想象你是一位舞团导演，要排一支复杂的群舞。演员们必须遵守身体规律，不能互相撞到，也不能在托举时失去平衡。于是你租下一间排练厅，让所有人提前反复演练。普通排练厅只能录下视频，事后告诉你“这段动作不齐”，却说不清到底是左脚慢了 0.2 秒，还是肩膀少用了 3% 的力。物理引擎就是这间“排练厅”，用来模拟物体在重力、碰撞、摩擦下的运动；可微分物理则是在排练厅里装上“校正镜”，把整场排练变成一个可求导的计算图，让误差信号顺着镜子一路反传给每个参数，精确指出“往哪个方向调、调多少”。机器人因此能自己摸索抓取力度，动画角色能学会站稳，AI 也能在虚拟世界中提前预演未来。本文就用这间舞团排练厅的比喻，带你从物理引擎基础走到可微分物理的前沿。

岗位关联

对 AI 从业者而言，理解可微分物理等于拥有一个能自我修正的虚拟试验场；它能显著降低真实数据成本，是空间智能与世界模型落地的重要加速器。

目录
  1. 可视化演示
  2. 仿真引擎基础
  3. 可微分原理
  4. 核心算法
  5. 学习闭环
  6. 前沿方向
  7. 技术选型
  8. 应用全景
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

仿真引擎基础

排练一支舞，先要确定舞台地板硬度、演员之间的距离、托举时手该放哪儿。这些看不见的“舞台规则”，就是物理引擎要做的事。物理引擎并不理解艺术的“好坏”，它只忠实地模拟物体下一时刻的位置和速度：有重力就往下跌，碰到地板就反弹，撞到同伴就不能互相穿过去。

从实现上看，物理引擎在每个时间步里做三件事：计算外力、求解碰撞与关节约束、把速度积分成新位置。刚体动力学给出的是一组“运动方程”，它告诉舞者的速度如何随外力和质量变化。公式中的每一项都有具体含义，我们把它们拆开看。

回到舞团比喻：物理引擎是那间“有地板、有镜子的排练厅”，它不评判跳得好不好，只保证每个动作都符合身体和物理规则。没有它，后面所有的“校正镜”都无从谈起。

vt+1=vt+Δt M−1(fext+J⊤λt)\displaystyle \mathbf v_{t+1}=\mathbf v_t+\Delta t\,\mathbf M^{-1}\left(\mathbf f_{\text{ext}}+\mathbf J^{\top}\boldsymbol\lambda_t\right)
这个公式描述了一个舞者从当前速度到下一速度的更新：外力推他，质量决定“推不推得动”，约束力则保证他不越界。
  1. 当前速度舞者此刻的移动速度，也是这一拍的起点。
    vt\mathbf v_t
  2. 外力向量重力、推力、风等所有主动作用力。
    fext\mathbf f_{\text{ext}}
  3. 质量矩阵逆质量越大，同样的力带来的加速度越小。
    M−1\mathbf M^{-1}
  4. 约束冲量接触、关节等约束产生的反作用力，通过雅可比矩阵投影到运动方向。
    J⊤λt\mathbf J^{\top}\boldsymbol\lambda_t
  5. 时间步长把加速度转化为速度变化所需的一小段时间，通常记为 \(\Delta t\)。
    Δt\Delta t

可微分原理

普通排练厅拍下录像，你回放时能看到“错”，但只能凭经验猜测该改哪里。可微分物理像是给排练厅装上二十台高速校正镜：每台镜子不仅照出动作，还记录“力的传导路径”。当损失函数说“最后这个 pose 偏离了 3 厘米”时，误差会沿着这些路径一步步反推：是膝盖弯曲角度不对？是脚踝发力太小？还是地面摩擦系数不准？

这样做的前提，是把物理仿真器的每一步都变成计算图上的一个可微算子。普通物理引擎里那些“if 接触 then 反弹”的语句在求导时是断头路；可微分物理则用平滑近似或隐式微分让梯度能穿过去。最终，参数更新公式和神经网络训练长得非常像。

