【长期主义】第353期智能说：王兴兴演讲，与英伟达、银河闭门会

2025世界机器人大会上，宇树科技创始人、CEO、CTO王兴兴发表演讲，分享对全球机器人行业发展现状最新观点。

王兴兴认为，人形机器人行业已经走到ChatGPT时刻前夜，最快1~2年，就能迎来该时刻；政策支持与需求爆发，2025年上半年，人形机器人整机与零部件厂商平均实现50%~100%增长，幅度惊人；未来2~5年，智能机器人技术重心，是端到端具身智能AI模型。

2025世界机器人大会期间，英伟达Omniverse与仿真模拟技术副总裁Rev Lebaredian，与英伟达机器人生态伙伴宇树科技创始人王兴兴、银河通用创始人王鹤，和多家媒体举行闭门交流会，深入探讨物理AI未来发展路径。

Rev Lebaredian对中国市场在物理AI领域发展表示高度认可，表示中国在物理AI与机器人领域，具备独特规模与人才优势，形成独一无二生态系统，为物理AI与机器人产业快速发展，打下坚实基础。

本期长期主义，选择宇树王兴兴最新演讲，英伟达与宇树、银河通用创始人闭门会全实录，智东西、腾讯科技发布，六合商业研选精校，分享给大家，Enjoy！

正文：

全文15,616字

预计阅读32分钟

宇树王兴兴最新演讲：数据不是具身智能最大挑战

时间：2025年8月9日

字数：3,156

2025世界机器人大会上，宇树科技创始人、CEO、CTO王兴兴，分享对全球机器人行业发展现状最新观点。

王兴兴认为，人形机器人行业已经走到ChatGPT时刻前夜，最快1~2年，就能迎来该时刻；政策支持与需求爆发，2025年上半年，人形机器人整机与零部件厂商平均实现50%~100%增长，幅度惊人。

王兴兴指出行业内存在几大误区。

首先，人形机器人大规模应用的最大问题，不是硬件，是具身智能。

硬件在量产工程化上，仍有提升空间，具身智能问题更为明显，无法驱动机器人自主完成任务，背后原因不是大家普遍关注的数据问题，是模型架构问题。

王兴兴称，未来2~5年，智能机器人技术重心，是端到端具身智能AI模型。

当前行业常见的VLA视觉-语言-动作模型，在他看来是傻瓜式架构，他对这类模型持怀疑态度。

由视频生成模型，或是世界模型驱动机器人控制，是王兴兴眼中有望更快收敛的技术路径。

机器人研究还需要在强化学习的扩展定律Scaling Law上实现突破，让每次训练的速度越来越快，学习新技能的效果越来越好。

随着机器人日益普及，分布式算力将成为大势所趋，有望突破机器人本体搭载算力的限制，满足实际应用过程中，对安全性与通信延迟的要求。

王兴兴演讲中回顾宇树科技发展，从2013年研发机器狗X dog原型机开始，获得第一桶金8万元，再到2023年应客户需求推出首款人形机器人，认为机器人与AI的发展，始终是全球共创的过程，鼓励更多企业与高校参与到这一过程中。

王兴兴精彩演讲内容整理：

我分享我个人对全球人形机器人行业的看法。

2025年上半年，最大特点是机器人行业非常火爆，政策相关支持，整机厂商、零部件厂商，平均实现50%~100%增长。增长幅度非常吓人，对整个行业都是十分罕见，需求端拉动整个行业发展。

