如何构建物理AI？NVIDIA给出了自己的答案
原创 月满西楼 | 2025-09-19 20:33
【数据猿导读】 AI的下一个竞争维度：从模型比拼，转向世界理解能力建设。
“AI的下一个竞争维度：从模型比拼，转向世界理解能力建设。
我们正站在AI发展的又一临界点上。
从ChatGPT到DeepSeek，从Sora到Cursor，多模态与大模型一路狂飙，不断刷新我们对“智能”的认知上限。但一个更现实的问题也日益显现——当AI面对的不再只是“文字、图像与代码”，而是现实世界中柔软的手指、易碎的玻璃杯、拥挤的十字路口，它是否依然能从容应对？
越来越多的技术先锋意识到，人工智能若不能理解并适应真实物理世界，其潜力将永远被锁在“模拟宇宙”里。
于是，一个新的概念开始浮现：“物理AI（Physical AI）”——一种具身、可感知、能推理、会行动的智能体形态，它不再只是数据上的算力堆叠，而是能走入现实世界，与真实物理环境交互的智能生命。
这一次，NVIDIA再次站了出来。
在SIGGRAPH 2025上，加速计算领域的全球领导者没有再谈算力峰值，而是抛出了一个更宏大的愿景：构建支撑物理AI的全栈平台，用Omniverse塑造可信的世界模型，用Cosmos赋予AI推理认知能力，用DGX Cloud和Blackwell GPU打通训练到部署的链路。一套专为“AI+现实世界”设计的技术体系，正悄然成形。
物理AI的时代，正在拉开帷幕。而它的第一幕，始于一个问题：AI，能不能看懂这个世界？
现实之问：
AI很强，但离“现实”还很远
当我们谈论AI的突破时，往往沉醉于技术指标：更高的参数量、更低的Loss、更强的推理链路。生成式AI在文本、图像、语音等领域早已大放异彩，从一张图生成无限空间、从一段话编织完整叙事，仿佛无所不能。
但一旦AI走出“模型”的舒适区，面对物理世界的复杂性，则又产生了新的问题。
1、多模态AI狂飙，但仍困于“纸上谈兵”
AI能写会画，却抓不准一个杯子。
这是物理AI领域最常被引用的真实难题。一个带有轻微裂纹、光线反射变化的玻璃杯，足以让机器人“手足无措”。在自动驾驶中，即使模型已训练上千万小时，但当暴雨倾盆、强光干扰、孩子突然冲出马路，AI的识别与反应依然不稳定。
为什么？因为它们“看不懂”现实世界。
今天的AI依赖的是二维图像、静态标注和抽象语义，它理解的是“物”，而不是“物理”：它不知道一块瓷砖在潮湿状态下会滑，也不懂高举手臂的人是在打招呼还是要挥拳。这种脱离物理常识的“智能”，本质上是一种“符号理解”，而非具身认知。
我们一度以为，算力提升和模型堆叠可以解决一切。但现实世界的复杂性远超想象——它是连续的、多变的、不可预测的。如果AI无法理解这些物理规律与变化逻辑，就很难真正落地于“世界”本身。
2、智能体应用爆发，产业却卡在三大瓶颈
2025年，被誉为“智能体元年”。无数新创业项目围绕AI Agent展开：从智能助手、AI外呼系统，到大模型驱动的机器人、自动化工厂、AI仓储系统。
但当这些智能体真正被拉入“现实场景”，问题接踵而至。
瓶颈一：训练数据难拿→模型泛化能力差
AI要想具身，首先要“看”世界。但现实数据昂贵、采集难度大、质量不一致（尤其在物理交互场景下，如抓握、避障、操作等）。模型往往只在“数据里强”，一旦环境稍有变化就“不会做题”。
瓶颈二：虚拟仿真不真实→模型迁移性能差
虽然工业界普遍采用仿真系统训练AI，但传统仿真环境缺乏真实性，材质、光影、碰撞反馈等不够真实，导致“Sim2Real”性能骤降。
瓶颈三：复杂任务推理弱→智能体“听不懂，还不会做”
具身智能不仅要识别，还要规划动作、拆解任务、应对变化。在复杂任务（如搬运多件物体、应对突发状况）中，当前的AI Agent仍缺乏真正的推理与自适应能力。
从人形机器人到自动化工厂，从智慧城市到无人驾驶，真正的AI落地不再只是“模型能力”，还是“世界理解能力”——感知物理环境、理解语境变化、做出合适反应。
产业需要的不再只是一个更大的语言模型，还是一个具身、具感知、具推理能力的“物理智能体”。
而这，正是NVIDIA试图解答的问题。
NVIDIA开了一味“药”，
让AI理解并重构真实世界
面对AI落地的“物理现实壁垒”，NVIDIA并没有试图用更大的模型去强攻短板，而是换了一种思路：
如果AI无法理解世界，不如先帮它建一个世界；
如果AI不会行动，不如先赋予它具身能力；
如果数据不够，不如让AI自己生成数据，再进行推理和决策。
这背后，是一套覆盖从环境构建、认知生成、推理预测到训练部署的完整技术体系。它不是单一产品的升级，而是一种底层逻辑的革新：AI不只是大脑，还需要身体、环境和世界模型。
而NVIDIA，正在用三个关键系统组件，回应这套逻辑：
