NVIDIA 推出動作生成模型 MotionBricks：每秒 1.5 萬幀，打通遊戲與人形機器人控制

如果你做過 3A 遊戲動畫，或者調過機器人步態，大機率被複雜的動畫狀態機折磨過。

像《刺客信條》這種體量的遊戲，為了讓主角跑跳爬抓看起來自然，往往得堆砌超過 1.5 萬個動畫片段、5000 個狀態，以及多達 12 層的巢狀動畫圖。一旦遇到新動作，又得重新打標、重新微調。

現在 NVIDIA 想把這套陳舊的複雜架構拆掉。

NVIDIA 聯合蘇黎世聯邦理工學院、西蒙菲莎大學和德克薩斯大學奧斯汀分校的研究團隊，公佈了全新的動作生成框架 MotionBricks。相關論文已被圖形學頂級期刊 ACM Transactions on Graphics 接收，並將在 SIGGRAPH 2026 上正式發表。

扔掉狀態機，用「智慧圖塊」拼出 35 萬種動作

MotionBricks 最狠的地方，是用單個神經網路主幹，同時扛起了超過 35 萬種不同的動作技能。

它的核心邏輯叫做「智慧圖塊」（Smart Primitives）。玩家輸入的速度、朝向、風格設定或是遊戲裡的環境事件，會被直接轉成稀疏的關鍵幀約束，剩下的全部交給模型在潛空間裡即時腦補。

這套流程說白了就像高配版的「中間畫補全」。系統先用 root 模組預測動作需要的幀數和身體軌跡，再由 pose 模組預測姿態 token，最後由解碼器輸出平滑連續的動作。

在實際表現上，它把動作分成了運動和物體互動兩個層面。運動層面支援零樣本提示，給一個提示詞就能讓角色走出喪屍步、跛行、墊步跳或斜向滑移，還支援在執行時動態混合風格，根本不用拿按鍵生硬地切狀態。

至於跨過長凳、拔劍、開門這類複雜互動，模型直接把物體當成代理關鍵幀，從接近、接觸到後續動作一氣呵成。全程不需要為下游新任務重新訓練，也不用人工精細打標。

從虛幻引擎 5，直接開進現實裡的宇樹機器人

除了動作庫龐大，MotionBricks 的效能也相當暴力。

根據研究團隊的資料，它在關鍵幀之間生成動作的延遲只有 2 毫秒，吞吐量達到了驚人的 15000 FPS。無論是 FID、MMD 還是抖動指標和人工評估，表現都壓制了現有的中間幀生成方法。

研發團隊在虛幻引擎 5 裡跑了完整的跑酷、雜技和拿劍操作 demo，幀率極高且動作絲滑。

但它不止是個遊戲引擎外掛。NVIDIA 這次直接把這套模型搬到了現實世界，驅動宇樹 G1（Unitree G1）人形機器人進行全身運動控制。

在過去，虛擬角色的骨骼動畫和實體機器人的電機控制完全是兩路人馬。NVIDIA 的思路很明確，就是讓同一個模型腦子，既負責虛擬角色的動作表演，又充當物理機器人的運動控制器。

目前，專案已在 GitHub 放出早期預覽版程式碼，包含輕量化的宇樹 G1 控制演示和合成訓練管線。至於包含完整訓練程式碼以及整合進 GR00T 全身控制框架的版本，團隊計劃在 2026 年 7 月左右正式釋出。

為什麼重要

我們認為，MotionBricks 最聰明的一點，是把遊戲工業沉澱幾十年的動作生成邏輯，反向輸血給了具身智慧。

對遊戲和影視開發者來說，它幾乎是在給動畫師和技術美術減負。12 層的巢狀狀態圖以後可能真不需要了，只要給關鍵點和風格提示，模型就能在 2 毫秒內把動作補齊，極大釋放了開放世界 NPC 的互動上限。

對機器人行業來說，這更像是一條走得通的捷徑。機器人訓練最大的瓶頸之一就是物理運動資料昂貴且匱乏，而遊戲圈手裡攢了海量的優質動捕資產。把兩者用一套統一的潛空間模型打通，人形機器人就能零成本白嫖遊戲界龐大的動作技能庫。

不過也得保持理性。在虛擬引擎裡做 15000 FPS 的補間是一回事，在真實物理世界裡應對地面打滑、重心失衡和外部推力又是另一回事。宇樹 G1 在現實環境裡的抗干擾表現究竟如何，還要等 7 月份它徹底整合到 GR00T 框架後，才能見分曉。