海外市场方面，特斯拉作为行业代表，计划2025年量产数千台人形机器人，并将发布第三代人形机器人Optimus V3，值得重点关注。

全球企业对机器人行业热情高涨，包括英伟达、苹果、Meta、OpenAI等企业，都持续推动这一领域发展。

我分享个人观点，未必准确。

第一点，对机器人本体，很多人可能会有这样一个误区，机器人目前没有大规模应用、功能不够完善的原因，是硬件不够好，或者成本比较高。

目前的硬件，无论是整机、还是灵巧手，某种意义上完全够用。

不够好，还需要优化，更大问题是量产，工程上问题是很多的。

技术层面上，或者从AI角度，目前硬件完全够用。

目前最大挑战是具身智能，或者说AI技术发展，完全不够用。

这是限制当前机器人，尤其是人形机器人大规模应用的最大问题。

目前，机器人行业所处位置，类似ChatGPT诞生前1~3年左右，目前业界已经发现类似方向、技术路线，没人把它做出来。

ChatGPT出来的前几年，做语音AI的已经做了十几年，近20年，大家一直觉得他很傻瓜，很弱智，根本完全没法用。

ChatGPT出来后，它实现比一般人还要强的能力。

机器人没有到达这一临界点，对机器人的AI技术，我觉得临界点可能是这样，当一个人形机器人能够进入完全陌生的环境，比如从未见过的会场，我跟他说，把这瓶水带给某位观众，或是整理一下这个房间，它能够顺畅自主完成任务，这是人形机器人的ChatGPT时刻。

如果进展快，可能未来1~2年或者2~3年，我们能实现这一目标，最慢3~5年有很大概率能实现。

目前，具身智能不够用的问题，究竟是模型，还是数据导致，我感觉目前全球范围内，大家对机器人数据这个问题关注度有点太高。

现在最大问题，是模型的问题，不是数据问题。

对具身智能与机器人，模型架构都还不够好，不够统一。

大家对模型问题的关注度高，对数据的问题关注很多。

大语言模型领域，大家觉得我有足够多数据，尤其有足够多、好的数据时，我就能把模型训练的越来越好。

在具身智能，在机器人领域，很多情况下有了数据，会发现这个数据用不起来。

相对比较火的是VLA模型，VLA是相对比较傻瓜式的架构，我个人对VLA模型是保持比较怀疑的态度。

VLA模型在与真实世界交互时，它的数据质量、能采集的数据不太够用。

有个简单的想法，是在VLA模型上面加一个RL训练，这是非常自然的想法。

我个人感觉，包括我们公司，目前尝试下来，VLA模型加RL训练，我觉得还是不够，模型架构还是得再升级与优化。

这里简单分享一下我们过去做的一些事。

大家可以关注到，谷歌发布全新一代视频生成模型，或者某种意义上是一个视频驱动的一个世界模型。

2024年时，当OpenAI发布视频生成模型后，大家会有很自然的想法，我可以控制一个视频生成模型，跟他说帮我生成一个机器人，整理一下房间。

如果模型生成的视频中，机器人可以完成任务，我是不是能让这个视频生成模型，直接驱动一个机器人完成任务。

这个想法非常简单直接，我们2024年时，做了这个事情。

右上角视频是生成出来，不是用摄像头采集。我们用一个预训练的视频生成模型，重新训练了一下，让他先生成一个机器人动作视频，再控制一个机器人做，这个技术是能实现的。包括谷歌的视频生成世界模型，他们也想实现这个效果。