可微分原理解决的不是“仿得像不像”，而是“改了有没有用、该往哪边改”。有了这面校正镜，舞团不再靠导演逐个动作“盲调”，而让每个舞者都能从误差中自动获得修正指令。

θk+1=θk−η∂L∂θk,∂L∂θk=∑t=0T∂L∂xt∂xt∂θk\displaystyle \theta_{k+1}=\theta_k-\eta\frac{\partial L}{\partial \theta_k},\qquad \frac{\partial L}{\partial \theta_k}=\sum_{t=0}^{T}\frac{\partial L}{\partial \mathbf x_t}\frac{\partial \mathbf x_t}{\partial \theta_k}
这就是“校正镜”的数学形式：误差从最终状态沿着每一步仿真传回参数，参数再沿着梯度方向调小一步。
  1. 损失函数例如“最终姿势与目标姿势的偏差”，是舞跳得好不好的量化分数。
    LL
  2. 仿真状态每一位舞者在每个时刻的位置、速度，合起来记为状态向量。
    xt\mathbf x_t
  3. 链式法则最终损失对每个中间状态求导，再逐层相乘，得到对参数的梯度。
    ∂L∂xt∂xt∂θk\frac{\partial L}{\partial \mathbf x_t}\frac{\partial \mathbf x_t}{\partial \theta_k}
  4. 参数更新沿着负梯度方向走一小步，步长由学习率 \(\eta\) 控制。
    θk+1=θk−η∂L∂θk\theta_{k+1}=\theta_k-\eta\frac{\partial L}{\partial \theta_k}

核心算法

有了校正镜，还得有足够精细的“动作指导手册”。物理仿真中最难啃的骨头是接触与碰撞：两个人要托举，手一碰就“各退半步”，但“退半步”是一个非光滑的突变，无法直接求导。于是可微分物理发展出一套特殊算法，最常见的是互补条件与接触冲量建模。

碰撞的瞬间，物体速度会突变。我们可以用恢复系数 \(e\) 和接触法向量来计算冲量大小，\(e=1\) 是完全弹性，\(e=0\) 是完全非弹性。下面的冲量公式相当于排练厅里“怎么接住彼此”的规则。

除了碰撞，核心算法还包括隐式欧拉积分提升稳定性，以及柔体仿真让布料、肌肉、软物体也能被模拟。这些算法都在回答同一个问题：怎样把“物理动作”翻译成既稳定又可微的数学指令。

Jn=−(1+e)mAmBmA+mB(vrel−⋅n)\displaystyle J_n=-(1+e)\frac{m_A m_B}{m_A+m_B}\left(\mathbf v^{-}_{\text{rel}}\cdot \mathbf n\right)
它告诉两位舞者：你们相撞前有多快、身体有多重、接触面朝哪儿，决定了这一下撞击的冲量有多大。
  1. 碰撞前相对速度两个物体在接触点相互靠近的速度。
    vrel−\mathbf v^{-}_{\text{rel}}
  2. 接触法向量接触面的垂直方向，决定冲量往哪个方向作用。
    n\mathbf n
  3. 折合质量两个物体质量组成的等效质量，质量都大时更难被“推开”。
    mAmBmA+mB\frac{m_A m_B}{m_A+m_B}
  4. 恢复系数碰撞后速度恢复的比例，它本身也可以是可学习参数。
    ee
  5. 法向冲量接触点上沿法线方向的冲量大小。
    JnJ_n

学习闭环

可微分物理真正迷人的地方，是它让“反复排练”变成自动的闭环。过去调一个机器人走路的摩擦系数，工程师要改参数、跑仿真、看误差、再改参数；现在，只要把真实轨迹和仿真轨迹放进损失函数，梯度就能自动告诉系统“摩擦系数该调大还是调小”，这就是参数辨识。

更进一步，控制策略的权重也能当成“待调参数”。仿真器变成可微网络的一部分，动作输入、物理约束、最终损失三者端到端串联，整个排练过程从“导演指导”变成“演员自己对着镜子迭代”。

学习闭环的价值在于：误差不仅被“看见”，还被“利用”。每一次排练失败都会留下修正信号，下一次动作就更接近目标。现实世界的数据昂贵且不可重复，而可微分物理提供了一个低成本的试错舞台。

