物理世界获得AI升级
Nvidia年度GTC开发者大会已成为AI行业日历中最重要的活动,2026年版本也不例外。虽然前几年确立了Nvidia在数据中心AI计算中的主导地位,但GTC 2026标志着向CEO Jensen Huang所描述的物理AI的决定性转向——将AI智能部署到与物理世界交互的系统中,而不仅仅处理数字数据。跨越自动驾驶汽车、工业机器人和人形机器人平台的公告代表了一项战略扩张,可能同时改变多个行业。
统一的主题是Nvidia成为物理AI时代计算基础的雄心,就像它成为数据中心AI时代计算基础一样。如果该公司成功,它销售的AI芯片、软件平台和模拟工具对下一代工业机器人和自动驾驶汽车的重要性,就像其GPU集群对当今大型语言模型的重要性一样。
自动驾驶汽车驶上洛杉矶街道
也许对消费者最明显的公告是与Uber的合作,从2027年开始在洛杉矶部署自动驾驶汽车。这些车辆将使用Nvidia的Drive Orin平台进行感知和决策,运行在Nvidia的Omniverse模拟环境中训练和测试的神经网络,然后再部署到公共道路上。这一合作将Nvidia定位为AV行业的关键基础设施提供商,而不是运营商——该公司提供计算智能,而Uber等合作伙伴处理车队管理、制图和监管关系。
洛杉矶对自动驾驶汽车来说是一个特别具有挑战性的部署环境:复杂的十字路口、激进的驾驶文化、频繁的施工和商业区高密度的行人活动。Nvidia选择在洛杉矶而不是更受控的环境中展示其平台,反映了对其当前代AV软件和硬件稳健性的信心。
工业机器人获得Nvidia的大脑
全球两大工业机器人制造商FANUC和ABB宣布与Nvidia的Isaac机器人平台进行集成。制造全球大约三分之一的工业机器人的FANUC,以及在汽车和电子制造中无处不在的机器人的ABB,将在其下一代机器人控制器中整合Nvidia的硬件和软件。
Isaac平台提供模拟、训练和部署工具,使机器人能够通过演示学习任务,而无需为每项新操作进行手工编程。对于制造商来说,这意味着机器人可以在数小时而不是数周内针对新的部件或装配序列进行重新培训——这种灵活性随着生产运行时间缩短和产品多样性增加而变得越来越重要。FANUC和ABB的合作伙伴关系给Nvidia提供了对全球制造工厂中机器人已安装基础的直接访问。
解决机器人学的数据问题
Jensen Huang以令人难忘的方式表述了物理AI开发的一个核心挑战:机器人行业有一个数据问题,需要成为计算问题。这个表述抓住了一些重要的东西。不像语言模型那样在已经是数字形式的广泛互联网文本语料库上进行训练,机器人学习模型需要物理交互数据——机器人操纵物体的视频、来自机器人关节的传感器流、工业零件的图像——这些数据根本不存在于大规模培训所需的数量中。
Nvidia的解决方案是使用Omniverse(其物理精确的3D模拟平台)进行大规模合成数据生成。开发者不必从工厂的物理机器人收集训练数据,而是可以在Omniverse中生成数百万个机器人-物体交互的模拟示例,并使用它们对模型进行预培训,然后只需对真实硬件进行适度的微调。这种方法的计算成本是巨大的——因此Huang将数据问题转换为计算问题的特征——但这是一个Nvidia能够以盈利方式解决的问题。
人形机器人模型
GTC 2026还推出了专门为人形机器人设计的新基础模型。Nvidia更新的GR00T模型系列采用新一代架构,提供了一个预培训的基础,包括Figure、1X和Agility Robotics在内的人形机器人开发者可以针对特定的操作和运动任务进行微调。
人形部分仍处于早期开发阶段,大多数已部署的单元在受控的试点环境中,而不是开放式制造。但发展轨迹是明确的:随着基础模型的改进和物理AI训练管道的成熟,人形机器人在实验室中能做什么与在真实工厂中能做什么之间的差距正在以比大多数观察者预测更快的速度缩小。
平台游戏
总而言之,Nvidia的GTC 2026公告描述了一家跨物理AI应用执行平台战略的公司:提供任何物理AI开发者需要的芯片、模拟软件、培训基础设施和预培训模型。对于投资者和行业参与者来说,问题是这一平台战略是否会产生那种表征Nvidia数据中心GPU业务的赢家通吃的动力——或者物理AI应用和硬件需求的多样性是否会维持更分散的竞争格局。
本文基于The Decoder的报告。阅读原始文章。
Originally published on the-decoder.com