邊策 魚羊 發自 凹非寺量子位 報導 | 公眾號 QbitAI
只用99行代碼，你也可以像《冰雪奇緣》裡的艾莎公主一樣擁有冰雪魔法。
雖然你不能在現實世界中肆意變出魔法，但卻能在計算機的虛擬世界揮灑特效。
或許你不知道，電影和動畫中特效有時僅僅短短的一秒，卻可能需要高性能計算機演算一周，花費驚人。
《冰雪奇緣》沒有真人出演，預算卻高達1.5億美元，每一秒的鏡頭都是經費在燃燒。一般人想用電腦做出CG特效簡直不可想像。
然而，最近一位來自中國的MIT博士，開發了一種新的CG特效程式語言Taichi（太極），大大降低了門檻。
△白色：雪；紅色：果凍；藍色：水
一個簡單的物理場景，普通PC僅需幾分鐘即可渲染完成，相比TensorFlow提速了188倍、比PyTorch快13.4倍，代碼長度只有其他底層方法的十分之一。
安裝它就像TensorFlow一樣容易，使用起來也是差不多：
importtaichiasti
甚至，Taichi的發明者胡淵鳴同學還為此編寫了完整使用教程。
關於Taichi，胡同學已經發表了多篇文章，分別被SIGGRAGH 2018、ICRA 2019、NeurIPS2019、ICLR 2020等頂會收錄。
計算機圖形學知名學者、北大教授陳寶權給出很高的評價：
給胡淵鳴同學點讚！一己之力開發了物理模擬程式語言 Taichi！像淵鳴這樣如此投入寫有影響力的開原始碼實在是難能可貴。像SIGGRAPH這樣的，可能要投入1~2年才會有成果，論文接受率低，即使能發表出來，引用率也不高。
網友們在圍觀之後也紛紛表示：淵鳴大神太強了。
圖形+系統+編譯，真是創世的快樂。
88行代碼模擬真實物理環境
正如胡同學本人所說，99行代碼很短，背後的技術故事卻很長。
故事的開頭，要從Material Point Method（物質點法）說起。
MPM是一種在影視特效領域廣受青睞的模擬連續介質方法，迪士尼的《冰雪奇緣》就用到了這項技術。
但在早期，MPM的運行速度非常慢，比如《冰雪奇緣》裡安娜過雪地的鏡頭，據說要在集群上跑整整一個星期。
為了提高MPM的運行速度和性能，在大四畢業的那個暑假，胡淵鳴投入了Moving Least Squares MPM（MLS-MPM）的研究。
胡淵鳴的靈感是，用移動最小二乘法統一AIPC（The Affine Particle-In-Cell Method）中的仿射梯度場（affine velocity field）和MPM中的變形梯度更新（deformation gradient update）兩種離散化。
在賓夕法尼亞大學蔣陳凡夫教授的指導下，胡淵鳴等人完成了移動最小二乘物質點法（MLS-MPM）方法的研究，不僅實現了新的應力散度離散化，使MPM的運行速度快了兩倍，還成功模擬了MPM此前並不支持的各種新現象。
比如材料切割：
剛性體的雙向耦合：
這項成果最終發表在了SIGGRAPH 2018上。
為了進一步證明MLS-MPM的簡易性，胡淵鳴用88行C++代碼實現了MLS-MPM的demo。（代碼詳情請戳文末 taichi_mpm 項目連結）。
這個88行版本後來也成為了入門MPM的必備參考實現。
乾坤（ChainQueen）可微物理引擎
2017年的夏天結束之後，胡淵鳴正式進入MIT讀博。
這時候，胡淵鳴又迸發了新的靈感：求出MLS-MPM的導數。有了導數，就能只用梯度下降來優化神經網絡控制器。
在這一思想的指導下，ChainQueen誕生了。
胡淵鳴解釋說，chain是為了紀念他在求導過程中被鏈式法則折磨的經歷，而ChainQueen則與乾坤諧音。
乾坤基於MLS-MPM，是一種針對可變形對象的、實時的可微混合拉格朗日-歐拉物理模擬器。該模擬器在前向仿真和反向梯度計算中均實現了高精度。
這項研究發表在了ICRA 2019上，胡淵鳴也以此完成了碩士論文。
DiffTaichi
隨後，胡同學將工作又推進一步，提出了可微分編程DiffTaichi，被ICLR 2020收錄。