θ∗=arg⁡min⁡θ∑i=1N∥x^ti(θ)−xtireal∥2\displaystyle \theta^{*}=\arg\min_{\theta}\sum_{i=1}^{N}\left\|\hat{\mathbf x}_{t_i}(\theta)-\mathbf x^{\text{real}}_{t_i}\right\|^2
这一串公式的意思是：找到一组物理参数或策略参数，让仿真轨迹尽可能贴住真实轨迹。
  1. 真实观测机器人或真实世界录下的轨迹，是排练要模仿的“标准动作”。
    xtireal\mathbf x^{\text{real}}_{t_i}
  2. 仿真预测当前参数下仿真器给出的预测轨迹。
    x^ti(θ)\hat{\mathbf x}_{t_i}(\theta)
  3. 残差平方预测与真实之间的误差，平方之后让大偏差被放大。
    ∥x^ti(θ)−xtireal∥2\left\|\hat{\mathbf x}_{t_i}(\theta)-\mathbf x^{\text{real}}_{t_i}\right\|^2
  4. 最小化参数用梯度下降找到让总误差最小的参数。
    arg⁡min⁡θ\arg\min_{\theta}

前沿方向

当舞团掌握了基本功，就会开始挑战更复杂的舞种。可微分物理的前沿主要聚焦三个方向：推理效率、多模态融合与安全对齐。推理效率要解决的是“镜子不够快”——可微仿真往往是普通仿真的几倍开销，因此需要用隐式微分、稀疏计算、GPU 并行等技巧让训练速度跟上需求。

多模态融合则是把视觉、触觉、力觉信号一起接入仿真闭环：舞者不仅要看镜子，还要感受地板的软硬、同伴手心的力量。安全对齐则像是给排练厅装上护栏：优化目标不能只追求“跳得高”，还要保证“不摔倒、不越界”。

三大前沿方向分别回答“跑得快不快”“懂不懂真实世界”“敢不敢落地”三个问题。如果说可微分物理是一间智能排练厅，那么效率是舞台灯光，多模态是感官，安全对齐是护栏。

max⁡θ  Eτ∼πθ[∑trt]s.t.Pr⁡(violation)≤ϵ\displaystyle \max_{\theta}\;\mathbb{E}_{\tau\sim\pi_{\theta}}\left[\sum_t r_t\right]\quad \text{s.t.}\quad \Pr(\text{violation})\le \epsilon
这是“带着护栏跳舞”的数学表达：最大化演出回报，同时把危险事件概率压到 \(\epsilon\) 以下。
  1. 期望回报所有可能动作序列的累计奖励期望，代表“演出效果”。
    Eτ∼πθ[∑trt]\mathbb{E}_{\tau\sim\pi_{\theta}}\left[\sum_t r_t\right]
  2. 策略参数控制动作生成的参数，可以是策略网络权重，也可以是仿真参数。
    θ\theta
  3. 危险事件概率安全约束，例如机器人撞到人、物体跌落等。
    Pr⁡(violation)\Pr(\text{violation})
  4. 安全阈值允许的最大风险，\(\epsilon\) 越小，护栏越严。
    ϵ\epsilon

技术选型

再好的排练厅，也要看剧组预算和档期。可微分物理框架很多，有的精度高但速度慢，有的速度快但接触处理很粗糙。实际项目必须在物理精度、推理时延和部署成本之间做权衡：机器人实时控制可能更看重时延，动画离线渲染更看重质量，自动驾驶仿真则两者都要。

技术选型可以抽象成一个带权重的评分函数。假设有两个候选方案，一个精度高但慢，一个快但精度略低，直接用公式打分，比“感觉 A 比 B 好”要可靠得多。

选型没有“最好的引擎”，只有“最合适的舞台”。一个需要高精度离线物理的大片项目，和一个需要毫秒级控制信号的机器人手柄，选择完全不同。可微分物理只有在精度、时延、成本都对得上时，才能从论文走进产品。

Score(M)=wa Acc(M)−wl Latency(M)−wc Cost(M)\displaystyle \text{Score}(M)=w_a\,\text{Acc}(M)-w_l\,\text{Latency}(M)-w_c\,\text{Cost}(M)
它像选择排练厅的评分表：舞蹈效果加分，等待时间扣分，租金也扣分，最终选总分最高的那间。
  1. 精度评分物理仿真的准确程度，例如接触误差、轨迹误差。
    Acc(M)\text{Acc}(M)
  2. 时延惩罚每跑一次仿真需要的推理时间，实时场景尤其敏感。
    Latency(M)\text{Latency}(M)
  3. 成本惩罚硬件投入、电费、工程师开发成本等。
    Cost(M)\text{Cost}(M)
  4. 权重系数不同场景对三者的重视程度不同，通过 \(w_a,w_l,w_c\) 调节。
    wa,wl,wcw_a,w_l,w_c