我觉得这个路线方向，可能会比VLA模型发展得要快，收敛概率更大。我不敢打包票，可能还是有很多问题。

有个很大问题是，视频生成模型，太关注视频生成质量，导致对GPU消耗有点大。

对机器人干活，某种意义上，不需要很高精度的视频生成质量，只要驱动机器人干活就行。

可以关注谷歌视频生成模型，还是非常有意思的。整个模型架构非常简单粗暴，是把机器人的一些动作序列控制，直接对齐到模型架构上。

目前机器人跳舞、打格斗效果不错，面临很大的问题，如果要进一步提升机器人能力，也是机器人RL的Scaling Law，还是做得非常不好。

举个最简单例子，我训练一个机器人做新动作、跳新舞蹈，都要重新训练，还是从头开始训练，这是非常不好的一个事。

我们是希望机器人每次做一个新训练时，可以在过去训练基础上进行。

理论上，我做RL训练时，每次训练的速度应该越来越快，学习新技能的效果越来越好。

全行业内，目前整个机器人在RL的Scaling Law，没有人做出来、做好，我觉得这是非常值得做的一个方向。

RL Scaling Law，在语言模型上，已经是充分验证过的事，在机器人的运动控制上面，才刚刚开始。

我个人感觉，未来2~5年，智能机器人技术重心是端到端的具身智能AI模型，我觉得模型本身是最重要的，然后是更低成本、更高寿命的硬件，这个是毋庸置疑的。

对汽车行业，已经一百多年，哪怕到今天，一家企业要做很好的一辆汽车，工程量还是非常大。

对机器人行业，未来如果每年要生产制造几百万、几千万、甚至几亿的人形机器人，工程量挑战是非常惊人。

低成本的大规模算力，也很重要。

人形机器人上，或者在移动机器人本体上，没办法直接部署大规模算力。它的尺寸只有这么大，它的电池只有这么大，它部署算力的功耗是有限制的。

我个人感觉在人形机器人上，最多只能部署峰值功耗为100瓦的算力，平时工作时算力只有小几十瓦，简单说就只有大概几个手机的算力水平。

未来机器人，是需要大规模算力，我觉得可能是分布式算力。

机器人干活时，我们希望通信延迟比较低，如果在北京干活的机器，数据中心在上海或者在内蒙，延迟实在是太大。

我个人感觉，未来在工业领域，大规模运用人形机器人时，工厂里面可以有个分布式服务器，所有机器人直接连接工厂里局部服务器就好。

服务器的安全性、通信延迟是可以接受。

或者换一个话题，如果一个小区，每家每户有一个机器人时，在这个小区可能是有分布式集群算力中心，可以保证延迟与安全性。

如果有新客户想买一个人形机器人时，他不需要给这部分算力的建设花钱，成本会低很多。

我觉得分布式算力，会是机器人行业未来非常重要的一个领域，可能比目前算力的分布还要更广一些。

AI、机器人一直是全球共创的过程。中国的企业、美国的企业，包括英伟达等，已经做出很多贡献。

AI领域，没有一家大公司能保证，只要有足够的人、足够资源，就能永远领先。

OpenAI与DeepSeek已经证明，AI的创新，永远伴随一些随机性，伴随更多聪明的年轻人。

很多情况下，都是很多公司、高校做出的贡献，还是要全球共创出来。

物理AI如何变革机器人产业，英伟达与宇树、银河通用创始人闭门会全实录

时间：2025年8月10日

字数：12,460

黄仁勋在2025年多次演讲中提到，英伟达NVIDIA正积极布局物理AI。

物理AI，将使机器人与自动驾驶汽车等自主机器具备运动技能，帮助它们理解，并与现实世界互动。

黄仁勋强调，物理AI将为机器人领域带来革命性突破，直言我们已经进入AI推理时代，下一波浪潮将是物理AI。

2025世界机器人大会上，英伟达Omniverse与仿真模拟技术副总裁Rev Lebaredian表示，物理AI将撬动万亿美元级实体经济。与IT产业5万亿美元规模相比，制造、物流、医疗等物理产业的总量，比IT产业大2个数量级。

若机器人能够将算力与这些产业连接，将极大提升生产力，带来指数级变化。

会后，英伟达Rev Lebaredian，与英伟达机器人生态伙伴宇树科技创始人王兴兴、银河通用创始人王鹤，和多家媒体进行了一场闭门交流会，再次深入探讨物理AI在未来发展路径。

会上，Rev Lebaredian对中国市场在物理AI领域的发展表示高度认可，表示中国在物理AI与机器人领域具备独特的规模与人才优势，形成独一无二的生态系统。中国不仅在制造电子硬件与机器人关键部件方面，具备深厚的专业能力，还拥有全球领先的制造规模。这些优势，为物理AI与机器人产业快速发展，打下坚实基础。

交流会完整版实录

嘉宾分享环节

英伟达副总裁Rev Lebaredian：物理AI将计算带入现实世界的智能革命

过去30~40年里，我们建立计算机产业与IT产业，它们放大各行各业能力，当时计算的影响，大多停留在信息空间，也就是可以数字化的内容，比如语言与各种可编码的信息。

互联网的出现，让计算技术真正走进每个人生活，把所有人连接起来，带来几十年增长。

全球市场规模看，相比IT行业总规模约5万亿美元，与全球所有行业超过100万亿美元的总量相比，只是很小的一部分。其它行业更有价值，是它们处理的是真实世界的原子，交通、制造、供应链、物流、医疗、制药等涉及物理世界的领域。

