PhysX-Omni 釋出：AI 生成 3D 資產補齊物理屬性，直通機器人模擬

過去一年裡，AI 生成 3D 模型的速度快得驚人，幾秒鐘就能捏出一張椅子或一輛汽車。但如果你把這些資產扔進物理引擎，問題就暴露了：它們大多隻是空心外殼，沒有重量分佈、沒有真實材質，更別提能轉動的關節，一碰就穿模亂飛。

研究團隊釋出了物理 3D 生成框架 PhysX-Omni。它的目標很明確，就是讓 AI 生成的模型不僅外觀逼真，還能具備真實物理特性，直接跑在模擬環境裡。

讓物體站得住也轉得動

以往的 3D 生成方法通常直接忽略物理屬性，或者只能應付單一類別，比如只做剛體、只做可變形物體，或者只做帶有關節的鉸接結構。

PhysX-Omni 試圖打破這個限制。它做了一套統一框架，把剛體、軟體和可動機構都納入進來，讓生成的資產天生具備模擬就緒的屬性。

技術上的關鍵一步，是研究人員專門為視覺語言模型設計了一種高效幾何表徵。這種機制不需要對高解析度 3D 結構做有失真壓縮，可以直接完成完整編碼，從而大幅拉高了生成質量。

補上資料集和六維考試卷

除了生成框架本身，研究團隊還拿出了兩套配套基礎設施。

第一套是通用模擬 3D 資料集 PhysXVerse，覆蓋了室內和室外的各種常見類別，解決了過去物理資產訓練資料極其匱乏的難題。

第二套是評估基準 PhysX-Bench。這套基準設立了六個關鍵維度，分別是幾何形狀、絕對尺寸、材質、功能可見性、運動學和功能描述，用來全面測試模型對物理世界的理解與生成能力。

實驗結果顯示，PhysX-Omni 在常規指標和 PhysX-Bench 上都表現強勁。論文中的追加實驗還驗證了它在可模擬場景生成以及機器人策略學習中的實用價值。

為什麼重要

具身智慧和機器人研發眼下最大的瓶頸之一，就是模擬環境裡的高質量資產太少。真機訓練成本高昂且容易損壞，工程師迫切需要在虛擬世界裡讓機器人練習成千上萬次抓取和搬運。

如果 AI 只能生成沒有質量、摩擦力和關節限制的空殼，機器人在虛擬世界裡學到的技能就完全無法遷移到現實。PhysX-Omni 的出現，填補了生成模型與物理模擬之間的鴻溝。

我們認為，這項研究最聰明的地方在於它沒有孤立地去跑分，而是把資產型別、高解析度表徵、資料集以及六維評測基準打包解決。這讓具身智慧團隊看到了一條更廉價的資料合成路徑。

不過目前它依然停留在論文與實驗階段，距離工業級遊戲引擎或機器人開發管線的即插即用還有距離。但無論如何，AI 生成 3D 資產終於開始補上至關重要的物理課了。