应用全景

可微分物理的舞台已经不止一个。在机器人操控中，它让机械臂学习抓取、推拉、插拔时能把“接触力”这个老难题变成可学习的参数；在图形动画中，它让虚拟角色更容易做出物理可信的动作，腿部踩稳、身体平衡不再靠手 K 关键帧；在世界模型中，它更是核心模块——用一个可微的物理仿真器预测未来状态，让 AI 能像人类一样在脑中“预演”。

如果把世界模型也看作一个大型排练厅，那它的核心公式非常简单：给定当前状态和动作，预测下一步状态。

从机器人到动画，从自动驾驶到空间智能，可微分物理正在成为连接“物理世界”与“学习系统”的通用接口。它让我们不仅有一个模拟世界的排练厅，更有一面能指导我们如何改进动作的校正镜。

st+1=fθ(st,at)\displaystyle s_{t+1}=f_{\theta}\left(s_t,a_t\right)
这个公式把“世界运行的规律”压缩成一个可微函数：输入现在的状态和动作，输出未来的状态，参数 \(\theta\) 可以从数据中学习。
  1. 当前状态世界在 \(t\) 时刻的情况，例如机器人关节角、物体位置。
    sts_t
  2. 动作输入智能体此刻施加的控制指令。
    ata_t
  3. 可微世界函数由物理仿真器或神经网络构成，必须对参数可导。
    fθf_{\theta}
  4. 下一状态在 \(t+1\) 时刻的预测结果，可用于规划、控制、损失计算。
    st+1s_{t+1}

AI 应用场景

机器人抓取的接触参数辨识

阶段：模型训练 / 仿真到现实迁移

解决的问题：机械臂推木块时，真实摩擦系数和恢复系数很难手工测量。传统做法是反复试错调参，耗时且难迁移；用可微分物理可以把真实轨迹当损失，通过梯度反推接触参数。

具体案例：团队用机械臂在桌面上推动一个木块，记录 20 条真实轨迹，再让同一个动作在可微仿真器中运行。损失函数比较仿真与真实木块轨迹，几轮迭代后，摩擦系数和恢复系数被自动校准，仿真轨迹与真实轨迹的误差下降 60% 以上。

动画角色的物理平衡控制

阶段：内容生成与策略优化

解决的问题：游戏或电影里的虚拟角色需要既自然又物理可信的动作。传统关键帧动画劳动量大，纯强化学习又容易走出反物理姿势；可微分物理让控制器直接通过梯度优化平衡和接触力。

具体案例：让一个虚拟角色学习单脚站立，输入目标姿态，损失函数包含重心偏移和脚底接触力。借助可微物理的梯度，角色在数百次虚拟排练后就能自动调整髋关节力矩，保持稳定站立。

自动驾驶世界模型训练

阶段：世界模型预训练与闭环仿真

解决的问题：自动驾驶需要在虚拟世界中验证极端场景，但真实路测成本高、危险大。可微分物理可以作为可训练的世界模型，从真实轨迹中学习车辆动力学和路面摩擦特性。

具体案例：一辆测试车在湿滑路面采集刹车轨迹，系统用可微车辆模型预测制动距离，并通过梯度修正轮胎-地面摩擦参数；之后在仿真中生成更真实的湿滑场景，帮助决策模型提前学会安全操作。

