GTC 2026谈物理AI：这是所有人都可以�...

来源：市场资讯

（来源：科技行者）

作者｜高飞

GTC 2026的媒体圆桌上，英伟达Omniverse与仿真技术副总裁Rev Lebaredian提到一件事。他在这家公司工作了25年，"从我加入以来，每一次流片送到台积电，回来后都是一次性成功的。"

在芯片行业，多数公司要经历多轮流片迭代才能拿到合格的芯片。英伟达能做到一次成功，是因为始终在芯片设计团队旁边部署超级计算机，边设计边仿真，在流片之前就把bug清干净。他把这称为英伟达的"超级能力"。

这让我想起黄仁勋讲过很多次的一个创业早期故事。1997年，英伟达只剩几个月的现金，黄仁勋用公司大约一半的剩余资金，从一家即将倒闭的公司手里买了一台硬件仿真机，塞进了办公室的乒乓球桌旁边。他用这台机器在虚拟环境中完整测试了RIVA 128芯片，跳过原型阶段直接送去台积电量产。在半导体行业，此前没有公司这样做过。芯片回来后大获成功，四个月卖出100万片。

黄仁勋后来在Acquired播客中回忆这段经历时说："我们通过买这台仿真机，本质上是在虚拟环境中制作了芯片的原型。"仿真替代实物测试这件事，从英伟达创业初期就写进了公司基因里。Rev Lebaredian所讲的25年流片纪录，是这条基因的延续。

他讲这个故事，是为了说明一件事：过去只有芯片设计需要这种级别的仿真，现在世界上的一切都在变得同样复杂。

当前英伟达Blackwell GPU架构中，每个机架有120万个组件，三公里铜缆。一座价值数十亿美元的AI工厂，每1%的效率提升长期来看价值数亿美元。自动驾驶系统、通用机器人、工业自动化，这些Physical AI系统的复杂度正在逼近芯片本身。没有人能靠看图纸做判断，唯一的办法是仿真。

而仿真，恰恰是英伟达做了几十年的事。

理解了这个起点，就容易理解Rev Lebaredian接下来将近一个小时里反复论证的核心观点：Physical AI正在从一场少数人的封闭游戏，变成所有人都可以入场的开放赛场。他的一个例子是，拥有大规模车队不再是入场自动驾驶的前提条件。

英伟达Omniverse与仿真技术副总裁Rev Lebaredian

一、算力替代数据，Agent替代专家

Physical AI过去有一个基本假设：AI必须"见过"才能"做到"。自动驾驶系统需要在训练集中见过每一种路况组合，机器人需要在数据中经历过每一种操作场景。缺了哪一块，系统就在那一块出错。数据越多越好，采集永远不嫌多。这让拥有大规模设备和多年数据积累的公司天然占据优势，其他玩家很难追赶。

Rev Lebaredian说，两个技术变量正在改变这件事。

第一个是推理能力。过去的AI遇到没见过的复杂场景就卡住，但具备推理能力之后，AI可以把一个复杂场景拆成若干片段，分别处理，再组合。只要训练数据中有相似的片段，它就能应对全新的组合。他的比方很直白：人类也不需要事先经历每一种交通事故的精确场景才能在路上做出正确判断，因为我们会推理。

第二个是仿真。少量真实数据导入模拟器，虚拟环境中可以生成海量变体。真实世界的每一分钟，仿真可以跑出数百万小时的训练数据。

两条路汇到同一个地方：用算力替代数据。一条让AI更聪明地利用已有数据，另一条用计算机批量制造新数据。这很像2006年前后云计算对互联网创业的改变。AWS出现之前，做互联网服务得先建机房、买服务器、招运维。AWS之后，一张信用卡就能启动。Physical AI正在经历类似的事，被替代的不是服务器，而是过去需要花数十亿美元才能建立的数据采集体系。

