El entrenamiento de sistemas de inteligencia artificial física implica recopilar datos sobre interacciones físicas, como una taza que cae o un agarre mal orientado. Recopilar estos datos en el mundo real puede ser lento, costoso y a veces peligroso. La simulación resuelve este problema generando miles de horas de experiencia robótica con datos fotorealistas y físicamente precisos mediante paralelismo GPU.
Los motores de simulación actuales ya no se limitan a visualizar movimientos; ahora ocupan el centro del ciclo de entrenamiento de modelos de inteligencia artificial. Herramientas como NVIDIA Isaac Sim e Isaac Lab, MuJoCo y PyBullet están especializadas para distintos escenarios de uso. MuJoCo se prefiere para aplicaciones que requieren alta precisión en la dinámica del tacto y el movimiento, mientras que versiones aceleradas por GPU como MuJoCo Warp y Newton están diseñadas para entrenar políticas en miles de entornos paralelos.
Newton es un motor de física de código abierto desarrollado por NVIDIA, Google DeepMind y Disney Research, que proporciona una capa de física moderna para marcos como Isaac Lab. Estos motores admiten distintos solucionadores para diversos sistemas físicos: soluciones especializadas existen para cuerpos rígidos, materiales elásticos, telas y materiales basados en partículas. Estos avances demuestran que la simulación ya no es solo una herramienta de prueba, sino la infraestructura fundamental de la inteligencia artificial física.