Python 演示

python38 行
import math  class BounceSim:    def __init__(self, drop_height=2.0, target_height=1.2, lr=0.05):        self.gravity = 9.8        self.drop_height = drop_height        self.target_height = target_height        self.lr = lr        self.e = 0.30     def simulate(self, e):        incoming = math.sqrt(2 * self.gravity * self.drop_height)        outgoing = incoming * e        return outgoing * outgoing / (2 * self.gravity)     def loss(self, e):        return (self.simulate(e) - self.target_height) ** 2     def train_one_step(self):        eps = 1e-6        grad = (self.loss(self.e + eps) - self.loss(self.e - eps)) / (2 * eps)        self.e -= self.lr * grad        self.e = max(0.05, min(0.95, self.e))        return abs(grad)  if __name__ == "__main__":    sim = BounceSim()    print("初始恢复系数:", round(sim.e, 4))    for i in range(40):        grad = sim.train_one_step()        if i % 5 == 0:            print("第", i, "轮: e =", round(sim.e, 4),                  "反弹高度 =", round(sim.simulate(sim.e), 4),                  "梯度 =", round(grad, 6))    print("最终恢复系数:", round(sim.e, 4))    print("目标反弹高度:", sim.target_height)
目的：用梯度下降自动学习小球碰撞的“恢复系数”，演示一个最简单的可微分物理学习闭环。
  1. outgoing = incoming * e碰撞后的速度 = 碰前速度 × 恢复系数，这是物理引擎里最简单的“接触模型”。
  2. return outgoing * outgoing / (2 * self.gravity)用能量关系把弹起速度转成反弹高度，相当于仿真器的输出。
  3. grad = (self.loss(self.e + eps) - self.loss(self.e - eps)) / (2 * eps)数值梯度：给参数加一点微扰，看损失往哪边变化。
  4. self.e -= self.lr * grad沿着负梯度方向更新参数，这就是“校正镜”给出的修改建议。
  5. self.e = max(0.05, min(0.95, self.e))给物理参数加取值范围，防止学到不合理的负恢复系数。

常见误区

误区以为只要把 PyTorch 里的算子换成物理仿真算子，原来的引擎不用改，就能自动反传梯度。

正解普通物理引擎里有大量 if 判断、碰撞迭代求解、事件顺序逻辑，这些“断头路”无法直接求导。可微分物理需要重新设计整个仿真流程，把约束求解、碰撞处理都改写成可微操作，或用隐式微分绕过展开。就像普通录像不能自动告诉你“该抬腿几厘米”，必须换一套带骨骼追踪的校正系统。

为何常见：因为深度学习框架的自动求导太方便，容易让人忽略底层算子必须可微这一前提。

误区认为只要把时间步长调小、网格调细，学习效果就自然提升。

正解可微分物理追求的不只是仿真精度，而是“梯度质量”。一个粗糙但可微的模型，往往能提供稳定的优化方向；一个精确但处处不可导的模型，反而让参数陷入原地踏步。就像一台 4K 录像机不能指出动作归因，不如一面能实时反馈角度的校正镜。

为何常见：大家习惯用“像不像”衡量仿真，却忽略了“能不能学”有时比“像不像”更重要。

误区遇到碰撞就放弃梯度，直接用大量随机采样的强化学习去搜索。

正解可微分物理恰恰擅长处理接触问题。通过互补条件平滑化、隐式微分、接触冲量解析式，碰撞处也能得到有效梯度。虽然实现难度不低，但比纯黑箱搜索高效得多，尤其适合精细操控任务。

为何常见：因为接触时的速度跳变确实让初等自动求导失效，容易让人误以为“碰了就不能求导”。

误区认为仿真器可微之后，所有参数都能学出来，真实世界数据可有可无。

正解可微分物理只是把“从数据到参数的映射”变得更高效，但数据仍然是燃料。没有真实轨迹，系统不知道仿真模型的误差有多少；即便学了参数，也可能只是过拟合仿真本身的错误。它更像一个放大镜，不能取代真实世界的“校准基准”。

为何常见：因为端到端学习的成功案例给人“全自动”印象，忽略了真实观测在闭环中的锚定作用。

面试题

Q1. 物理引擎中“约束求解”最常处理的是哪类问题？

单选题 · easy

  • A.处理接触碰撞与关节约束← 正确答案
  • B.提升画面的渲染分辨率
  • C.随机生成游戏地图
  • D.优化场景的网络传输速度

答案：A。约束求解是物理引擎的核心模块，主要防止物体互相穿透，并维持关节、铰链等连接关系。渲染、地图生成、网络传输都不属于物理引擎的职责，就像排练厅首先要保证演员不撞在一起，而不是负责灯光调色。

Q2. 可微分物理与普通物理仿真最核心的区别是什么？

单选题 · easy

  • A.仿真中每个算子都可求导← 正确答案
  • B.仿真速度一定成倍提升
  • C.不再需要对时间做积分
  • D.无需再检测物体碰撞

答案：A。可微分物理把仿真过程变成计算图，让损失对物理参数求梯度。它并不保证更快，也仍然需要时间积分和碰撞检测。与其说它改变了仿真内容，不如说它给仿真装上了“可归因的校正镜”。