Rev Lebaredian对此的判断很果断："任何人都可以去购买算力，开始构建Physical AI。"他还补了一句，即使有钱有时间做真实世界实验的公司，走老路也"太慢了"。速度本身就是选择新路径的理由。

不过，算力替代数据有一个前提：你得有仿真环境来把算力转化为有效的训练数据。而搭建物理精确的仿真环境本身就是一个瓶颈。Rev Lebaredian直说："全世界能做这件事的人非常少。"它要求同时精通3D世界构建和物理仿真设计，是一种极度稀缺的复合技能。

Agentic AI正在解决这个问题。他在采访中讲了一个案例，GTC主题演讲的准备过程中，英伟达团队把AI Agent与CAD工具和机器人仿真对接，一整周时间所有操作通过Telegram群聊完成，他本人就在群里。Agent重新设计了一个机械臂的夹爪使其能抓取咖啡杯，从建模到仿真测试，全程没有人类实际操作任何工具。

"就像我们和3D专家远程协作一样，只不过协作对象是AI。"

这背后是Agentic AI与专业工具的对接。OpenClaw是2025年底爆发的开源AI Agent平台，由奥地利开发者Peter Steinberger创建，四个月内GitHub星标超过25万，黄仁勋称之为"个人AI的操作系统"。2026年2月，Steinberger加入OpenAI，OpenClaw则转入独立基金会继续开源运营。英伟达在GTC上发布了NemoClaw，在OpenClaw基础上加入企业级安全和隐私管控。Rev Lebaredian描述的Telegram实验，展示的是把这类通用Agent能力接入专业CAD和仿真工具之后的效果。

他认为这个方向会很快铺开。CAD工具的开发商可以构建专精于自家工具的Agent，作为服务提供出去。使用仿真的人不再需要精通每一个技术细节，只需要描述需求。上世纪90年代部署一套ERP系统需要数百万美元和一年半实施周期，Salesforce把这件事变成了一个浏览器登录页面。AI Agent对仿真的改造走在同一条路上。

算力替代数据，Agent替代专家。Rev Lebaredian描述的是Physical AI入场门槛的两层松动，而且这两层是嵌套的：第二层解决的恰恰是第一层的前提条件。

二、自动驾驶已解决，机器人等临门一脚

有记者问Rev Lebaredian，Physical AI当前面临的最大挑战是什么。他的回答分成了截然不同的两半。

对于自动驾驶，他说："那基本上已经是一个解决了的问题。"挑战已经从科学问题转变为工程问题，核心是如何规模化部署。

这解释了GTC上密集的汽车合作发布。现代汽车集团将基于NVIDIA DRIVE Hyperion构建覆盖L2到L4的自动驾驶能力。Hyperion是英伟达的自动驾驶整车参考架构，把传感器套件、车载AI计算平台和软件栈打包成一套标准化方案，车企拿来就能用。现代汽车集团还将通过旗下合资公司Motional推进Robotaxi服务。同期宣布合作的还有BYD、日产、吉利。

记者追问，传统车企要多久才能追上特斯拉和Waymo这样的先行者。Rev Lebaredian的回答指向了他此前的论证。他说英伟达两年前做了一个判断：依靠传统的感知-预测-规划管线，靠堆积真实驾驶数据来覆盖每一种场景，这条路走不到L4。英伟达转向了以推理能力为核心的新架构。

CES 2026上发布的Alpamayo就是这个方向的产物，这是一个开源的推理型视觉语言动作模型（VLA），让自动驾驶系统可以像人一样通过链式推理来处理从未见过的复杂场景，而不是依赖训练集中的模式匹配。传统管线中积累的感知能力并没有被抛弃，它们现在作为"护栏"存在于系统内部，用来校验推理模型的决策是否安全。