今天，随着AI的出现，我们终于有了让机器具备物理智能的能力，可以把物理世界与信息世界真正连接起来。

计算的力量，不再只局限5万亿美元的信息市场，可以进入100万亿美元的物理世界市场。这个桥梁，是机器人。有了机器人，我们能把计算与AI，带进真实世界，创造出能理解、改变物理环境的智能体。

中国是实现这一跨越的最佳地点，这里具备独一无二的条件。

顶尖AI人才：全球近一半AI研究人员与开发者在中国，包括来自顶尖大学的最优秀人才。

电子与计算技术能力：中国不仅有技术研发能力，还有全球无可匹敌的电子制造产业，这在物理AI与机器人领域至关重要。

庞大的制造业基础：这里有大规模部署与测试机器人的真实场景，可以快速收集数据、迭代算法，让机器人不断进化。

在世界机器人大会上看到如此多的能量、能力、热情，并不令人意外。

NVIDIA也为这幅拼图，贡献了独特的一块。

我们早已梦想参与解决这一问题，并为此努力了很长时间。

在机器人领域，我们打造了三台计算机。

机器人本体计算机：嵌入在机器人内部，例如自动驾驶汽车或人形机器人中的计算机。

专门为人形机器人打造的Jetson Thor，属于这一类，2025年在WRC展会上，可以在 Galbot与其他展出的机器人上看到它们身影。

AI工厂计算机：在使用机器人本体计算机之前，必须先开发它的大脑。需要依赖DGX与HGX系统，处理海量原始数据，生成物理AI算法、物理AI模型、神经网络，再部署到机器人上。

仿真计算机：物理世界的数据，无法直接从互联网获取，只能通过两种方式获得，真实世界传感器采集；基于物理定律与世界规则进行计算机仿真生成。

仿真不仅能生成数据，还能在部署前测试机器人，确保它们在真实环境中安全运行，测试速度可快于现实时间。

在机器人领域，NVIDIA拥有完整的Isaac平台，结合了硬件与三台计算机所需的软件栈，包括运行时与计算环境、仿真工具、训练框架。

NVIDIA Jetson Thor，是一款专为物理世界的智能推理代理，特别是机器人打造的超级计算机，黄仁勋称它为实时推理机器。

Jetson Thor性能亮点：算力是上一代Jetson Orin的7.5倍，接近10倍；每瓦性能提升 3.5倍；CPU性能提升3.1倍；I/O吞吐量提升10倍，满足高带宽感知需求。