Q3. 刚体运动方程中，质量矩阵逆 \(\mathbf M^{-1}\) 的作用是什么？

单选题 · easy

  • A.把外力折算成加速度← 正确答案
  • B.把速度折算成颜色
  • C.把碰撞变成摩擦力
  • D.把时间步长固定不变

答案：A。牛顿第二定律告诉我们 \(F=Ma\)，所以 \(a=M^{-1}F\)。质量越大的物体，同样的力产生的加速度越小。就像两个体重不同的舞者，被同样推一下，瘦的那位反应更明显。

Q4. 接触摩擦建模中的“摩擦锥”描述的是？

单选题 · mid

  • A.约束法向力与切向力的关系← 正确答案
  • B.表示物体颜色与材质关系
  • C.反映时间步长与精度关系
  • D.描述重力与质量的比例

答案：A。摩擦锥约束切向摩擦力不能超过 \(\mu\) 倍的法向力，否则物体会滑动。它决定了舞者脚底能否“抓稳”地板。颜色、时间步长、重力比例都与摩擦锥没有关系。

Q5. 遇到接触产生的非光滑梯度，常用解决思路是？

单选题 · mid

  • A.用平滑的互补条件做近似← 正确答案
  • B.直接删除所有碰撞约束
  • C.把时间步长设为无穷大
  • D.只保留刚体不保留柔体

答案：A。碰撞本身是突变，直接自动求导会得到零或无效梯度。可微分物理常用平滑互补条件或隐式微分来获得稳定梯度。删除碰撞、无限大步长都会破坏物理真实性，属于因噎废食。

Q6. 可微分物理中的“参数辨识”主要指？

单选题 · mid

  • A.从真实数据反推物理参数← 正确答案
  • B.用仿真数据训练图像分类器
  • C.提升渲染引擎的贴图质量
  • D.减少模型输入特征的数量

答案：A。参数辨识把真实轨迹当标准答案，用梯度调整摩擦系数、质量、刚度等物理参数，让仿真结果贴近现实。它和图像分类、贴图、特征工程无关，是连接真实世界与仿真器的关键步骤。

Q7. sim-to-real 中域随机化的核心思想是？

单选题 · mid

  • A.随机化仿真参数增强鲁棒性← 正确答案
  • B.关闭仿真过程中的物理噪声
  • C.只采集真实世界的数据
  • D.固定所有训练超参数不变

答案：A。域随机化在训练时故意随机化摩擦、质量、光照等参数，让策略见过各种“排练坏境”，从而迁移到真实世界时更鲁棒。关闭噪声、只用真实数据、固定超参数都与这种思想背道而驰。

Q8. 下列哪些属于可微分物理的前沿方向？

多选题 · hard

  • A.提升仿真器的推理效率← 正确答案
  • B.融合视觉触觉等多模态← 正确答案
  • C.增加安全对齐的约束← 正确答案
  • D.扩大碰撞检测的误差

答案：ABC。推理效率、多模态融合、安全对齐是可微分物理三个重要突破口。扩大碰撞检测误差只会让仿真更不准，不是前沿方向，就像故意让演员互相撞到并不能提升舞技。

Q9. 选择可微分物理框架时应重点考虑哪些约束？

多选题 · mid

  • A.物理精度与数值稳定性← 正确答案
  • B.推理时延与实时性← 正确答案
  • C.开发与部署成本← 正确答案
  • D.界面配色风格的统一

答案：ABC。实际项目需要权衡精度、时延和成本。界面配色对框架选型没有影响。比如机器人实时控制宁可牺牲一点精度，也要保证毫秒级响应，如同紧急演出时不能花太多时间换布景。

Q10. 关于隐式微分在可微分物理中的作用，下列说法正确的有？

多选题 · extreme

  • A.避免展开整个迭代求解器← 正确答案
  • B.在接触约束处也能获得梯度← 正确答案
  • C.需要借助隐函数定理求导← 正确答案
  • D.完全不需要雅可比矩阵

答案：ABC。隐式微分通过隐函数定理直接从求解收敛条件求梯度，不必展开迭代过程，因此能避开非光滑接触的梯度断裂。但它仍然需要计算雅可比矩阵，所以 D 错误。这就像看镜子时只读“膝盖该弯多少”，而不需要把每一帧录像都手动回放一遍。