听雨 发自 凹非寺

量子位 | 公众号 QbitAI

GTC 2026，比往年更热。

主会场座无虚席，台下三万人、线上数百万观众同步观看。

有一个问题，几乎所有人对此都在讨论，这个问题是从大模型开始，接着到机器人，然后再到Physical AI 所涉及的。

黄仁勋台上布道，各路AI公司则在台下争奇斗艳。

今年现场内外，有一家公司，它既不制造机器人，也不做大模型，然而在Physical AI的多个关键环节里，却反复出现了。

它就是当下最炙手可热的具身智能独角兽——光轮智能。

台上台下，光轮的身影可谓“无处不在”：

老黄搞的主题演讲里头，进行了多个机器人仿真demo的演示，这些demo包括机器人叠衣服，还有拉紧皮带，而在这些演示的背后所运用的正是光轮的技术。

展位号为1406的光轮所处展台，其位置的核心程度相当之高，是在入口刚进来之处方才到达该位置，在其旁边存在着诸如三星、美光这类存储芯片领域的巨头企业，同时还有像Together AI、Lambda、Global AI这些在AI Infra方面属于重量级水平显著的相关玩家。

开幕当天，光轮展台被围得里三层外三层，热度居高不下。

认真定睛瞧一瞧，在今年举办的GTC大会之中，那主舞台之上，产品展区范围内，还有主题演讲环节里，到处都能看到光轮的踪迹，Physical AI所营造的那种氛围始终处于持续热烈的状态，未曾停歇。

加上光轮智能的合作名单，其涵盖范围极广，从大模型公司开始，到Infra公司，再到具身智能企业，最后到车企，各类企业都在其中，真可说全方位适用，全都涉足。

并非只有它与之有关，就连世界模型公司，像是由被称作“AI教母”的李飞飞所创立的World Labs，同样与之存在关联呢。

于Physical AI领域之中，大家慢慢察觉到，提供数据以及仿真基础设施的光轮智能，已然变成了行业生态里无法被取代的一种存在，并且这样想的人越来越多直至成为一种普遍认知。

Physical AI爆发：Infra成为新焦点

过去几年，GTC的聚光灯始终追随着大模型与机器人本体。

从GPT引发生成式AI的浪潮开始，再到人形机器人逐个登场表现，大家的目光大多聚焦在台前，也就是模型究竟有多聪慧，机器人到底能够做些什么。

但今年的GTC，风向变了。

老黄在主题演讲中宣布了一个数字：

到2025年，会有以Blackwell为代表的新一代AI计算平台，到2027年，还会有以下一代Rubin为的新一代AI计算平台，这些平台将会带来约1万亿美元规模的收入机会。

此话一出，现场一片沸腾。

首次，Physical AI变为重点核心主题，于GTC，和能生成的AI处于同等地位，有同样影响力。

简单来说，AI的发展可以分为三步：

起初的步骤是进行感知，即让AI学会去看以及听，随着人脸识别、语音助手的出现，AI开始对这个世界展开理解。

第二步是进行生成，GPT出现了，Midjourney也横空出世了，AI不但会看，而且会写还会画，变成了超级“键盘侠”。

这时步入了第三步：Physical AI。AI需从“领会世界”转变为“融入世界”，从屏幕后方现身，切实去劳作。

但麻烦跟着就来了，你若打算让一个人形机器人于工厂里头去拧螺丝，绝不可能致使它在实际情形当中接连摔落几千回跤以此来实践错误。因为成本实在是太高昂了，风险那也是极大的，速度也是特别缓慢的。

它需要在仿真环境里“先训练、再落地”。

这便是 Physical AI 的底层的逻辑，于数字孪生里生成没有穷尽的场景，测试数目众多的策略，积累行为方面的数据，随后将训练好的“大脑”下载至实体机器人之上。

正因这样，出现了一个关键的变化。此次变化有一点，就是确定行业上限的并非模型自身哦。变成决定行业上限的是仿真、数据以及评测验证的基础设施啦。

若不存在高精度的物理仿真，那么机器人便难以学会受力反馈，没实现规模化的数据生成，模型就会缺少训练所需的燃料，缺少闭环的评测迭代，其能力也没法持续得以提升。

处在Physical AI时代的那种竞争，已然从“拥有最为出色模型的是谁”，转变成了“具备最为优质训练场的是哪方”。

光轮智能构建了一套基础设施，该基础设施是面向Physical AI的数据与仿真方面的 ，就是这样的。

行业已广泛采纳了这套底层能力，国际主要具身智能团队里，超过80%的仿真资产，以及仿真合成数据，都源自光轮智能。

隐形基础设施已经出现

于GTC现场之中，能够发觉一种值得予以留意的现象出来，光轮它并非是那种很是张扬的，然而却在同一时间占据了涉及Physical AI的多个处于关键状态对于整体功能有重要作用的席位。

可谓是“隐形”的巨头。

于主舞台之上，老黄所展示的诸多机器人仿真demo，其背后用以支撑的仿真训练技术，近乎皆是由光轮予以提供的。

有如Peritas AI所训练的手术室辅助机器人，它能够轻轻松松地从架子之上拿取物品。

还有Isaac Lab Arena的多机器人训练场景，还有机械臂的精细操作场景，几乎所有的机器人仿真画面，其背后都采用了光轮的技术。

关键在于，这些系统并非“可以用光轮，也可以不用”。

在接触力学这个关键环节，在柔体建模这个关键环节，在材料属性这个关键环节，若是没有经过真实测量的物理参数体系，加之没有经过校准的物理参数体系，那么仿真结果就无法迁移到真实世界里。

