春節前夕，黃仁勛照例開啟年會巡演，北京站成為各路CEO追星現場。大合照中，坐在黃仁勛左邊的是宇樹科技的王興興，第一排最右是銀河通用的王鶴。

三人曾在年初的CES展上有過一次“非正式會談”，當時黃仁勛演講到尾聲，人形機器人軍團壓軸登場，其中就包括宇樹在春晚轉手絹的H1、銀河通用的Galbot G1。

英偉達年會與2025年CES展

發布會現場，14臺人形機器人一字排開，有波士頓動力這種老牌選手，有宇樹這樣的行業新貴，還有跨界玩家小鵬，唯獨缺席了一邊買黃總的芯片一邊悄悄搞自研的特斯拉。

在機器人軍團壓軸登場前，黃仁勛公布了一系列大模型組成的機器人訓練平臺Cosmos。

Cosmos的作用可以簡單理解為在虛擬世界模擬真實的物理環境，瞄準的是當前人形機器人產業的真空帶、也是英偉達圍繞人形機器人布局的最后一環——仿真數據。

三個月后的英偉達GTC，機器人再度成為壓軸節目。除了Cosmos再度刷臉，英偉達還發布了一個人形機器人基礎模型Isaac GR00T N1，仿真物理模型Newton，并由小機器人Blue完成收尾。

機器人Blue（右）

如果把人形機器人視為人工智能領域一條正在瘋狂施工的高速公路，那么英偉達正在做的事情，就是提前把收費站先修好。

五年高考三年模擬

從年初的CES到前兩天的GTC，英偉達真正的關鍵詞是“物理AI”。

按照黃仁勛的說法，AI的新一波浪潮是物理AI，其關鍵環節是讓AI理解物理定律，人形機器人則是當下最重要的載體。

傳統的工業機器人大多基于特定的規劃執行特定的操作，比如運輸和分揀，與其說機器人，倒不如說是一種“自動化設備”。

但人形機器人在理想狀態下，可以理解物理世界各種物體、語言和文字的含義，并自主規劃和決策。

2023年7月，《紐約時報》探班谷歌實驗室，記錄了一個基于RT-2模型的機器人智能閃現的瞬間： 桌子上放著恐龍、鯨魚、獅子三個塑料玩具，工程師讓機器人“撿起滅絕的動物”，機器人拿起了恐龍。

這個案例很好的說明了人形機器人最大的變革：機器人不僅能識別三種動物，也能理解“滅絕的動物”的含義，還可以完成具體的操作。

基于RT-2模型的機器人

也就是說，兩者的核心區別在“智能”。判斷機器人的智能化程度，不是看它會不會前后空翻大劈叉，而是能不能像人一樣思考。

和大模型訓練一樣，讓機器人擁有思考能力的過程，同樣是對數據的消耗——換句話說就是刷題。

人工智能泰斗級人物李飛飛曾對算法的訓練過程有一個形象的解釋：讓算法不斷觀察包含貓和其他動物的圖片，在每張圖片背后寫下正確答案。計算機每看一次圖片，就和背面的答案核對一次。只要次數夠多，算法就能學會辨別貓。

但問題是，寫好答案的圖片并不是現成的。

和GPT等大模型爬取互聯網數據不同，機器人會和真實世界產生交互，因此需要遵循物理規則的真實數據來訓練算法。但如果用真人動作捕捉來訓練，不僅成本高，也容易坐實“AI奴役人類”的地獄笑話。

之中的數據空白，就成為了仿真數據的實踐空間。所謂仿真數據，可以簡單理解為在虛擬空間構建遵循真實世界物理規則的場景，并輸出為可以被用來訓練的數據。

馬斯克就是仿真數據的鐵桿粉絲，2021年的特斯拉AI Day，馬斯克曾公開過自家數據仿真技術，當時生成并投入訓練的仿真數據規模就已經達到了37.1億張圖片和4.8億標注[2]。xAi最新發布的Grok 3，也投喂了大量仿真數據用于訓練。

自動駕駛尚且可以搜集車主真實的行駛數據用于訓練，機器人尚未大規模投入應用，對仿真數據的需求更為迫切。

真實數據和仿真數據就像“五年高考”和“三年模擬”，一個是真題，一個是模擬題。真題的參考價值更高，但數量有限，模擬題量大管飽，但參考價值要看它與真題的相似程度。

至此，英偉達湊齊了人形機器人開發“三大件”——超級計算機DGX（訓練算力）、融合了Cosmos的仿真平臺Omniverse（訓練數據）、終端芯片Jetson Thor（推理算力）。

除了沒下場造機器人，能干的活基本全干了。

物理騙術和算力游戲

在虛擬世界構建物理規則這件事上，英偉達的積累恐怕比大部分人想象的深厚。

一項技術的應用并不取決于技術本身，而是能否綁定一個高商業價值的場景，實現自我造血的良性循環。在機器人和自動駕駛大規模產業化之前，最匹配這項技術的英偉達的老本行：游戲。

大多數游戲都是對現實世界的模擬，但虛擬世界并不遵循現實世界的物理規則，小到游戲世界草木樹葉飄動的方向、服裝布料的褶皺，大到刀劍揮砍的力度和反饋效果，都會影響游戲的“沉浸感”。

