只用99行代碼，你也可以像《冰雪奇緣》裏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。
△白色：雪；紅色：果凍；藍色：水
一個簡單的物理場景，普通PC僅需幾分鍾即可渲染完成，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：
甚至，Taichi的發明者胡淵鳴同學還爲此編寫了完整使用教程。
關于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：
給胡淵鳴同學點贊！一己之力開發了物理模擬編程語言 Taichi！
像淵鳴這樣如此投入寫有影響力的開源代碼實在是難能可貴。
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。
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睐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。
胡淵鳴的靈感是，用移動最小二乘法統一APIC（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：
這項成果最終發表在了SIGGRAPH 2018上。
爲了進一步證明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 項目鏈接）。
這個88行版本後來也成爲了入門MPM的必備參考實現。
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，並根據現有基准對其性能進行基准測試。
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鍾的時間：
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步的梯度下降叠代，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，而且認爲概率爲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，比如台球：
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版本幾乎沒有什麽損失，比TensorFlow快了188倍，比PyTorch快13.4倍。
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、範浩強等人成爲同班同學，這群年輕人的才華在這裏彙聚、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、斯坦福大學訪學，並曾于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曆程，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~