在這篇文章的代碼中，胡同學創建了10個不同的物理模擬器，並根據現有基準對其性能進行基準測試。
Taichi中的可微分編程，可以通過蠻力的梯度下降有效地優化神經網絡控制器，而不必使用強化學習。
10種可微分模擬器中的大多數模型可以在2-3小時內實現，而且大部分不需要GPU。這些示例中，彈性體、剛體、流體、光線的折射、彈性碰撞，常見物理環境應有盡有。
第一個示例可微分彈性對象模擬器，經過我們的實測，在2017版13寸的MacBook Pro上也能運行，而且完成優化只需不到十分鐘的時間：
不僅是2D，更複雜的3D彈性體也能模擬：
還有可微分的3D流體模擬器，經過450步的梯度下降迭代，已經非常逼真：
DiffTaichi模擬水對光線折射的渲染器，一張圖片經過它的渲染，甚至能騙過圖像分類器。經過測試，VGG16將帶有水波紋的松鼠圖片當做金魚，而且認為概率為99.91%。
在強化學習的模擬環境中，剛體機器人很常見，DiffTaichi也能模擬：
DiffTaichi還能模擬多個物體的複雜場景，比如撞球：
用Taichi語言編寫的模擬器大大簡化了代碼，可微分彈性對象模擬器只用了110行代碼，而直接用CUDA編寫則需要490行。
同時，Taichi的速度還很快，相比CUDA版本幾乎沒有什麼損失，比TensorFlow快了188倍，比PyTorch快13.4倍。
而且神經網絡控制器一般只需要幾十次迭代，即可完成優化。
為何做Taichi
談到為何要做Taichi，計算機圖形學一直缺乏像TensorFlow那樣的通用工具，每個要從事開發的人都必須了解基本原理，才能去做編程。
這和深度學習領域形成了鮮明的對比。
近年來，甚至有中學生，利用TensorFlow或者PyTorch，寫一點代碼，優化幾個模型，就可以在一些頂會上發表論文，許多人看來，這是件壞事，因為讓深度學習論文的含金量大大降低。
但胡淵鳴看到了另一面。他認為，深度學習這些年之所以能發展快、門檻低，就是因為有簡單易用的好工具，計算機圖形學讓人望而卻步，就是因為缺乏類似的工具，因此他開發了Taichi。
本來Taichi要做成一種單獨的程式語言，但是為了方便大家使用，胡淵鳴用了一句import taichi as ti把Taichi語言假裝成Python。
改成基於Python，這樣做的好處不僅是降低學習門檻，還能使用很多現成的Python IDE，與numpy、matplotlib等工具庫無縫銜接。
經過幾個月的努力，胡淵鳴終於把Taichi改成了pypi安裝包，讓不同配置不同作業系統的機器都能順利運行圖形學的程序。
高一保送清華，博一6篇paper
說起胡淵鳴，這又是一位從少年時代起就熠熠閃光的「大神級」選手。
高一保送清華，競賽生涯中，拿下APIO 2012、NOI 2012、ACM-ICPC 2013長沙區域賽、ACM-ICPC上海區域賽四塊金牌，其中APIO 2012成績是全場第一名。
2013年進入清華姚班，胡淵鳴與陳立傑、範浩強等人成為同班同學，這群年輕人的才華在這裡匯聚、碰撞，與「姚班」二字相互成就。
本科期間，胡淵鳴先後前往東京大學、史丹福大學訪學，並曾於微軟亞洲研究院實習，從事深度學習和計算機圖形學研究。本科便有多篇論文中選CVPR、SIGGRAPH等國際頂會。
2017年，胡淵鳴進入MIT讀博。入學13個月後，完成碩士論文ChainQueen，拿到MIT碩士學位。博一期間，共發表6篇頂會論文。
最後，如果想了解這99行代碼背後更多的研究歷程，不妨讀一讀胡淵鳴本人的知乎專欄文章。大神不僅代碼寫得好，碼字和蒸雞蛋也是好手呢~
傳送門
胡淵鳴知乎原文：
https://zhuanlan.zhihu.com/p/97700605
論文地址：
https://arxiv.org/abs/1910.00935
太極項目地址：
https://github.com/yuanming-hu/taichi
taichi_mpm項目地址:
https://github.com/yuanming-hu/taichi_mpm