背景
如何消除仿真与现实之间的差距，是style3D近十年来一直在应对的最重大挑战之一。
style3D专注于为纺织与时尚产业提供高效的服装建模与可视化工具，其研发团队不断突破技术边界，开发出精确、稳健、高效的布料、软体、薄壳及其交互作用的仿真模拟技术，相关研究成果已多次亮相国际顶级学术会议及期刊，并广泛应用于style3D相关软件、云服务及解决方案中，获得广泛认可。
虚拟风衣和真实风衣对比。多年来，style3D一直在推进更高效逼真的变形体模拟
仿真对AI的重要性
随着style3D在3D与AI模型领域的深入探索，我们发现，物理仿真不仅是人类理解世界的工具，更是AI认知物理世界的关键。尽管AI在图像识别、视频生成等方面取得显著进展，但其对空间与物理规律的理解仍十分有限，导致在机器人操作、视频生成等任务中频繁出现不符合物理规律的异常现象。其根本原因在于高质量训练数据的匮乏——传统的真实数据采集与人工标注方式成本高昂、效率低下，已无法满足AI模型对数据规模与多样性的爆炸性需求。
而物理仿真，恰好为规模化生成高质量合成数据提供了经济高效的可行路径。但这一路径面临关键挑战：如何确保合成数据能与真实数据等效，为AI训练提供有效支撑？当行业多数研究者聚焦算法优化以解决这一问题时，style3D选择从根源破局——通过持续提升物理仿真的准确性与真实度，跨越仿真与现实的鸿沟。
为了实现机器人的物理智能，我们需要大量有关布料和软体形变的数据，以及它们与机械臂交互的数据。该图像由ChatGPT-4o生成
从MuJoCo到Newton：style3D在AI训练中的旅程
2024年下半年，style3D将自研物理仿真引擎集成至开源MuJoCo平台，成功实现为AI训练生成专用合成数据。到2025年初，style3D发布了一个增强版的MuJoCo，集成了style3D仿真器，提供布料和软体的高效GPU仿真。
2025年5月，style3D将重点转向了一个由NVIDIA、Google DeepMind与Disney Research共同开发的开源、可扩展的物理引擎Newton。style3D相信，Newton有巨大潜力成为AI训练中基于物理学的合成数据生成的标准。style3D正以自身技术积累为Newton生态建设做出贡献。
目前，简化版的style3D求解器已经集成到Newton中。展望未来，我们计划为高级用户的规模化需求提供API，以便在Newton中运行完整版的style3D求解器，实现具有数百万顶点的服装和软体仿真。
一段展示style3D求解器在Newton上运行的视频
style3D对Newton的独特贡献
style3D区别于Newton其他贡献者的地方在于我们专门致力于仿真布料、软体及其与刚体的相互作用。这些物体几乎存在于我们日常生活的方方面面——从我们穿的衣服到我们身体中的软组织，甚至家中的靠垫。为了让AI有效地与这些物体交互，精确的仿真至关重要。然而，由于其复杂的可变形特性和复杂的相互作用，此类仿真长期被视为“物理仿真领域的珠穆朗玛峰”。
style3D测试装置，用于测量织物的弯曲和平面内弹性
一系列带有数字孪生的服装可用于基准测试
凭借与纺织时尚产业十余年的深度合作，style3D在这一领域积累了深厚技术与数据资产，核心贡献包括：
物理属性测量设备：自主研发面料物理参数测试设备，可精准测量弹性、摩擦、隔热等关键仿真特性；
数字孪生数据库：与全球时尚品牌及制造商共建布料、服装与配饰的数字孪生模型，为AI模型提供真实验证基准；
先进仿真算法：设计了增强基于物理仿真精度的算法，持续迭代物理模型与网格分辨率，提升仿真精度。
由style3D求解器驱动的多层婚纱复杂碰撞模拟
style3D持续研究基于物理仿真的新算法，并希望将这些进展集成到style3D求解器和Newton中。style3D近期推出的“JGS2求解器”—一款专为GPU设计的Jacobi/Gauss-Seidel迭代式软体仿真求解器，该求解器可与IncReMental Potential Contact（IPC）等先进碰撞处理方法深度结合，进一步提升仿真精度。下一步，style3D计划将JGS2求解器拓展至服装模拟领域，使其成为支撑新一代物理仿真技术的核心基座。
弥合物理与数字世界
style3D参与Newton项目的使命，正是其企业愿景的延伸——成为连接物理与数字世界的AI基础设施。通过与时尚品牌、制造商及AI企业的紧密协作，style3D坚信：AI将不再是冷冰冰的算法，而是每个人都能拥有的智能助手，真正融入日常生活的方方面面。这个未来始于Newton——一个使用仿真来教会AI如何更自然、更有效地与世界互动的尖端工具。