機器人不能在真實世界學重力！NVIDIA：Physical AI須先進數位孿生反覆犯錯

機器人不能在真實世界學重力！NVIDIA：Physical AI須先進數位孿生反覆犯錯機器人要進入工廠、道路或大樓工作，不能等到實際部署後才從碰撞、墜落與設備損壞中學習。NVIDIA（NASDAQ：NVDA）技術長Michael Kagan 2日在SEMICON Taiwan 2026大師論壇表示，Physical AI必須先把機器放進具有正確物理定律、感測器與環境條件的數位孿生，在虛擬世界反覆測試罕見甚至危險情境，再把學到的能力部署至真實設備。 Kagan以擦窗機器人舉例說：「當我買一台機器人清洗窗戶時，我不希望它在我的樓層或大樓旁邊學習重力定律。」機器人若直接在真實環境以試誤方式訓練，不只速度慢，錯誤還可能傷害人員或設備，因此在把智慧放進機器之前，必須先把機器放進數位世界。 模擬改變經驗成本，危險情境也能高頻重現 數位孿生不只是3D視覺模型，還要模擬重力、碰撞、物體材質、感測器回傳及設備動態。機器人可在其中重複遭遇真實世界很少發生的異常，並測試現場不適合直接嘗試的危險情境。Kagan表示，在算力足夠的條件下，一小時模擬可產生遠超過一小時真實操作的經驗，改變機器人取得訓練資料的成本結構。 模擬也不只用於部署前訓練。當機器人在現場遇到新環境，可先在推論階段模擬多種行動路徑，再選擇較適合的動作執行。這種Test-time Simulation增加另一層即時運算需求，使Physical AI除了中央訓練，還需要支援現場決策的模擬與邊緣算力。 Kagan把Physical AI的循環概括為：「集中訓練、大規模模擬、在地執行、全球改善。」AI工廠負責訓練模型，數位孿生提供經驗，邊緣設備在真實世界採取行動；大量機器人部署後收集的新經驗，再回傳並整合至中央模型，更新後重新分發至各地設備。這個循環不必半年或一季才進行一次，未來可能每天更新。 從訓練、模擬到邊緣執行，形成新算力鏈 Physical AI因此擴大既有AI算力鏈。訓練模型需要集中式AI工廠，數位孿生要大量生成合成資料並執行物理模擬，機器人端則負責低延遲感知與控制。NVIDIA Omniverse提供OpenUSD資料交換、RTX渲染、物理及感測器模擬，用於機器人、工廠與自駕系統在實際部署前的訓練、測試和驗證。 在基礎設施端，NVIDIA以Scale-up、Scale-out與Scale-across擴大運算，並透過NVLink Fusion把Scale-up網路作為可重複使用的架構模組，讓合作夥伴自有CPU或XPU接入。Kagan表示，從模型、通訊軟體、交換器到電力與冷卻都必須共同設計，因為擁有數百萬個元件的AI工廠，在任何時間都一定會有設備故障，系統須能隔離並繞過異常，避免小型故障擴大影響。 他認為，Physical AI的市場範圍將大於數位工作者，因為真實世界的機器、工廠與交通系統規模更大。但機器人要真正落地，不能只提升模型能力，也要建立從數位孿生、AI工廠到邊緣設備的回饋循環。能否讓機器人在虛擬環境先安全地「犯錯」，將決定Physical AI進入現場後的可靠度與部署速度。