
過去
加勒比海盜：世界盡頭（2007）中的漩渦效果，由 ILM 的 Frank Lossaso-Petterson 利用斯坦福大學的 PhysBAM 物理模擬引擎完成。Frank 與本文作者是斯坦福的同研究組同學。
從技術上講，物理模擬可以劃分為流體模擬和形變體模擬兩大類。這樣的劃分不太嚴格，但形變體模擬，包括彈性體模擬、布料模擬、頭發模擬等等，有很多的共同之處。這與流體模擬是不太一樣的。這與流體模擬有很大不同。
與流體相比，形變體更加常見，應用的范圍也更加廣闊。讀博期間（2004 年 - 2009 年），我主要研究的是流體。畢業以后，我逐漸意識到形變體的重要性，改為研究形變體。
早期的實時物理模擬技術非常簡陋。很多時候需要犧牲模擬質量或者物理正確性。
回過頭來看，Projective Dynamics (SIGGRAPH 2014) 是一篇非常重要的論文。它的重要性不在于提出的技術本身，而在于讓很多人意識到物理模擬與非線性優化之間的相關性。從此大家的思路被打開了。
以此出發，包括我們在內的各個研究團隊不斷提升形變體模擬的效率，使得新一代的物理模擬引擎越來越快。
值得一提的是，我們團隊主要研究 GPU 上的物理模擬。和 CPU 相比，GPU 的并行能力更加出眾。我們的模擬引擎的表現也更加出眾。
現在
時至今日，我覺得高質量的實時形變體模擬已經部分可行了。
PBD 的缺點也很明顯。當模擬需要的網格規模變大（比如超過 1024 個頂點），PBD 的效率就不再那么優秀了。
倘若我們把硬件資源的限制放寬些，允許模擬引擎可以完全使用最新的 GPU，那現狀還是比較樂觀的。
比如，我們 2016 年的工作，已經能在 GeForce GTX TITAN X 上實時模擬近 6 萬個四面體網格的超彈性效果 (hyperelasticity)。
一條被拉得扭曲的龍。
而今年（2021）我們在 SIGGRAPH 上展示的工作，更是能夠在 2080Ti 上實時模擬一件有著 11 萬個三角形的襯衫。
形變體模擬的開發主要有兩個技術門檻：運動求解（dynamics solver）與碰撞處理（collision handling）。在人體組織、肌肉等需要四面體網格模擬的場景中，運動求解通常是計算開銷的主要來源。而對于服裝、頭發等模擬而言，碰撞處理尤為重要。
如何安全、穩定、高效地處理自碰撞，是所有形變體模擬引擎繞不開的問題。
未來
在不久的將來，GPU 毫無疑問會越來越快。
但我們不能單純把實時模擬寄希望于硬件的提升上。過去，實時模擬技術的發展同時依賴于硬件的提升與算法的支持。未來，我們同樣需要開發更高效、更匹配硬件的模擬算法，來實現更高質量的物理模擬。
我覺得，多重網格（multigrid）
多 GPU 并行
等等，都會是值得研究的方向。
事實上，我最近在 SIGGRAPH 2021 發表的工作，已經可以以一秒一幀的效率模擬一千萬個三角形的服裝了。
作者簡介：王華民，俄亥俄州立大學終身教授，四屆 SIGGRAPH 技術論文委員會委員，公認的世界級圖形學科學家。他還是凌迪科技 Style3D 首席科學家兼凌迪研究院院長。他曾以唯一作者身份獨立完成四篇 SIGGRAPH（全球規模最大、影響最大的圖形學會議）論文。王華民的論文也屢屢被指定為斯坦福、UC 伯克利等名校圖形學課程的參考文獻。
他的學生遍布知名大廠，從硅谷的 Google、Facebook、Adobe，到國內的阿里、字節、百度等圖形和模擬開發領域的重要崗位，都有他曾授業解惑的門徒。業內流傳：如果你研究布料仿真，就不可能沒讀過王華民教授的論文。
與吳恩達共話ML未來發展，2021亞馬遜云科技中國峰會可「玩」可「學」
2021亞馬遜云科技中國峰會「第二站」將于9月9日-9月14日全程在線上舉辦。對于AI開發者來說，9月14日舉辦的「人工智能和機器學習峰會」最值得關注。
當天上午，亞馬遜云科技人工智能與機器學習副總裁Swami Sivasubramanian 博士與 AI 領域著名學者、Landing AI 創始人吳恩達（Andrew Ng ）博士展開一場「爐邊談話」。
不僅如此，「人工智能和機器學習峰會」還設置了四大分論壇，分別為「機器學習科學」、「機器學習的影響」、「無需依賴專業知識的機器學習實踐」和「機器學習如何落地」，從技術原理、實際場景中的應用落地以及對行業領域的影響等多個方面詳細闡述了機器學習的發展。
文章來源：機器之心