一種改進思路由此產生：為什么不用物理公式計算物體的實時運動狀態、設計運動軌跡呢？

當時，一家名叫Ageia的初創公司開發了物理引擎PhysX，通過對游戲畫面中的物體做“受力分析->代入運動方程->更新位置信息->輸出”的實時循環計算[3]，讓游戲中的場景盡可能貼合真實世界的物理規則。

由于PhysX需要消耗大量算力，Ageia還專門開發了配套的硬件PPU（Physics Processing Unit）專門負責物理運算。可惜PPU銷量慘淡，Ageia瀕臨倒閉，黃仁勛騎著白馬就來了。

收購完成后，英偉達干的第一件事就是砍掉PPU產品線，將PhysX的計算工作交給自家的GPU，并推出針對游戲開發的軟件工具箱PhysX APEX，降低使用門檻。

由于PhysX的特性是對物理規則的模擬和仿真，此后幾年，英偉達還推動了PhysX在醫療手術、影視特效等工業場景的應用。

2019年，英偉達在GPU架構中引入RT核心，推出了光線追蹤功能。

和PhysX類似，光線追蹤的核心同樣是對真實物理規則的模擬——根據物體和光源、障礙物間的相對位置，實時計算出光線反射至人眼的狀態[4]，每束光線的實時計算結果組合成一幀的畫面，讓英偉達狠狠秀了一把算力的肌肉。

伴隨自動駕駛、人形機器人這些新產業的出現，“在虛擬世界模擬物理規則”的需求也越來越大。

Cosmos和Omniverse等軟件工具的出現，相當于英偉達給人形機器人建了個可以沉浸式訓練的“健身房”，接下來就可以賣“私教課”了——你看我的芯片怎么樣？

英偉達的野心

過去二十年，英偉達的經營思路可以用一句話來概括：讓高性能計算不斷覆蓋高價值的場景。

GPU是高性能計算的載體，也是英偉達的核心產品。2010年之前，雖然一些學者已經開始使用GPU訓練神經網絡，但GPU對應的高價值場景其實只有游戲一個。

按照黃仁勛的說法，游戲市場 “既代表著最棘手的技術難題，又具備驚人的市場規模，同時擁有這兩個特質的市場非常罕見。”

英偉達開拓的第一個新場景是移動設備。2013年小米3發布，處理器采用高通驍龍800和英偉達的Tegra系列混搭，是英偉達切入手機市場，開辟顯卡之外第二戰線的絕佳機會。

當時，英文不好的雷軍和中文不好的黃仁勛罕見同臺，黃仁勛現場還當了一回米粉。

小米3發布會，2013年

可惜Tegra芯片因為制程和外掛基帶問題，能耗失控發熱嚴重。英偉達的移動業務此后也未見起色，Tegra系列只能在任天堂Switch上發揮余熱。后來黃仁勛去臺大演講，稱英偉達“主動放棄”了智能手機市場。

第二個場景是自動駕駛。最先吃螃蟹的是特斯拉，Model S/X都曾搭載過英偉達的方案。黃仁勛也從米粉變成特斯拉車主，跟馬斯克如膠似漆。

黃仁勛在社交媒體上分享自己的Model X

雖然特斯拉后來用自研方案替代了英偉達，但有了榜樣的力量，英偉達還是順利打入造車新勢力內部。不過汽車業務在英偉達的版圖中遠不如游戲和數據中心耀眼，營收占比幾乎從未超過5%。

第三個場景是人工智能。ChatGPT的橫空出世讓英偉達徹底打開收入天花板，計算機視覺、大語言模型等前沿計算機科學統統都離不開英偉達的芯片，也讓后者成為了全球市值最高的半導體公司。

2016年，馬斯克作為OpenAI董事長簽收英偉達DXG-1

第四個場景就是人形機器人，以及更加廣闊的“物理AI”。按照黃仁勛的說法 ，“我們正處于生成式人工AI階段，將走向智能體AI時代，隨后是物理AI時代。”

而在具體思路上，英偉達不僅提供芯片，還會開發對應的軟件工具箱和配套服務。換句話說，英偉達不僅賣鏟子，也提供全套的保養工具和防護設備，但必須搭配英偉達牌的鏟子。

在游戲業務里，光線追蹤、DLSS等功能必須搭配英偉達的GPU使用；類似的邏輯，英偉達不僅向大模型和云計算公司出售GPU，還會提供NVLink這類通信連接方案、CUDA編程平臺與之牢牢綁定。

隨著今年GTC演講結束，Cosmos、Newton等軟件和模型的發布，一個圍繞GPU與“物理AI”的收費站也宣告落成。

如果黃仁勛中文水平夠高，多少也得來一句“英偉達不造機器人，幫助機器人公司造好機器人”。

參考資料

[1] 未來簡史，尤瓦爾·赫拉利

[2] 萬字長文詳解特斯拉自動駕駛體系，自動駕駛之心

[3] 給我一個物理引擎，我也能“預測”世界杯？中科院物理所

[4] “光線追蹤”雜談，電子報

[5] Unimate 機器人：工業自動化的起源，AGV

編輯：李墨天

視覺設計：疏睿

責任編輯：何律衡