Isaac平台包括NVIDIA的模拟器与仿真框架。

Isaac Sim：环境与传感器仿真、机器人测试、生成合成数据。

Isaac Lab：强化学习的仿真平台。

NVIDIA Cosmos：世界基础模型与框架，支持构建理解物理世界的AI，与Omniverse等模拟器结合，生成更精确、更大规模的数据。

世界基础模型处在起步阶段，尚不能完全理解世界，已经非常有用，为机器人研发带来全新能力。

宇树科技王兴兴：AI与机器人协同进化，迈向下一个科技时代

过去几年，我们非常重视人形机器人这一方向。

某种意义上，我将人形机器人视为通用机器人的重要载体。

通用AI，是目前全球最主流的发展方向，真正的通用AI，在执行任务时，离不开机器人，尤其是通用型机器人。

对比看，目前人形机器人是最理想的专业机器人形态。

看上去较为复杂，实际结构不如想象中复杂，本质是由若干关节电机串联而成。结构相对简单，不像履带式小车或其他形式的机器人更复杂。

我一直相信，当通用AI大规模成熟后，每个人都可以轻松制造一台人形机器人，类似今天人们可以购买电脑零部件组装一台电脑一样。

未来若AI足够强大，对硬件的要求会越来越低。

我们在2024年5月发布一款机器人，当时售价约9.9万人民币，至今依然具备很强的市场竞争力。

它的关节数量与灵活性表现优秀，在发布后，架构已成为全球较为主流的设计构型。

2024年下半年~2025年，不少新兴机器人公司的新产品在架构上，与这款相似，仅在外观上存在差异。

我们设计的造型流畅、结构简单，其他造型可能更复杂、不够美观，该产品在市场上竞争力较强。

近期我们又发布新的版本。

涂装稍显花哨，我们希望客户可以自由改装与喷涂外观，例如更改颜色或增加个性化装饰。

许多客户在户外直播时，会为机器人穿衣、戴帽或假发，创造出多种造型。

外观与造型的可定制性，对客户体验至关重要。

这款新版本售价，约3.9万元人民币，全球竞争力强，性能表现出色。目前现货可供，预计量产在年底前完成。

我们近期发布A2机器狗，最大特点是在紧凑轻量化设计下，实现较大负载能力。

自重约37千克，持续负载可达30千克，空载续航可行驶20公里。

外观吸取以往设计经验，更具科幻感，具备防尘、防水性能。

我们一直希望机器人，能在工业场景中，替代人类完成繁重、危险或重复性工作。

我们机器狗，在一些公益项目中，已实现24小时不间断运行，具备自动充电与巡逻检测功能。

2024年底，我们升级轮式机器人，这款产品较大，自重约70~80千克，部分场景不便使用。

我们推出更小型、防尘防水版本，适用室内外多种场景。体型较大，灵活性优秀。

通常小型机器人灵活性更强，大型机器人灵活性较差，我们在较大尺寸下，保证良好的运动性能。

2025年1月，我们机器人登上央视春晚，最大亮点是全自动编队跳舞。它在头部配备三个激光雷达，可自动建图，变换队形。

为适应舞台演出，我们将后台控制权，交给舞台控台，使音乐与动作实现毫秒级同步。

此次演出，共有16台机器人，统一连接至我们后台服务器，再接入舞台系统。

该项目的最大挑战，在于多机协作与复杂的编程维护。

目前，这些机器人在中国澳门美高梅，每日进行表演。

动作学习方面，我们通过采集人体动作数据、结合深度强化学习进行训练。

不同于语言模型训练，动作训练只需少量真实数据，其余由强化学习完成。

我们主要使用NVIDIA的Isaac Sim平台进行训练，已掌握舞蹈、跳跃、空翻等多种动作。

当前限制机器人执行更复杂动作的最大因素，并非算法，是硬件物理极限。

例如，要将奔跑速度，从每秒3~4米，提升到10米，对硬件的改进需求极高。

