博主头像

对话黄仁勋之子黄胜斌：物理AI、机器人、宇树科技、世界模型

外来客 • 2026-08-16 00:18:01

分享
𝕏 f ◉
声明：本文为对公开视频内容的摘要整理， 未经本站独立核实，可能与原视频存在出入，不代表本站立场、观点或建议； 观点与版权归原作者及原平台所有。 如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

🤖 物理AI与仿真现实差距

  • 核心观点：物理AI（Physical AI）的核心在于缩小“仿真到现实”（Sim-to-Real）的差距。现实世界是不完美的，而传统模拟器（如Omniverse）生成的合成数据往往过于完美（Ground Truth perfect），缺乏真实世界的“脏细节”。
  • 关键论据：
  • 世界模型（World Models）允许引入轻微的 imperfections（不完美），这种轻微的不完美对于训练模型适应真实环境至关重要。
  • 对于LLM，可以通过特征提取和特征工程来优化；但对于物理AI，需要明确优化目标以关闭仿真与现实的差距。
  • 代表世界的标准化方式至关重要，NVIDIA 使用 USD（Universal Scene Description）作为开源标准，旨在统一真实世界的物理特性表示，从而允许在不同工具链之间移动。

🏗️ 标准化物理表示与开源生态

  • 核心观点：NVIDIA 致力于标准化物理表示，避免开发者手动构建模拟器或求解器。
  • 关键事实：
  • Newton：NVIDIA 推出的开源项目，旨在提供标准化的物理求解器接口，使人们无需手动编写模拟器即可使用自己的求解器。
  • 开源策略：通过开源 USD 和 Newton，NVIDIA 希望将尽可能多的人纳入生态，因为标准化真实世界的物理特性表示是跨工具链协作的基础。
  • 平台化目标：构建一个公共平台，让开发者无需从零开始集成，而是基于现有标准进行开发，降低门槛。

🧠 机器人三层架构与训练逻辑

  • 核心观点：物理AI机器人平台包含三个关键层级：仿真（Simulation）、训练（Training）和运行时（Runtime）。
  • 关键论据：
  • 硬件差异：训练大型模型所需的硬件与模拟现实所需的硬件在根本上是不同的。
  • 工作流：首先训练一个“大脑”（模型/策略），然后在尽可能接近现实的模拟环境中测试该策略，最后部署到真实硬件上。
  • COSMOS：NVIDIA 的模型（转录中提及 COSMOS）在此架构中扮演重要角色，用于生成或处理相关数据，支持这一训练流程。

🤝 与宇树科技（Unitree）的合作逻辑

  • 核心观点：选择与宇树科技（Unitree）合作是因为其在全球范围内的普及度和市场影响力。
  • 关键事实：
  • 市场地位：宇树科技在机器人领域非常流行，拥有广泛的 OEM（原始设备制造商）基础。
  • 平台可访问性：NVIDIA 希望支持那些相对容易获取且易于维护的平台，这样开发者基础（Developer Base）会有更多选择。
  • 效率目标：目标是让开发者在获得机器人后的最初几小时内就能开始进行实际工作，而不是花费数周甚至数月进行集成和测试。
  • 全栈支持：NVIDIA 提供从底层微控制器、中间件到 Thor 芯片及板载智能软件的全栈（Full Stack）支持，确保安全性合规（Security Compliant），并让宇树科技可以基于此平台进行构建。

🛡️ 企业级安全与开箱即用体验

  • 核心观点：NVIDIA 正在将机器人平台转化为“开箱即用”（Out of the box）的体验，并特别强调企业级安全。
  • 关键论据：
  • 预优化：平台出厂时预加载了 NVIDIA 的软件栈，并进行了预优化。
  • 安全态势：当机器人进入企业网络或公司网络时，必须满足特定的安全态势（Security Posture），这与自动驾驶汽车的安全要求类似。
  • 集成优势：由于 NVIDIA 自身进行了深度集成，他们乐于让合作伙伴（如宇树）基于此进行集成，因为合作伙伴很可能也会基于 NVIDIA 的栈进行开发，从而形成一个稳固的平台基础。

博主头像 👤 同一博主

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。