“荡气回肠”，UCLA蒋陈凡夫万字长文回顾：从转系生到图形学终身教授的十二年(23)

值得一提的是，ABD在机器人抓取的任务上，已经被机器人领域的学界和工业界同行验证，其成功率和对接触力/摩擦力的准确性上，已经远远超过了PBD、Bullet、Mujoco等一众现有刚体引擎；强化学习在我们的solver上，轻松训练出了真正可以转化到物理世界的控制算法，误差之小，模拟过程之惬意，非机器人业内人士不可言喻：

英伟达Omniverse也宣传了很多工业机器人的场景，它的技术仍然基于PhysX（PBD），那套简单易学但毫无真实物理原则的手段。剩下的一切，还何须多言呢？也许在有些人心中，元宇宙只需要以假乱真，”看上去差不多就行了。”那么，就等时间给出“自然”选择的答案。
我从方法论上表述我自己的观点。我认为，像PBD一类的技术，以快为出发点，在当年的低下算力和就是面向游戏的两个前提下，无可厚非。但是由于对数学和物理原理的修改与简化，使其在元宇宙的未来想要从快到准，路途难如蜀道。
与它们截然不同的是，IPC直接先把“准”这一步做到了几乎完美，那么在这个前提下，再做快有多难呢？在算数、算法、算力的三重加持下，IPC加速之路顺畅无阻。举例而言，我们2022年的第二个成果，便轻松地实现了多层布料的实时交互仿真，并且，没有牺牲任何IPC在碰撞上所承诺的美好保证：

第八章：下一个“Timestep”
十二年，我从C 都不会写的等离子体物理专业的学生，到拿到CS PhD，去常青藤做CS教授，再到UCLA应用数学拿tenure，回想一下，这其中竟没有一年被浪费，纯粹跟着喜爱的研究走，顺其自然。记得网上常有人讨论@计算机图形学的交叉学科本质。我想我本人应该就是一个不错的活标本吧。十二年的职业道路上，我也是无比幸运（毕竟射手座），遇到了太多牛逼的师长、同学、挚友、和学生，每个人都让我学到了很多。