GTC2026：英伟达为了物理AI的下一个前沿做了哪些？

每一年的GTC，英伟达都在大家都关注的芯片和AI基础设施之外，留出来一些时间，讲讲下一个前沿：物理AI。

今年也不例外。

演讲压轴登场的迪士尼雪宝，是黄仁勋讲到的“三台计算机”理论最完美的代言人。

它不是预设程序的玩偶。它在 Newton 模拟器里经历了无数次摔倒和重心调整，最终将学到的运动策略直接“降临”到了真实的物理身体上。

这一幕不仅是娱乐，它证明了虚拟和现实之间的鸿沟（Sim-to-Real Gap）正在被弥合。这意味着，未来迪士尼乐园里的每一个角色都将是鲜活的、自主的物理 Agent。

英伟达为了物理AI的下一个前沿做了哪些？

一、自动驾驶的“ChatGPT 时刻”：可行性完成闭环

在物理 AI 的所有版图中，自动驾驶被黄仁勋赋予了最重的表述：“自动驾驶的 ChatGPT 时刻已经到来。”

这不仅仅是一个比喻。就像 ChatGPT 并不完美但证明了大语言模型的有用性一样，英伟达宣布：让汽车自主驾驶的可行性已经彻底被证明。这不再是一个“能不能”的问题，而是一个“规模化”的问题。

黄仁勋当场拉出了他的顶级朋友圈：比亚迪、现代、日产、极氪正式加入英伟达无人出租车平台。加上此前的奔驰、丰田、通用，这个生态圈每年的汽车产量高达 1800 万辆。同时，英伟达与 Uber 达成深度合作，计划在多个城市部署接入 Uber 网络的无人出租车。

最令人震撼的是 Alpamo（英伟达自动驾驶模型）的演示：当车辆在真实道路上遇到双排停放的障碍车时，它开始用自然语言解释自己的逻辑：“我的车道有一辆双排停放的车，我正在绕过它。”

这标志着自动驾驶从“感知-反应”模式进化到了“推理-解释”模式。它不仅在开车，它在理解物理世界。

如何制造一个具备人类智能的机器人？英伟达给出的答案是三台计算机。这个框架精准地切中了模型能力不足、仿真训练缺失、算力支撑薄弱这三大行业痛点。

这是机器人的“大脑养成所”。利用英伟达庞大的 GPU 集群，跑着和训练大语言模型一样的底层逻辑，去训练机器人的视觉感知、运动控制和物理因果推理。这是物理 AI 的智力源头。

这是英伟达最宽的护城河。黄仁勋反复强调：“对机器人来说，计算就是数据。”

真实世界的数据极其多样且危险，你不可能让人形机器人在现实中摔倒一万次来学习走路。但在英伟达的 Omniverse 虚拟世界里，你可以同时运行成千上万个模拟环境。

这就是装在机器人肚子里的 Jetson Thor。作为物理 AI 的“算力心脏”，基于 Blackwell 架构的 Jetson Thor 在 70 瓦功耗下提供 1200 TFLOPS 的算力。它让机器人无需联网，就能实时处理传感器数据、做出避障决策并控制电机。

在数字 AI 领域，我们熟知预训练、后训练、推理和 Agent 四个扩展定律。但黄仁勋提出了物理 AI 的第五个定律：物理模拟扩展。

“你有多少算力用来跑物理模拟，你就能生成多少训练数据。” 物理 AI 的瓶颈最终也回到了算力。这种逻辑将英伟达的业务推向了一个恐怖的闭环：为了让机器人更聪明，你需要更多的模拟；为了更多的模拟，你需要买更多的英伟达芯片。

黄仁勋在演讲中为物理 AI 的覆盖产业标了价，其体量远超数字 AI：

制造业（50 万亿美元）：ABB、库卡（KUKA）、发那科（FANUC）、安川电机（YASKAWA）——全球工业机器人“四大金刚”悉数在场。
电信（2 万亿美元）：这是最令人意外的布局。通过 AI-RAN（AI 无线接入网），基站不再只是信号发射器，而是变成了运行 AI 推理的基础设施节点。英伟达正与诺基亚、T-Mobile 合作，用 AI 实时优化信号。
医疗与生命科学：手术机器人（美敦力、CMR Surgical）正经历它们的 ChatGPT 时刻。

回顾这场发布，英伟达的野心昭然若揭：它不造机器人本体，它造的是“机器人大脑”和“机器人进化实验室”。

英伟达赌的是：一旦物理 AI 开始完成工作，对算力的需求将大到没有边际。而他们 20 年前开始构建的 CUDA 飞轮，已经成了这个物理世界的底层操作系统。

这种领先最难被复制，因为复制它需要的资源叫“时间”，而时间无法被购买。黄仁勋用 20 年做了一个决定，并每一天都相信它。现在，他正带着那个在虚拟世界里学会走路的雪人，稳步跨入那个由他定义的物理 AI 时代。