NVIDIA 推出动作生成模型 MotionBricks：每秒 1.5 万帧，打通游戏与人形机器人控制

如果你做过 3A 游戏动画，或者调过机器人步态，大概率被复杂的动画状态机折磨过。

像《刺客信条》这种体量的游戏，为了让主角跑跳爬抓看起来自然，往往得堆砌超过 1.5 万个动画片段、5000 个状态，以及多达 12 层的嵌套动画图。一旦遇到新动作，又得重新打标、重新微调。

现在 NVIDIA 想把这套陈旧的复杂架构拆掉。

NVIDIA 联合苏黎世联邦理工学院、西蒙菲莎大学和德克萨斯大学奥斯汀分校的研究团队，公布了全新的动作生成框架 MotionBricks。相关论文已被图形学顶级期刊 ACM Transactions on Graphics 接收，并将在 SIGGRAPH 2026 上正式发表。

扔掉状态机，用「智能图块」拼出 35 万种动作

MotionBricks 最狠的地方，是用单个神经网络主干，同时扛起了超过 35 万种不同的动作技能。

它的核心逻辑叫做「智能图块」（Smart Primitives）。玩家输入的速度、朝向、风格设定或是游戏里的环境事件，会被直接转成稀疏的关键帧约束，剩下的全部交给模型在潜空间里实时脑补。

这套流程说白了就像高配版的「中间画补全」。系统先用 root 模块预测动作需要的帧数和身体轨迹，再由 pose 模块预测姿态 token，最后由解码器输出平滑连续的动作。

在实际表现上，它把动作分成了运动和物体交互两个层面。运动层面支持零样本提示，给一个提示词就能让角色走出丧尸步、跛行、垫步跳或斜向滑移，还支持在运行时动态混合风格，根本不用拿按键生硬地切状态。

至于跨过长凳、拔剑、开门这类复杂互动，模型直接把物体当成代理关键帧，从接近、接触到后续动作一气呵成。全程不需要为下游新任务重新训练，也不用人工精细打标。

从虚幻引擎 5，直接开进现实里的宇树机器人

除了动作库庞大，MotionBricks 的性能也相当暴力。

根据研究团队的数据，它在关键帧之间生成动作的延迟只有 2 毫秒，吞吐量达到了惊人的 15000 FPS。无论是 FID、MMD 还是抖动指标和人工评估，表现都压制了现有的中间帧生成方法。

研发团队在虚幻引擎 5 里跑了完整的跑酷、杂技和拿剑操作 demo，帧率极高且动作丝滑。

但它不止是个游戏引擎插件。NVIDIA 这次直接把这套模型搬到了现实世界，驱动宇树 G1（Unitree G1）人形机器人进行全身运动控制。

在过去，虚拟角色的骨骼动画和实体机器人的电机控制完全是两路人马。NVIDIA 的思路很明确，就是让同一个模型脑子，既负责虚拟角色的动作表演，又充当物理机器人的运动控制器。

目前，项目已在 GitHub 放出早期预览版代码，包含轻量化的宇树 G1 控制演示和合成训练管线。至于包含完整训练代码以及整合进 GR00T 全身控制框架的版本，团队计划在 2026 年 7 月左右正式发布。

为什么重要

我们认为，MotionBricks 最聪明的一点，是把游戏工业沉淀几十年的动作生成逻辑，反向输血给了具身智能。

对游戏和影视开发者来说，它几乎是在给动画师和技术美术减负。12 层的嵌套状态图以后可能真不需要了，只要给关键点和风格提示，模型就能在 2 毫秒内把动作补齐，极大释放了开放世界 NPC 的交互上限。

对机器人行业来说，这更像是一条走得通的捷径。机器人训练最大的瓶颈之一就是物理运动数据昂贵且匮乏，而游戏圈手里攒了海量的优质动捕资产。把两者用一套统一的潜空间模型打通，人形机器人就能零成本白嫖游戏界庞大的动作技能库。

不过也得保持理性。在虚拟引擎里做 15000 FPS 的补间是一回事，在真实物理世界里应对地面打滑、重心失衡和外部推力又是另一回事。宇树 G1 在现实环境里的抗干扰表现究竟如何，还要等 7 月份它彻底集成到 GR00T 框架后，才能见分晓。