他把英伟达的Hyperion架构比作AI工厂的预制化理念：传感器套件、计算和安全相关的一切都标准化了，采用Hyperion的车企相当于"即插即用"。

但对于通用机器人，情况完全不同。挑战仍然存在于每一个维度上。

首先是身体。"我们还没有造出好的机器人身体。"手不够灵巧，触觉传感器不够好，电机、电池、驱动器都需要大量创新。

但他对这个问题的归因很有意思：机器人身体不够好，根源不在工程能力，在于行业规模太小。硬件的进化需要规模效应。汽车越造越好是因为年产量够大，触摸屏在iPhone之后飞速进化是因为出货量撑起来了。机器人从未经历过这种规模爆发，因为在此之前，即使造出了完美的身体，也给不了它一个能工作的大脑。

"当ChatGPT出现的那一刻，一切都变了。"

他说的不是ChatGPT直接推动了机器人产业，而是ChatGPT证明了制造通用智能大脑的基础技术已经存在。大脑问题可解，投资造身体就有了回报预期。身体产量上去，规模效应启动，硬件提升，成本下降。更多真实使用产生数据反哺大脑，大脑越好应用越广，需求越大。飞轮的每一环都接得上。

Rev Lebaredian判断我们正处在临界点附近。他举了ChatGPT本身的例子：Transformer架构2017年就发表了，GPT-3在ChatGPT上线前已经存在将近两年，OpenAI自己都没预料到一个网页界面会引爆一切。"预测这种时刻是不可能的。"紧接着他又说："就技术而言，我们实际上已经拥有了让机器人真正有用的所有必要技术。"

他给了一个判断标准：一旦某座工厂完全实现自动化，所有看到的人都会想"我不能落后"。那就是机器人的ChatGPT时刻。

在仿真环境中模拟人类意图这个问题上，记者也做了追问。Rev Lebaredian的回答带着工程师的味道：仿真中的人类角色由LLM驱动的AI大脑控制，而LLM本身就具有不可预测性，每次反应都不同。"从仿真器的角度来看，仿人机器人和人类之间真的没有区别。人类只是更软一些。"他认为模拟人类行为的技术已经足够好了，人们和AI建立友谊甚至情感关系已经有好几年了。

三、不造机器人的机器人公司

英伟达在Physical AI中选择的位置，和它做芯片时的逻辑是一致的：不造终端产品，提供让别人造出好产品的基础设施。

它提供三台计算机：AI训练用的、仿真用的、边缘推理用的，然后让整个生态在这个基础上构建。Rev Lebaredian说，每家机器人公司至少在用其中一台，很可能两台，很多时候三台都在用。

"这使得英伟达成为全球最大的机器人公司，但我们自己不造机器人。我们只是放大了所有做机器人的人的能力。"

这个定位决定了英伟达对开源和开放的态度。记者问他为什么如此积极推动开放，他的回答有三层。第一层是现实判断：Physical AI太复杂太大，任何一家公司甚至任何一个国家都做不完，"我们需要所有人一起构建"。第二层是角色认知：英伟达处在整个生态的连接点上，"我们是世界上唯一一家与每一家AI公司都合作的AI公司，即使是那些想和我们竞争的公司"。第三层是利益一致："AI越发展，对我们计算机的需求就越大。我们创新得越多，使用token的理由就越多，需要的算力就越多。"

三层原因叠在一起，他用了一个很重的表述："这是我们的责任，是我们的荣幸，也是我们的荣誉。开发前沿的开放技术，然后免费提供给所有人。"

在这个框架下看GTC上的各种发布就很连贯了。Cosmos世界基础模型开源，Physical AI Data Factory Blueprint开源，NemoClaw开源。这是一种系统性的选择：把前沿能力做出来，开放出去，让尽可能多的人在这个基础上构建自己的东西。

Rev Lebaredian在采访中反复用到一个词：everyone。所有人都可以构建Physical AI。算力可以替代数据，Agent可以替代专家，仿真可以替代真实世界的试错。入场的前提条件正在一个接一个地被移除。

自动驾驶已经走过了那个临界点。通用机器人还在等。但用Rev Lebaredian的话说，所有的拼图都已经就位了。剩下的只是它们连接在一起的那一刻。