不要企图用机器学习的视角来碰瓷好莱坞的特效仿真工业体系：对一篇标题党式报道的吐槽

今天中午刚要睡午觉， 看到了一篇令人哭笑不得的新闻报道，恐怕又要掀起机器学习信徒以及不明就里的吃瓜群众的一波高潮，鉴于该报道充满了误导， 在此，我就抽个空，对这篇报道新闻稿进行一些吐槽， 也展开聊一下好莱坞的特效仿真工业体系到底有多强， 以及向大家说明我之前提到的“维塔是可以单挑美国迪斯尼系统的存在”这句话的实际意义。

首先，我先贴一下报道的原文：

其标题叫做：3D特效师可以下班了。（这个标题已经令人不忍吐槽了， 毕竟似乎从AI出现以来到现在， 真正做到令特效师下班的是新冠肺炎， 不是AI。。。。。）

打开这篇报道， 映入眼帘的就是一些错句：

其中1提到了

的太极。认为它降低了CG特效门槛， 效果还十分逼真。。。。。。首先， 太极不是一个cg特效制作工具， 它是一种编程语言， 更合适的类比是matlab的m语言， 你用太极可以用很简单的语法写程序， 并被太极系统自动翻译成GPU和CPU并行运算的生成代码， 它并无法用来制作特效， 更不用谈效果是否逼真。。。。真要是出现了基于太极语言开发的特效制作软件， 并且艺术家通过使用软件产生效果逼真的特效， 那也是艺术家， 灯光特效师， 软件开发者， 渲染艺术家， 资方共同的功劳，和编程语言的关系可能不太大。 就好像现在的特效计算软件和特效工作流程都是基于C、C++开发的， 但你不能说C++降低了特效制作的门槛， 效果还十分逼真

2这个地方就迷了：Sience在社交网络评论的那句话意思很基础， 很简单， 是科普性质的：“以下这些科学，好莱坞也许会用哦”是试图通过好莱坞这个词来拉近人们和科学的距离。

到了量子位嘴里：“好莱坞或许会投资这款模拟器吧”。。。。这到底是是小编英语真的不行还是有意为之？

再者，这个报道多次通过误导性的言论指出“人脑模拟物理运动， 靠的是联想， 不是力学公式”言语间无穷地夸大当前粗浅的ML系统与人脑的类似， 以及弱化力学学习的重要性， 殊不知， 当前粗浅的ML系统与人脑结构相去甚远， 并且即使复杂如人脑的结构， 也无法定量地研究力学现象。我们只能感受一个球在空中会加速落下， 但我们无法知道它在任意时刻的速度是多少， 空气阻力是多少， 摩擦生热是多少， 要定量的研究问题， 还是要靠力学公式。 并且最重要的， 原论文用以学习的数据， 也是通过物理仿真计算系统生成的， 没有力学仿真系统， ML拿脚来学？

对于这样一篇狗屁不通， 可能连siggraph都可能中不了的文章发science，我还是总的来说很吃惊的。 佩服除了四个共同一作以外的作者的运作能力。毕竟像这样的idea， 在计算机科学领域甚至连novelty都算不上。

说到这里以后， 我又想说一下我这篇报道本身的另一个主要槽点： 不要总试图用机器学习的视角来碰瓷好莱坞， 特别是其特效仿真工业，好莱坞的特效仿真系统， 甚至是美国的工业仿真系统， 同源同理， 都是中国需要加大力度建设的基础科学软件体系，这些技术在一战以来的半百年时间里真正解决了很多问题，帮助人类实现了工业化，并且还在不断地帮助人们迈向更远的星际。

舆论界不要再被不切实际的机器学习牵着鼻子忽悠了，像原论文里面这样的机器学习系统， 论精确程度比不过作为ground truth的物理仿真计算系统， 论performance计算效率，比不过经过高度优化的GPU计算实现的物理仿真计算算法，论仿真的现象的范围广度， 更是比不过从物理出发的建模计算手段。 从我们专业人员的角度来看。。。。。不知道优势何在， 能用来干啥。

这里我就举一个weta digital的猎食都市的特效解析为敬：

这样的仿真系统， 才是好莱坞需要的特效仿真工业系统， 试问他们又怎么会去投资那篇论文中那种连玩具效果都称不上的系统呢？

这样的特效仿真系统我们发现要具备如下几个特点：

1. 大： 真正支持大尺度， 大规模的仿真与计算
2. 多物理场：燃烧，爆炸，毁伤，破碎，多物理，多材质场的耦合计算
3. 可编辑性：这属于视觉特效独特的需求，我不展开描述。

