物理仿真构成了机器人技术的基石，尤其在涉及移动与操作的任务中，模拟器必须能够处理接触力与可变形物体等复杂动力学。大多数引擎往往在速度与真实感之间做出妥协，而由英伟达、谷歌DeepMind及迪士尼研究院共同发起的开源项目Newton，则致力于同时实现这两者。在2026年英伟达GTC大会上发布的Newton 1.0 GA版本，为灵巧操作和移动任务提供了加速且可投入生产的坚实基础。
Newton是一个模块化框架，将多种求解器和仿真组件整合在统一的架构之下。它不局限于单一场景格式，而是支持涵盖MJCF、URDF和OpenUSD等常见机器人描述的广泛运行时数据模型，极大地简化了现有机器人资产与工作流的连接。团队可以在保持仿真栈一致性的前提下，灵活组合碰撞检测、接触模型、传感器、控制及求解器后端（包括刚体、可变形及自定义求解器），从而加速机器人的学习与开发。
此次发布的亮点包括稳定的API接口，为建模、求解、控制和感知提供统一界面；以及多功能的刚体求解器。其中，迪士尼研究院开发的Kamino求解器擅长处理带有闭环连杆和被动驱动的复杂机械结构（如机械手和足式机器人），为机械设计师提供了无需担忧可仿真性的自由度，并为可扩展的强化学习铺平道路。而基于Google DeepMind MuJoCo的MuJoCo 3.5（MJWarp）版本，在英伟达RTX PRO 6000 Blackwell系列上，将移动任务速度提升了252倍，操作任务提升了475倍。
在碰撞检测方面，Newton引入了基于有向距离场（SDF）的碰撞库，能够直接从CAD导出的网格中捕捉复杂几何形状，消除了对网格近似方法的依赖，这对于连接器插入等高精度任务至关重要。此外，受Drake接触模型启发的流体弹性接触（Hydroelastic contacts）技术，采用连续压力分布而非接触点，提供了更高保真度的物体交互，显著提升了从仿真到现实的迁移效果。Newton还原生集成了OpenUSD与NVIDIA Isaac Sim 6.0及Isaac Lab 3.0，实现了从机器人描述到训练策略评估的快速工作流。
在工业应用层面，Skild AI利用Newton的SDF碰撞与流体弹性接触模型，解决了GPU机架组装中连接器插入和电路板放置等高精度接触任务，能够准确模拟非凸三角网格模型。三星电子则联合Lightwheel，利用Newton的可变形仿真栈生成合成数据，用于训练视觉 - 语言 - 动作（VLA）模型，成功解决了冰箱组装中电缆等柔性物体的复杂模拟难题，实现了刚体机器人与柔性电缆的双向耦合仿真。
对于中国机器人行业从业者而言，Newton的开源特性与高性能GPU加速能力，意味着国内企业可以更低成本地构建高保真仿真环境，特别是在解决柔性操作和复杂装配等“卡脖子”的仿真难题上，提供了新的技术路径，有望加速国产机器人在高端制造场景的落地与迭代。