11月11日消息，2026 年 11 月，机器人 AI 企业 Skild AI 联合英伟达正式发布 GPU 加速刚体动力学求解器Steel（全称 Scalable Throughput‑optimized Engine for Embodied Learning），作为 Newton 物理引擎的新增组件，面向英伟达 Isaac Lab 机器人学习框架开放，旨在解决多类型机器人、多任务混合大规模仿真的性能瓶颈，推动具身智能训练向多样化场景大规模扩展。

当前 GPU 仿真已经能够并行运行成千上万个相同机器人实例，通过域随机化提升仿真到实机的迁移能力。但通用机器人操作任务面临新的难题：清理桌面、装配、灵巧抓取等操作任务，物体布局、接触条件千差万别；人形机器人、四足机器人、灵巧手、机械臂等不同形态机器人，关节数量、约束条件各不相同。传统仿真工具在处理异构混合任务批次时效率低下，大量算力被无效填充占用，很难同时高效跑起多种机器人、多种不同物理场景的并行仿真。

Steel 正是针对 “环境内部复杂、批次之间异构” 两大痛点设计。它不会强制所有仿真场景使用统一计算规格，而是按照环境划分动力学与约束计算，把关节数量相近的机器人机构分组调度，根据每个仿真环境实时接触情况分配求解任务，每一步仿真动态调整计算路径，减少冗余填充与无效求解工作。底层结合降坐标机构动力学与投影高斯‑赛德尔约束求解，复用完关节空间质量矩阵分解，无需构建稠密约束交互矩阵，兼顾复杂机构与多变接触场景的仿真效率。

在单张英伟达 RTX PRO 6000 Blackwell 显卡的基准测试中，Steel 展现出突出性能表现（测试仅统计仿真步吞吐，不含完整训练链路）：

20 项机器人学习基准任务：几何平均仿真吞吐达到 PhysX 的3.8 倍，20 项任务中 19 项速度优于 PhysX，对比 MuJoCo Warp 吞吐提升约 1.3 倍；在 23 关节 Kuka‑Allegro 抓取任务中，速度达到 PhysX 的 6.7 倍。

异构混合任务批次（同时运行 5‑20 种不同机器人任务）：性能优势进一步放大。在各引擎最优批次配置下，Steel 峰值吞吐最高可达 PhysX 的13.0 倍；当统一固定 61440 个并行环境、20 类任务的相同批次规模，Steel 吞吐是 PhysX 的 12 倍，同时 GPU 显存占用降低约 62%。

在 20 类任务混合测试中，Steel 最高支持 245760 个并行环境，每秒可完成 390 万环境步仿真，PhysX 同等条件仅为 30 万环境步每秒。

不同于独立的第三方物理库，Steel 深度集成 Newton 物理引擎，复用其模型表达与碰撞检测模块，支持刚体‑可变形体耦合仿真，可模拟线缆、布料、颗粒介质、柔性接触等复杂物理交互，同时提供可选的可微仿真能力，支持通过接触计算反向传播梯度，用于模型预测控制与任务优化。

项目已经开源，开发者可通过`newton.solvers.SolverSteel`直接调用；还推出基于 WebGPU 的浏览器演示版本 steel‑webgpu，无需本地部署，网页端即可交互体验 24 种仿真场景，包括叠叠乐、拆装杯子、投石机、多米诺骨牌等案例。

研发团队表示，Steel 的目标不只是让原有仿真任务跑得更快。现有机器人仿真已经具备高可扩展性，但仿真体验的多样性不足；实机采集机器人数据成本高昂，很难覆盖海量任务、故障与恢复场景。

借助 Steel，研究者可以在同一仿真批次大规模混合不同形态机器人、不同操作任务，获取更多样化的具身训练经验，向着 “跨机型通用机器人大脑” 方向推进。