AI 技術(shù)正加速從數(shù)字世界延伸至現(xiàn)實物理世界，推動智能系統(tǒng)進入“物理 AI”時代。隨著機器人、自動駕駛及無人系統(tǒng)在制造、醫(yī)療、物流、安防等行業(yè)快速普及，用戶對其類人感知、自主決策與精準執(zhí)行能力的需求不斷提升，成為物理 AI 演進的核心驅(qū)動力。

IDC 預測，到 2026 年，AI 模型、視覺系統(tǒng)及邊緣計算將取得突破性進步，機器人可實現(xiàn)的應(yīng)用場景數(shù)量將增加 3 倍。全球機器人市場持續(xù)擴張，預計到 2029 年市場規(guī)模將超過 4000 億美元。其中，中國市場占據(jù)近半份額，并以近 15% 的復合增長率位居全球前列。

以 NVIDIA 為代表的廠商通過“仿真先行+云端訓練+端側(cè)部署”的路徑，推出并升級相關(guān)技術(shù)與產(chǎn)品，加速物理 AI 的落地與發(fā)展。

主要亮點提煉

物理 AI 的核心價值：物理 AI（Physical AI）是指使用 AI 技術(shù)對現(xiàn)實世界進行理解、推理、規(guī)劃并與之交互的模型，它們通常封裝在機器人或自動駕駛汽車等自主機器中。核心價值在于賦能機器人等自主體實現(xiàn)“感知一理解一執(zhí)行”閉環(huán)，使 AI 真正走入復雜現(xiàn)實環(huán)境完成自主決策與執(zhí)行。

物理 AI 面臨的三大挑戰(zhàn)：

具身模型缺乏環(huán)境、任務(wù)與本體的泛化能力，難以適應(yīng)復雜多變的現(xiàn)實場景；

訓練數(shù)據(jù)稀缺目獲取成本高，長尾場景難以覆蓋，制約模型泛化提升；

具身模型端側(cè)部署受算力、功耗與體積限制，難以支撐多模態(tài)感知與實時決策。

物理 AI 的實現(xiàn)依賴“三大計算平臺”：為應(yīng)對以上挑戰(zhàn)，物理 AI 的實現(xiàn)離不開強大的計算架構(gòu)支撐：認知訓練計算、虛擬仿真計算以及實時部署計算。

以 NVIDIA 為代表的廠商以“仿真先行+運動訓練+端側(cè)部署”的思路，正不斷推出并升級相關(guān)技術(shù)與產(chǎn)品解決方案，從而加速具身智能機器人的發(fā)展與規(guī)?；涞?。

仿真先行：

利用 NVIDIA Omniverse 構(gòu)建用于數(shù)據(jù)生成的物理仿真環(huán)境。

借助 NVIDIA Cosmos 世界基礎(chǔ)模型，縮小仿真和現(xiàn)實環(huán)境差距。

云端訓練：

依托超級計算機 NVIDIA DGX 平臺，利用NVIDIA NeMo可以進一步預訓練機器人基礎(chǔ)模型，使機器人理解自然語言、識別物體并規(guī)劃復雜動作等。

GR00T N系列基礎(chǔ)模型可作為開發(fā)基準，針對新的機器人策略開展后訓練工作，加速具身智能機器人的研發(fā)進程。

端側(cè)部署：

通過NVIDIA Jetson AGX Thor支持 AI 模型的低延遲實時推理。

案例分析

?？怂箍担℉exagon）與 NVIDIA 合作開發(fā)了人形機器人 AEON。AEON 的研發(fā)和部署，依托于 NVIDIA 提供的三大計算平臺及全棧式物理 AI 系統(tǒng)，構(gòu)建了一套涵蓋認知訓練—仿真優(yōu)化—端側(cè)部署的閉環(huán)能力體系。

仿真先行：基于OVX平臺與 Omniverse 構(gòu)建虛擬訓練體系，驅(qū)動技能快速學習。

模型訓練與微調(diào)：依托 DGX 平臺訓練機具身智能基礎(chǔ)模型。

實時部署與協(xié)作安全：借助Jetson Orin實現(xiàn)高效部署與邊緣推理。

借助 NVIDIA 全棧計算平臺，AEON 實現(xiàn)了從技能訓練到端側(cè)部署的高效閉環(huán)，取得了多維度的應(yīng)用成效。

歡迎深入閱讀全文，了解物理 AI 的最新進展及未來方向，以及以 NVIDIA 為代表的廠商如何通過技術(shù)升級及產(chǎn)品迭代，加速物理 AI 的落地與發(fā)展。