英偉達全棧方案核心看點在哪？

從云端到邊緣的物理AI 生態。

英偉達構建訓練-仿真-部署的完整技術棧，推動物理 AI 規模化落地。云端訓練：從世界基礎模型到合成數據工廠。Cosmos 平臺整合世界基礎模型（WFM）和生成式 AI，生成符合物理規律的3D 環境。人形機器人和自動駕駛汽車等新一代 AI 機器人依賴于高保真、物理感知的訓練數據。如果沒有多樣化且具有代表性的數據集，這些系統將無法獲得適當的訓練，并且由于泛化性差、對現實世界變化的影響有限以及邊緣案例中的行為不可預測，因此會面臨測試風險。收集大量真實數據集進行訓練成本高昂、耗時費力，而且往往受限于各種可能性。NVIDIA Cosmos 通過加速世界基礎模型(WFM)開發可加快合成數據的生成，并作為后訓練的基礎，以開發下游領域或特定任務的物理 AI 模型。 Cosmos Transfer WFM 根據結構化輸入生成高保真世界場景，確保精確的空間對齊和場景構成。通過采用 ControlNet 架構，Cosmos Transfer 可保留預訓練知識，從而實現結構化、一致的輸出。它利用時空控制圖來動態對齊合成和真實世界的表示，從而實現對場景構圖、對象位置和運動動力學的精細控制。借助生成式 AIAPI 和 SDK，NVIDIA Omniverse 可加速物理 AI 仿真。開發者使用基于OpenUSD 構建的NVIDIA Omniverse 創建 3D 場景，以準確模擬現實世界環境，從而訓練和測試機器人和自動駕駛汽車。這些模擬可作為 Cosmos Transfer 的真值視頻輸入，并與標注和文本指令相結合。Cosmos Transfer可在改變環境、照明和視覺條件的同時增強逼真度，從而生成可擴展的多樣化世界狀態。

GR00T 模型家族：英偉達開源的 GR00TN1.5 模型支持自然語言指令和環境自適應，其更新版GR00TN1僅需 36 小時即可完成訓練（傳統方法人工收集數據需 3 個月），在工業物料分揀中任務成功率提升至85%。GR00TN1 是全球首個通用人形機器人開放基礎模型，標志著機器人和 AI 領域的重大突破。GR00TN1 基于受人類認知啟發而構建的雙系統架構，統一了視覺、語言和動作，使機器人能夠理解指令、感知環境，并執行復雜的多步驟任務。

DGX 超級計算機：提供 PFlops 級算力，支撐多模態大模型訓練，例如特斯拉 Optimus 的單一神經網絡同時處理家務和工業搬運任務。NVIDIADGX™超級計算機采用 256 個 GH200 芯片的集成設計，為生成式AI等高復雜度計算任務提供大規模算力支持。搭載 Blackwell 架構的 Grace Blackwell 超級芯片，通過NVLink 技術實現 CPU+GPU 內存一致性，FP4 精度下推理性能提升顯著，支持物理AI 系統的實時決策（如自動駕駛路徑規劃）和機器人運動控制（如毫秒級機械臂響應）。第二代Transformer 引擎優化多專家模型（MoE），加速復雜動作序列的訓練與推理，例如在機器人抓取任務中，通過DGXStation 可將模型迭代周期從數周縮短至小時級。此外結合 Cosmos 世界基礎模型和 IsaacGR00T 合成數據生成庫，DGX 可模擬真實物理環境，生成包含視覺、觸覺、運動學的多模態訓練數據，例如通過Omniverse 構建工廠數字孿生，加速機器人避障算法的泛化能力。機密計算技術（TEEI/O）確保機器人在工業場景中處理敏感數據（如醫療機器人患者信息）時的安全性。在邊緣端，DGX 提供云協同與生態支持：從DGXSpark（桌面級 2000 億參數模型本地運行）到 DGX SuperPOD（支持萬億參數模型分布式訓練），DGX提供從原型開發到大規模部署的全流程算力支持。全棧軟件套件（如 NeMo 框架、NIM 推理微服務）和NGC目錄中的預訓練模型（如 GR00T 機器人控制模型），進一步降低開發門檻，實現從仿真到邊緣部署的無縫銜接。在安全性與可靠性方面：智能 RAS 技術通過 AI 預測硬件故障，減少停機時間；機密計算功能在加密模式下吞吐量接近未加密水平，保護機器人模型和傳感器數據的完整性。例如，醫療機器人在處理患者影像時，可通過 TEE 確保數據隱私，同時保持實時分析效率。