我们重视机器人上肢与手部研发，目前已自主开发一款约20自由度的灵巧手，目标是让机器人真正能够执行日常任务，不仅是完成展示性动作。

希望在未来1~2年内实现自然交互，例如在没有预先适配情况下，直接指令机器人为某人倒水。

2025年5月底，我们与央视合作，举办一场机器人格斗赛，时长约1.5小时，包含4个团队参赛。

格斗赛的算法复杂度，高于舞蹈或功夫表演，动作组合随机、存在强干扰，要求动作衔接流畅，可自由组合。

我们目标，是在未来实现任意动作的任意实时生成。

我们发布R1机器人，重量约25千克，轻便、安全。

体积较小，动力性能强劲，主要面向工业应用；算法与人形机器人类似，四足机器人的稳定性更好，可完成更剧烈动作，不易损坏，具备较强越障能力。

回顾过去，AI与机器人技术的发展，始终是全球协作的成果，包括NVIDIA在内多方力量，一直推动机器人与AI领域全球合作。

在通用智能大模型与真正能执行任务的机器人普及之前，我们仍需共同努力，推动人类进入下一个科技时代。

我相信，AI与机器人技术，将像电力与蒸汽机的发明一样，使人类文明迈向新的高度。

银河通用王鹤：合成数据是推动具身智能快速落地的关键

今天在场的所有机器人公司，包括NVIDIA与银河通用在内，我们共同目标都是打造通用机器人。

这样的通用机器人，将成为下一个价值数万亿美元、数万亿人民币市场的关键性、革命性产品。

这种革命性产品背后，包含多个核心要素：

第一个要素，机器人的本体；

第二个要素，驱动它运转的具身智能模型；

模型背后是数据支撑，什么样的数据，能训练出这样的能力。

我将依次分享银河通用，在这些方面探索与成果，介绍最终落地的产品。

银河通用与其他公司不同之处在于，我们机器人并非完全人形，是轮式双臂、双手的形态。

我们采用轮式底盘，主打高续航、工业级安全性，可实现大规模、高可靠交付的能力。

银河通用G1机器人，2024年5月首次亮相，经过1年多迭代，目前在自动充电、运行流畅度、稳定性方面，均已达到大规模自主商用的标准。

我们在中国将NVIDIA Jetson Thor芯片，部署于人形机器人，也是全球最早收到该芯片的公司之一，在WRC大会上实现现场部署。

演示中，配备该芯片的机器人，展现出丝滑的运动性能、实时的货箱视觉处理与运动规划能力，速度显著提升，赢得现场观众一致评价为最快的人形机器人，背后离不开强大芯片的支撑。

我们机器人能够在复杂环境中高效导航，源于银河通用长期研发的大规模具身大模型VLA，导航大模型只需一句话指令，即可在场景中自主运动。

六一儿童节前夕，我们全球首发无需建图、可在任何复杂场景中跟随人的TrackVLA，能够自然语言交互、穿梭障碍物，全程自主运行，即使在人流干扰下，也能稳定跟随。

上半身操作方面，我们首发抓取基础大模型Grasp VLA，实现抓取动作的实时闭环生成。

各种光照条件与挑战性背景下，均能实现指定物体的零样本抓取，无需事先训练该物体。这为未来自然语言+即时执行，打下基础。

基于Grasp VLA，我们打造零售场景应用，无论瓶装、袋装、散装、挂装或软体物品，均可由同一模型完成抓取与递送。

这是全球首个可应对50多种不同物体摆放、从刚体到软体，全覆盖的端到端零售大模型。

银河通用能在全球率先推出多款基础大模型，能在真实商店场景稳定应用，受益全套仿真引擎。我们与NVIDIA一致认为，合成数据是推动具身智能快速落地的关键。

目前，真实世界数据仅占我们训练数据的1%，其余99%均为合成数据。

我们将自研机器人模型、大量物体与材质资产输入合成管线，生成全球首个百亿级抓取操作大数据集，全球首个百亿级柔性物体操作大数据集。这些数据，使我们模型在真实环境中，具备极高鲁棒性与泛化能力。