1、 Omniverse：为AI搭建“可信的训练世界”
AI要真正理解世界，首先要在可信的、近似真实的环境中进行训练与测试。这正是NVIDIA Omniverse的使命——一个用于构建虚拟物理环境的工业级平台。
在最新版本中，Omniverse支持3D Gaussian Splatting技术，仅通过视频就能实现高精度三维场景重建，从而大幅降低训练数据采集与建模的门槛。
更重要的是，Omniverse不再是孤岛式仿真工具，它打通了主流机器人训练标准（如MJCF与OpenUSD），并与NVIDIA Isaac Sim和Isaac Lab实现深度联动，使工业级仿真与强化学习成为一体化流程。
换句话说：Omniverse让AI不只在纸面上“学技能”，而是在拟真的数字世界中完成全流程训练。
目前，Amazon与Hexagon已率先在使用Omniverse流式化工业数字孪生与物理AI场景仿真，面向感知、机器人与自动系统的开发。
2、Cosmos：赋予AI“世界认知”与“推理思维”
如果说Omniverse是训练场，那NVIDIA Cosmos就是AI的“大脑结构”。
Cosmos是一个多模态世界模型系统，由NVIDIA新发布的三大模块组成：
·Cosmos Transfer：自动生成覆盖多场景、多模态的合成数据，让AI不再依赖昂贵的“实拍数据”，实现训练数据“自给自足”。
·Cosmos Reason：基于VLM（视觉语言模型）进化形态，具备更强的推理能力，能将复杂任务拆解为结构化步骤，并结合物理常识做判断。
·Cosmos Predict：从静态理解进化为动态预测，可推演未来状态场景，适用于自动驾驶、城市安防等时空复杂领域。
目前，Uber等行业先驱正在使用Cosmos系列世界模型进行任务推理和合成数据生成，提升物理智能体系统在真实环境中的泛化能力。
通过Cosmos，AI不再只是“回答问题的语言专家”，还是一个能感知现实、理解目标、预测后果、规划路径的行动体。
3、DGX Cloud + Blackwell GPU：统一训练、仿真与部署的AI基座
训练再强，也要部署落地；仿真再真，也要上阵实战。
这正是NVIDIA用于“打通闭环”的底座——NVIDIA DGX Cloud+新一代Blackwell GPU架构。它不仅是算力的升级，更是物理智能体训练、推理、部署的一站式平台。该系统支持从云端训练到边缘端部署全流程迁移，适配工业机器人、智能摄像头、无人车等异构设备。
通过NVIDIA NIM，企业可一键部署模型，仅需几个API调用就能接入自家业务系统，加速AI Agent落地。
这意味着企业不再需要搭建繁琐的AI基础设施，而是“开箱即用”，从仿真、训练到部署，全流程由NVIDIA打包完成。
在生成式AI大潮中，安利中国算是比较早一批完成AI基础设施从通用计算向智能计算跃迁的企业之一。其核心选型，正是依托于NVIDIA DGX Cloud与NIM框架构建的智能体服务平台。根据文章披露，安利中国通过NVIDIA NIM框架优化模型推理效率，配合混合云资源调度，在内部办公与Copilot应用中效率提升显著，模型推理效率提升约40%，员工办公效率提升达50%。
总体来看，Omniverse提供训练环境，Cosmos提供世界理解能力，DGX Cloud和NIM提供部署链路——三者形成一个完整的物理AI全栈闭环。这不是某个单点技术突破，而是从感知→理解→推理→决策→执行的智能体能力建构路径。
有了这些，AI才能开始“看得懂、学得会、做得准”。
物理AI，正在真实世界扎根
技术从不应止步于发布，真正的价值，是在真实世界里“跑得起来、接得住、用得起”。作为一套面向现实构建的AI系统，NVIDIA的物理AI架构早已不仅停留在实验室里。
它已经，正在，并将持续渗透到机器人、城市治理、制造业等高价值场景中。
人形机器人，正接入NVIDIA技术栈
在人形机器人这条技术路线的风口之下，中国成为全球最活跃的市场之一。不同于以往“硬件先行、算法滞后”的路径，越来越多机器人公司开始选择NVIDIA的全栈机器人技术解决方案作为起点。
例如，北京人形机器人创新中心、智元机器人、银河通用等企业，统一采用NVIDIA最新的Jetson AGX Thor作为人形机器人的终端部署，配合Isaac Sim/Isaac Lab开展工业级强化学习与任务推理训练。
此外，国内云服务平台也在探索与NVIDIA NIM框架的集成，为智能体提供云端训练与部署闭环能力。
这不仅降低了具身智能研发的门槛，也加速了机器人从原型走向场景落地的速度。
企业借助NVIDIA提供的“具身AI开发基础设施”，形成协同生态，复制出更多“可落地”的智能体。
从交通保障到城市治理，物理AI重塑智慧城市底座
不仅是机器人，整个城市的感知系统也正在被重新定义。