我们先来看看大：

猎食都市中巨大的引擎城市在运动过程中的空气动力学仿真， 用于生成其运动过程中带起的尘埃与烟雾， 由维塔工作室自主研发的大尺度多物理耦合仿真系统完成。

我们再来看看多物理场：

滚滚车轮碾压过路面， 造成凹陷与塑性形变，裂变（MPM仿真），掀起无数的碎石子（刚体仿真），以及在这之上再运行烟雾与尘埃仿真。

掠食都市中巨大的城市齿轮吞噬小城市， 形变以及破碎仿真。

混合材质破碎毁伤仿真。

多物理场布料燃烧以及损毁系统

以及由该系统完成的热气球燃烧爆炸混合仿真。

同样的， 维塔自研的分布式有限元解算的tissue系统， 从骨骼到肌肉到筋膜到脂肪到皮毛地对数字角色的运动进行仿真计算。

我就且不说特效仿真计算对于结果的细节程度有多大的要求了， 就单单是计算量， 恐怕用机器学习这种方式学出来的“冗余表达”，就远不如物理仿真计算这种高压缩度的物理模型来的划算了。（比如机器学习要一堆系数才能表达一个现象， 而物理仿真只需要一个公式外加一些算法逻辑。）

更进一步的， 对于这样的多环境， 大尺度， 多物理的仿真情形， 恐怕基于机器学习的系统永远都做不了， 任他吹得天花乱坠。

我认为， 现在全世界无论哪个国家， 真的不缺那种拿到了数据以后就能用machine learning训练机器学出来点东西的炼丹师， 而machine learning之所以这么受大的IT公司青睐， 可能和它这样的一个属性也有关系。

但是Machine Learning+物理仿真， 从科研以及实用的角度来看， 却从来没有被do right过，从物理仿真的角度看， 你机器学习计算精度不如我， 运算速度不如我， 可以处理的情况不如我， 你学几个力学仿真计算系统本就能做的案例到底是为哪般？就是为了用机器学习重新表达一下一个已经很好了的轮子？就是为了画蛇添足一番？

反过来， 从机器学习者的角度看，物理仿真计算一直在人们脑海中有种高大上的感觉， 好莱坞特效一直有种很赚钱的感觉， 那么我“学上一学”，灌水一些论文， 继续忽悠我机器学习无所不能的错觉。 等着收国会的钱， 收投资人的钱， 收纳税人的钱不是美滋滋？如意算盘打得真的是当当响。 当然，这里少不了各种媒体夸大的报道推波助澜。

我就怼一怼这些研究， 机器学习专门挑物理仿真中最简单最不受人在乎的问题研究到底为整个人类知识宝库贡献了什么新的知识？？？？？？？！！！！！就是为了证明一个微不足道的命题--原先用仿真算法能做的事， 我机器学习学一下也能在做，我就且不说ML学一下以后只能做有限的泛华，更进一步地， ML能做到仿真算法那种广度和速度么？机器学习能达到物理模型对于这个自然世界的压缩度么？（一个f=ma就能带人类上天入地）

从一个仿真研究者的角度出发， 我们真的一点儿都不在乎一个方形的水掉在一个玻璃盒子里是什么样子的， 十年前， 英伟达就已经有实时的GPU仿真代码可以计算诸如这样的仿真任务了。

仿真的角度更关注的， 比如有空气， 微气泡， 以及液体表面张力共同作用下的湍流效应，更具体的比如高速运动的螺旋桨叶片造成高温水蒸发，叶片周围产生的空爆气泡对叶片系统的毁伤作用等等微观的， 难以捕捉的， 却现象复杂的物理过程，再比如微->宏观湍流模型等的, 在这些领域, 到时少有见到ML+物理仿真做出些什么令人眼睛一亮的成果来。

换一句话说， 是以谁为核心的差别。 要知道， 仿真和仿真系统，是以解决现实问题为核心的，是解决现实问题中的一个方法和过程。 而机器学习， 只是一个寻找模型的手段和方法，现在来看，更多的是面向新闻的科研和面向吹泡泡的应用。 所以我倒更建议机器学习研究， 去研究一些“有用的问题”，对自然敬畏起来， 先去了解物理仿真中困难的问题及建模的难处， 然后针对这些方面去做。 而不是总希望通过自己有限的拟合能力拟合一些力学仿真中最简单的现象来搞个大新闻。

最后我再回来说说这个Tobias Pffaf，我觉得也是挺惨的

Tobias本来是个计算机图形学界物理仿真的研究者， 他博士期间的paper是这个画风的

现在， 你告诉我， 你觉得他现在搞了这些比起自己以前的论文连玩具都不算的效果， 他会很骄傲么？

就这？就这？？就这？？？

只能说在资本裹挟下的ML研发早已变得狗屁不通， MLer的KPI只追求越发证明ML无所不能， 至于这个“无所不能”， 到底能做到多好， 他们是毫不在乎的。 媒体更不在乎。

再送广大学子一句话

本人以上文字， 仅代表个人观点。