英偉達仿真驗證方案可以實現物理精度與實時交互的完美結合。機器人策略訓練面臨兩大關鍵挑戰：收集真實世界數據的高昂成本和“現實差距”，即僅在仿真中訓練的策略通常無法在真實物理環境中表現良好。仿真與現實協同訓練工作流通過將少量真實機器人演示與大量仿真數據相結合來解決這些問題。這種方法有助于訓練可靠的策略，同時有效降低成本并彌合現實差距。IsaacSim5.0：基于Omniverse的開源仿真框架，支持剛體動力學、傳感器仿真和多機協同。例如，Agility Robotics 通過IsaacSim優化 Digit 機器人的物流搬運路徑，效率提升 30%。Isaac Lab：開源機器人學習框架，簡化強化學習、演示學習等工作流。例如，德國博世集團采用 Isaac Lab 將新產品裝配的示教時間從40 小時縮短至4小時。Sim2Real 遷移技術：通過域隨機化（Domain Randomization）和視覺風格遷移，縮小虛擬與現實的差異。

英偉達邊緣部署方案：從 Jetson 到機器人本體的算力下沉。NVIDIA Jetson™平臺提供用于開發和部署AI 賦能機器人、無人機、IVA 應用和自主機器的工具，助力這場變革。在邊緣生成式AI、NVIDIA Metropolis 和 Isaac™平臺的支持下，Jetson 提供可擴展的軟件、現代 AI 堆棧、靈活的微服務和API、生產就緒型 ROS 軟件包以及特定于應用程序的 AI 工作流。NVIDIA JetsonOrin™系列包含7 個具有相同架構的模組，可提供每秒高達 275 萬億次運算(TOPS)的算力，軟件堆棧包含預訓練的AI 模型、參考AI工作流和垂直應用框架，可加速生成性 AI 的端到端開發，以及邊緣 AI 和機器人應用。

英偉達人形機器人三臺計算機解決方案。一臺 NVIDIAAI 超級計算機—NVIDIA DGX™搭載NVIDIA H100或B100 處理器—用于訓練強大的生成式 AI 模型和機器人基礎模型。一臺 NVIDIA OVX™計算機，搭載NVIDIA RTX™GPU，用于合成數據生成、機器學習和仿真測試以及基于 NVIDIA Omniverse™構建的仿真框架，如 NVIDIA Isaac Sim™and Isaac™ Lab。一臺安裝在機器人本體上的實時計算機，比如NVIDIAJetson Thor™—構建于 NVIDIA Blackwell 架構之上—可以運行低延遲和高吞吐量推理。

物理 AI 正在重塑機器人訓練的底層邏輯：從依賴真實數據的“經驗主義”，轉向基于物理規律的“理性主義”。英偉達通過全棧技術方案，構建了從云端訓練到邊緣部署的完整生態，推動物理AI 從實驗室走向工業、醫療、家庭等場景。未來，隨著具身智能大模型與邊緣計算的結合，機器人將逐步滲透至人類活動的各個領域，最終實現“像人類一樣思考，比人類更高效執行”的終極目標。這場物理與智能的融合革命，不僅是技術的突破，更是人類與機器關系的重新定義——機器人不再是工具，而是理解物理世界、解決復雜問題的合作伙伴。 綜上所述，物理 AI 有望迎來技術突破、場景落地與生態協同的三重驅動，充分受益機器人訓練規?；瘧玫拇_定性機遇。國內相關公司如索辰科技“天工?開物”物理 AI 平臺融合CAE 仿真與數字孿生技術，可將機器人動作優化周期從數周縮短至小時級，同時通過并購力控科技打通“感知-模擬-決策”閉環。