Skild AI 联合 NVIDIA 开源机器人物理求解器 Steel：混合 20 类任务时吞吐达 PhysX 峰值的 13 倍，显存占用少约 62%，已并入 Newton 物理引擎

核心背景与行业痛点

GPU 并行仿真让四足和人形机器人的运动控制训练突飞猛进，因为可以把同一个机器人、同一个任务复制成千上万份。但操作类任务（抓取、装配、用工具）完全不同：需要海量多样、接触密集的场景，不同机器人的关节数和接触数差别很大。很多现有引擎在"同构批次"里最高效，遇到异构批次就会因填充和密集矩阵浪费算力与显存。

架构亮点与底层机制

Steel 是 Newton 物理引擎里的刚体求解器。它按环境组织动力学和约束，把关节数相近的机械结构分组执行，并按每个环境当前的接触量分配求解工作；底层采用约化坐标关节动力学加投影 Gauss-Seidel 约束求解。可与 Newton 的布料、线缆、沙土求解器耦合。

权威 Benchmark 与实测跑分对比

以下均为官方/厂商口径，单张 RTX PRO 6000 Blackwell、仅计物理步进：混合 5/10/15/20 类任务时，峰值吞吐为 PhysX 的 9.2 至 13.0 倍；20 类混合下 Steel 390 万步/秒，PhysX 30 万步/秒。同为 61,440 个环境时为 12 倍，显存约 11 GiB 对 29 GiB。20 个单任务基准几何平均为 PhysX 的 3.8 倍（MuJoCo Warp 为 2.9 倍），19 个任务领先。对比基于 Isaac Sim 6.1；官方也注明 PhysX 在 6.0 版上跑这些混合任务最多快约 2.7 倍。暂无第三方复现。

开发者实战落地与开箱指南

代码在 GitHub skild-ai/steel（Apache 2.0），也已进入 Newton，以 newton.solvers.SolverSteel 调用，面向 Isaac Lab 训练流程。官方提醒单任务测试启用了 reuse_kinematics=True，这在 Newton 1.8 中需手动开启。博客内的 WebGPU 演示可在浏览器里直接拖动物体试玩。做操作类强化学习、需要在一个批次里混跑多种机器人的团队最值得试。