Simuleringsstacken for fysisk KI i 2026: MuJoCo, Isaac Lab og Newton

Den store flaskehalsen i fysisk KI er data, skriver NVIDIA i en oversiktsartikkel på Hugging Faces blogg. Språkmodeller trenes på internett-skala data, men en robot må lære konsekvensene av å røre den fysiske verden, og å samle den slags data er tregt, dyrt og noen ganger destruktivt. Simulering løser dette ved å generere fotorealistisk, fysisk forankret data i mengde, og ved GPU-parallellisme kan utviklere produsere tusenvis av timer robot-erfaring til en brøkdel av kostnaden.

NVIDIA rammer arbeidsflyten inn som tre datamaskiner med ulike roller:

1. Trenings-datamaskinen: en stor GPU-klynge som prosesserer data og trener grunnmodellene.
2. Simulerings-datamaskinen: en GPU-arbeidsstasjon som med akselerert fysikk og RTX-rendering genererer robot-erfaring og sensordata.
3. På-roboten-datamaskinen: en edge-enhet, som en Jetson AGX Thor, som kjører den trente policyen under drift.

Blant motorene skiller åpne MuJoCo seg ut for presis kontakt-fysikk, mens MuJoCo Warp flytter det samme til batchet GPU-kjøring for skala. Isaac Sim bygger på Omniverse med OpenUSD og PhysX, og i Isaac Lab 3.0 har NVIDIA koblet fra Omniverse-avhengigheten og gjort rammeverket til et lettere robot-lærings-lag med flere backends. Limet er Newton, en åpen, differensierbar fysikkmotor utviklet av NVIDIA, Google DeepMind og Disney Research og styrt gjennom Linux Foundation, bygget på NVIDIA Warp og OpenUSD med MuJoCo Warp som en sentral backend.

Det interessante for deg som bygger er hvor mye av dette som er åpent og kjører på en vanlig forbruker-GPU. Fragmenteringen betyr at du kan plukke solveren som passer problemet ditt, fra generaliserte koordinater for leddede systemer til partikkel-baserte materialer, uten å låse deg til én leverandør.