2026年10月21日,英伟达在柏林GTC大会上将「物理AI」确立为核心技术主线。黄仁勋在主题演讲中给出明确定义,下一波AI将理解物理世界并在其中行动。这一判断标志着AI产业的重心正从语言模型的符号推理向物理世界的因果理解迁移,机器人、自动驾驶和工业自动化成为这一迁移的主要载体。
物理推理能力,AI的下一道认知门槛
当前大语言模型在文本生成、代码编写和逻辑推理方面已展现强大能力,但面对一个简单的物理场景时可能完全失灵。黄仁勋在演讲中用了一个直观的例子来说明这个问题。一个球从厨房台面滚落到桌子另一侧,当前的大模型可能认为球消失了。但一只狗知道球仍然存在,会绕到桌子另一侧去寻找。心理学将这种能力称为「客体永久性」,即物体不在视野中并不意味着它不存在。
这一例子揭示了物理AI与传统语言模型之间的核心差异。语言模型处理的是符号世界的规律,包括语法、逻辑和事实关联。物理AI处理的是真实世界的规律,包括重力、摩擦力、惯性和因果关系。前者可以从海量文本中习得,后者必须依赖对物理世界的直接感知和交互训练。就好比一个人读完了所有游泳教材却从未下水,他知道自由泳的每个动作要领,但真正跳进泳池时仍然会手忙脚乱。物理AI要解决的正是让AI从「读过教材」到「下过水」的跨越。
物理AI让AI能力本身经历一次代际跃迁,从「会说话」到「懂物理」。装上机器人外壳只是表象。
这一判断来自英伟达官方议程的表述,也是理解整场GTC柏林大会发布逻辑的钥匙。所有后续工具链、参考平台和生态合作都围绕这一认知跃迁展开。
Isaac平台的五层工程闭环
英伟达在GTC柏林宣布大幅扩展Isaac开放机器人平台,核心动作覆盖五个层次。第一层是参考硬件,思灵机器人推出Agile ONE SN人形机器人参考平台,高1.40米、重40公斤、具备31个自由度、单臂负载3公斤。该平台预装NVIDIA Isaac GR00T并由Jetson Thor驱动,Jetson Thor算力达500 TOPS@INT8、功耗35瓦,预计2027年第一季度上市。第二层是运行时框架,新增Isaac OS运行时环境,负责机器人感知、规划与执行的实时调度。第三层是训练与仿真,Isaac Lab 3.0提供强化学习训练框架,配合Omniverse物理仿真引擎生成合成训练数据。第四层是数据集,新增Human 1M数据集覆盖多视角视频与3D手部追踪标注。第五层是部署工具链,打通从仿真训练到真机部署的完整路径。

这五层结构的设计意图很明确。以往机器人研发团队需要自行搭建从传感器驱动、运动控制到感知模型的全套软件栈,开发周期长且重复造轮子。就好比每家汽车厂商都要从零开始设计发动机、变速箱和底盘,而不是在统一平台标准上做差异化创新。Isaac平台把这五层打包成一条从数据生成、仿真训练到真机部署的集成路径,让工程师拆箱、接电、联网后即可完成站立、迈步、抓取的闭环任务,显著缩短从原型到验证的时间。
从机器人到通信网络,物理AI的跨域延伸
物理AI的应用范围并不局限于人形机器人。英伟达在GTC柏林同步展示了自动驾驶领域的Hyperion架构,该平台配备多摄像头、雷达和激光雷达,由双GPU系统驱动,正在被整合到大众、沃尔沃、捷豹路虎等车企的下一代车型中。在通信领域,CUDA首次打通实网AI-RAN通话,英伟达与诺基亚在T-Mobile网络上完成了基于AI-RAN的通话验证。黄仁勋据此判断,未来电信运营商将提供AI算力服务,电信基站有望发展为分布式AI网络节点。
这些布局指向同一个产业判断。物理AI的主战场覆盖机器人、自动驾驶和工业自动化三大场景,每个场景对感知精度、实时性和安全性的要求各不相同,但都需要AI系统理解物理世界的运行规律并做出符合物理因果关系的决策。英伟达将AI经济比作五层结构,从能源、算力、AI工厂到模型和应用,其在算力层的定位使其天然具备向上下游延伸的杠杆能力。
DSX POD模块化AI工厂的发布进一步佐证了这一布局。该方案将AI算力设施部署周期从约六个月缩短至最快14天,采用闭环液冷设计将冷却用水量降至接近零,MaxLPS动态功率分配功能可在相同Token产出下最多降低30%的电力消耗。就好比把一整座数据中心折叠进一个标准集装箱,运到现场接上水电就能开工。英伟达同步推动供应链扩产,联合IBIDEN、SEMCO和欣兴电子将基板产能提升至2.5倍,与安靠合作计划2028年底前将CoWoS-R产能扩大300%以上,CPO光引擎产能计划2027年年中提升至15倍。这些扩产行动表明英伟达将物理AI视为需要大规模算力支撑的长期产业方向。
ChatGPT时刻的时态判断
黄仁勋在演讲中对机器人产业的成熟度给出了一个值得关注的时态判断。他的原话是「The ChatGPT moment for robotics is rapidly approaching」,即「正在迅速逼近」。这个时态选择透露出克制。方向已经清晰,能力在快速靠近,但临界点尚未跨过。当前的人形机器人还无法做到随便扔进一个陌生场景就能自主完成任务。
这种克制判断与Isaac平台的工程化逻辑密切契合。如果物理AI的ChatGPT时刻已经到来,英伟达不需要推出参考平台、运行时框架和合成数据工具链。正是因为这一时刻尚未到来,才需要为它的到来修建基础设施。参考平台降低了硬件设计门槛,仿真工具链解决了训练数据稀缺问题,运行时框架标准化了部署流程。每一层工具都在压缩从实验室原型到产业落地的距离。
英伟达向欧洲科技生态投入近100亿美元,与超过1.2万家合作伙伴建立协作关系。德国计划与英伟达开展AI合作,聚焦物理AI与工业场景AI模型研发,预计获得数亿欧元政府资金支持。这些投资布局说明物理AI正从概念讨论进入产业资源配置阶段。当政府资金、企业研发和工具链生态三者同步推进,物理AI从「迅速逼近」到「真正到来」的时间窗口可能比多数预期更短。