例如，在法国SNCF车站、意大利K2K西西里交通系统等项目中，NVIDIA的Metropolis平台正被用于处理数万路摄像头视频流，结合Omniverse / Cosmos模型，实现城市级的物理AI感知推理。
通过统一平台调度，系统可以实现：交通状态实时识别、危险行为预测、能耗数据建模、应急响应规划等复杂功能，并做到分钟级部署、模块化集成。
相比传统“摄像头识别+异构算法”方式，物理AI平台更强调数据统一、语义标准、场景预测，在复杂城市系统中体现出更强的“可迁移性”与“前瞻性”。
想象一下：一座城市，不再只是被动“保障的对象”，而是一个具身的、智能的Agent，自主识别问题，自我调度资源。
当我们把人形机器人和城市治理放在同一个物理AI体系下，会发现：“具身智能”不再只是一个产品，而是一种能力结构。它可以部署在机器人上，也可以部署在城市的管理体系里，甚至未来可能进入无人机、工厂机械臂、智能终端。
而这场能力迁移与规模复制的起点，不仅仅靠某个超级大模型，还包括像NVIDIA这样能提供端到端整体解决方案的公司。
AI的下一个竞争维度：
从模型比拼，转向世界理解能力建设
过去十年，AI的竞争在“语义空间”——我们训练语言模型去理解文本、生成内容、掌握对话的逻辑；我们用图像模型去生成画面、识别物体、还原视觉。
但所有这些能力，最终都要穿越屏幕、走向物理世界。
而当这一步发生，AI的竞争维度也将彻底改写。从NVIDIA技术和产品的基础上展望未来，我们能看到以下几个发展方向
1、从“通用大模型”到“通用智能体”，世界模型成为新引擎
LLM（大语言模型）是认知的开端，但不是智能的终点。
未来的AI竞争，不再只是谁的模型更大、更快，还是谁能构建出更强大的“世界模型”——能感知空间、理解时间、预判动态变化，并做出合理反应的能力。
这背后，是对AI模型结构的新要求：
·从“死记硬背”转向“推理+常识”：基于VLM/VLA架构，逐步取代传统LLM的“符号堆叠”路径；
·从“语言为王”转向“多模态融合”：语言、图像、视频、3D、运动轨迹等多源信息统一建模；
·从“离身智能”转向“具身智能”：智能体不再只在云端运算，还要在机器人和边缘端实时运行。
NVIDIA的Cosmos就是这种“新型世界模型”的代表，它不生成语句，而是模拟决策过程；不只识别图像，而是能在物理场景中执行操作指令。
2、模拟先于现实：合成数据将取代90%的实景训练
在深度学习的世界里，数据是“燃料”。
但在现实世界里，数据往往昂贵、有限且带有伦理边界——特别是在自动驾驶、医疗、工业安全等高风险场景中。
因此，未来的AI系统将转向一种新范式：先在模拟中训练，再推理到现实中部署。核心技术包括：
·3D Gaussian Splatting + Omniverse + OpenUSD：构建高真实感虚拟世界；
·Cosmos Transfer + Predict：自动生成覆盖各类边缘场景的数据；
·自监督、仿真反馈闭环：通过自我优化+交互反馈，实现数据自动再生产。
模拟不再是“辅助工具”，而将成为训练AI的主场，现实数据只是“修正器”。
这正如游戏引擎之于虚拟现实，而AI的“仿真引擎”将成为理解物理世界的基础设施。
这一切——从环境仿真到世界模型，从训练到部署——最终汇聚成NVIDIA正在打造的下一代底座。
如果说CUDA是AI计算的引擎，那Omniverse+Cosmos+DGX就是物理智能体的 “操作系统”：
·Omniverse=虚拟世界建构器
·Cosmos=世界认知与推理引擎
·DGX Cloud + NIM = AI部署与执行平台
一个更深远的类比是：AI正如人类刚刚学会“语言与思考”，但还不会“劳动与交互”。NVIDIA试图做的，是为AI赋能手脚、眼睛和环境——把AI从“头脑”变成“生命体”。
AI不止于智能，更走向真实
人类的智能进化，从来不是线性的。我们学会了语言，不是为了炫耀知识，而是为了彼此理解；我们制造工具，不是为了重复劳动，而是为了改变世界。
而AI，正走在同一条路上。
从GPT掀起的语义革命，到如今物理AI重塑的现实感知，人工智能正在完成一次从“抽象思维”到“具身行动”的跃迁。
它不再困于数据的回声室，不再满足于语言的模仿游戏，而开始追问：“世界是什么？我在哪里？我能做什么？”
这是一次深刻的转向。
AI不再只是一种“计算能力”，而是一种“现实存在”的新形式。
未来某一天，我们或许不再将AI称为工具。它们会成为城市的神经、机器的意志、空间的灵魂。
它们不会只在云端思考，而会在地面奔跑、在空气中感知、在现实中生长。
那将是AI真正“落地”的时代，一个“可感、可知、可控”的现实世界，也终将被AI深刻地理解、重构与改变。
来源：数据猿
刷新相关文章
我要评论
不容错过的资讯
大家都在搜