目前银河通用为轮式形态，下一代将采用纯双足设计。无论在仿真环境、还是现实环境，该平台可训练、部署多种任务能力，例如推车、拾取地面物体等。

银河通用多项技能，已实现完全商用。

我们推出全球首个24小时无人药房解决方案，在北京、上海、深圳等地签约超过100家药店。

用户通过APP下单后，由机器人在店内完成取药，交付外卖员。

2024年，我们官宣24小时无人零售店项目，将在10个城市百处核心商圈与旅游景点，部署银河通用太空舱零售终端，销售饮品等商品。

媒体交流环节

物理AI的未来：通过专用计算平台打破通用计算的限制

问题：英伟达在2025世界机器人大会，展示一系列物理AI成果。

物理AI，特别是在机器人领域，对能耗、热管理、体积限制有很高要求。

NVIDIA如何应对这些挑战，未来的计算平台将如何满足这些需求？

Rev：回顾历史，NVIDIA每一代产品，都会大幅提升每瓦性能与每美元性能。

过去我们有摩尔定律，意味着算力会以指数速度增长，在最佳阶段，每5年性能提升10倍，10年提升100倍。

单靠摩尔定律，已经不足以解决我们面临的许多问题。我们预见到，摩尔定律在CPU与通用计算机上的效用会逐渐终结。

我们为此致力打造针对特定算法的专用计算机，这种专用计算机，不仅是芯片层面，更需要算法、软件、应用层面整体优化，才能发挥最大性能。

这并非靠单一因素，比如芯片变小或变快，是通过全栈优化实现。

这是一项非常艰难的工程，正是NVIDIA核心竞争力所在。

我们最初应用这套方法于计算机图形渲染，尤其是游戏领域，随后推广到其他领域。

CUDA推出后，我们开始应用于物理仿真，后来深度学习与AI在GPU上兴起，我们不断专门化处理器。

每一代产品，在相同功耗与成本下，都实现显著性能飞跃，未来仍会持续，我们创新之路远未走完。

问题：中国市场，相比其他国家，你怎么看中国AI需求与实践中的挑战？

Rev：中国既是重要的市场，也是AI技术与产品的生产基地。

中国拥有大量聪明、受过良好教育、充满热情的AI研究人员与开发者，全球近一半顶尖AI人才，都集中在这里，中国拥有顶尖的AI高校。

物理AI与机器人领域，中国拥有独特的规模优势，结合人才优势，形成独一无二的生态系统。

中国在制造电子硬件与机器人所需关键部件方面，具备深厚的专业能力，这样的生态体系与制造规模，是其他国家难以匹敌。

这使得银河通用、宇树科技这样企业，能够大规模制造机器人，快速学习、迭代。

中国独特的综合条件，为物理AI与机器人产业快速发展，提供坚实基础。

问题：在医疗与养老高精度应用场景中，NVIDIA Omniverse如何确保用仿真数据训练的机器人，具备可靠性与安全性？

Rev：如果你想构建能够在现实世界中行动、安全可靠的机器人系统，唯一的选择，是使用仿真。

自动驾驶为例，我们绝对不希望车撞到人或者孩子，当街上出现小孩时，车辆的大脑该如何反应，如何获取训练这类系统的数据，唯一办法是通过仿真。

我们绝不可能将孩子置于汽车前作为训练样本，这样做，不道德、危险，耗时、昂贵。

即使训练完系统，在将它部署到现实世界之前，也需要在这些相同场景中进行测试，确保在真正发生类似情况时，它能够正确反应。

真正的选择，只有通过仿真实现，现实世界测试过慢、成本高、危险，我们不希望机器人在现实世界先失败。

如果我们无法让仿真足够准确以测试机器人，我们将无法制造出可靠的机器人。

目前已有非常准确的仿真器，这些仿真器计算量大、成本高昂，我们面临的真正挑战是如何提升仿真速度，使其在大规模系统构建中具有成本效益，这是我们一直努力的方向。

问题：未来几年内，驱动AI机器人的仿真领域，会有哪些关键技术趋势将改变整个行业？能否分享一些中国生态合作伙伴，如何利用NVIDIA仿真技术加速产品创新的案例？

Rev：我认为目前最大趋势，是所有在常规AI领域出现的技术与发展，正被应用到物理AI中，最重要的突破是推理能力提升。

比如DeepSeek将推理能力带入开源领域，现在我们看到其他各种模型。

我们在智能水平上实现飞跃，将同样的技术应用到物理AI，是机器人领域一个重大突破。

我们机器人将能更自然与人互动，完成复杂的多步骤任务，这是非常关键的能力。

将这种能力与仿真结合，我认为这是可能还未被广泛理解，将成为重大突破的点。

目前我们面临的主要问题，是AI极度依赖数据，获取合适数据非常困难。

我们现有的推理模型，尤其是对物理世界的推理，现在可以帮助我们改善数据生成与数据创建的流程。

如今我们生成的数据，即使是合成数据，也需要大量人工参与，人工构建虚拟世界与仿真环境，判断该生成哪些数据，才能让智能系统更聪明。

如果我们把正在开发的AI技术，用在数据生成流程中，可以实现自动化，打造自动驾驶的合成数据生成。

如果我们拥有自动驾驶的合成数据生成工厂，就能直接将其接入训练流程，实现训练过程自动化，减少人为干预，让机器人大脑更聪明。

中国企业如何应用仿真技术及其带来的影响，我认为他们已经在积极探索与应用这些技术。

王鹤：我认为，随着仿真引擎与并行渲染器进步，合成数据的生成，变得更加高效，无论是通过强化学习，还是通过数据生成后、再进行模仿学习，整体难度大大降低。

无论是人形机器人行走、跳舞等技能的训练，还是抓取、叠衣服、导航等任务的背后，都离不开高效的仿真器与并行渲染器。

我们非常感谢英伟达在这一过程中，作为生态合作伙伴的支持，从芯片到仿真平台，为整个行业提供强有力的支撑。

请务必阅读免责声明与风险提示