这一套Physical AI系统能够成立，其本身是构建于光轮所给予的物理世界建模能力之上的。

并且更为主要 的是，光轮此刻可是正在由“运用工具的人”，转变成为“制定规则的人”，是这样的情况呢，没错吧。

没几天之前，光轮毅然决然决定加入进入了Newton的技术指导委员会，也就是TSC。

NVIDIA、Google DeepMind、Disney Research这三家巨头联合起来搞的开源物理仿真引擎是什么？它是Linux Foundation的顶级项目，它叫Newton。

那个饰演可爱机器人角色雪宝（Olaf）的，在GTC舞台上和老黄对话的，其背后物理引擎就是Newton。

而TSC是Newton的核心技术决策层。

里面可是存在着数量不少的大佬，其中有Google DeepMind仿真负责人Erik Frey，有MuJoCo核心开发者Yuval Tassa，还有NVIDIA仿真技术负责人Miles Macklin等等，他们都聚集在了这个地方。

如今，身为光轮智能创始人、CEO同时还是博士头衔的谢晨以公司代表这一身份步入加入该委员会，得以与那些有着极高地位的大佬处于同等地位，一同决定Newton的发展方向，确定技术标准，明确下一代功能的具体模样。

这也意味着，光轮不只使用引擎，而是参与定义引擎。

而且，与其他参与者不同，光轮智能并不只覆盖某一个技术点。

计算由NVIDIA来定义，算法靠DeepMind去推动，极端场景属Disney在探索，然而光轮智能身处现今境况，是唯一那家同时达成世界建模、数据生成、物理测量、参数校准以及评测闭环通通打通的公司，就这样。

如同CUDA对AI计算做了定义，Linux对操作系统做了定义一般，光轮智能，正处于对Physical AI时代的基础设施进行定义的过程当中。

于GTC现场，光轮实实在在地直接搭建出了一整套的Physical AI底座 ，其中包括了多个组件，这些组件相互配合，共同构成了这个系统。

他们有三个展位，这三个展位各自对应着物理AI领域当中的三大核心命题，分别是World，还有Behavior，以及Eval。

World的核心，是构建与真实物理世界对齐的仿真世界。

这边有个“物理测量工厂，在标准化实验平台那儿能瞧见！有台机械手臂反复做按压、拉伸、扭转之类动作，给不同材质和结构的物体施加精准又能控制的外力。”。

规模化生产驱动模型训练的行为资料，是Behavior的关键所在，这些行为资料包含仿真遥操以及真人第一视角人类视频的数据，涵盖其中。

涉及操作的路径，关乎力控的变化，涉及决策之时机，还有细微的犹豫，以及调整，还有策略的选择，这些经验，都会被沉淀下来，并且转译为能够用于训练的数据结构。

先是与仿真遥操记录相互补充，然后要和真人第一视角视频相互补充，通过这样的方式，逐步去形成一张行为数据网络，这张网络既具规模，又保留人类策略细节。

Eval的核心，则是RoboFinals评测体系。

它是业内首个仿真评测平台，这个平台难度足够高，它具备工业级标准，它还支持前沿大模型，它能够衡量机器人基础模型的真实能力进展，是以工业级标准得以衡量的。

这不是三个彼此孤立的demo，而是搭建起了一套完整的Physical AI基础设施，是这样的情况。

此外，具身智能Infra的整套方法论，实际也开始被布道。

身处现场，光轮于GTC一口气开展了六场演讲，现场座无虚席，其主题呈现出层层递进的态势，将自身构建整套Infra的方法论全部讲解透彻了：

世界怎么建——物理真实的仿真环境如何搭建；

数据怎么来——规模化合成数据生产管线；

能力怎么测——工业级评测标准与闭环验证。

凭借布道演讲，光轮渐渐搭建起一条齐全的Physical AI基础设施叙事，其以物理真实的世界构建作为根基，依靠规模化数据生成予以支撑，借工业级评测标准形成闭环。

晚上，在GTC的第一晚，光轮举办了一场Party，这场Party是关于Physical AI的，参与这里那场Party的人数，超过了350人。

有人身为机器人公司的创始人，有人是顶尖高校的教授，有人为开源社区的核心贡献者，还有的是一线工程师，他们纷纷齐聚到了一起。

这边的场面那可是相当火爆呀，存在着会跳舞的机器人，有着进行战斗的机器人，听说呀，还有一台配备了机械臂的Cyber Truck（此处为狗狗表情符号）。

Party结束后，还有很多人意犹未尽，纷纷在X上求照片……

Party的这场火热景象，是又一信号来着，展现出光轮所具备的行业号召力，正在将整个Physical AI社区聚敛起来。

光轮正连接着仿真这一方角色，连接着模型这一方角色，连接着机器人这一方角色，还连接着应用这一方角色，其一步步地构建起来一个围绕自身扩散开的行业生态网络。

春江水暖鸭先知，物理AI时代的航船已经启航。

Physical AI的基础设施正在被定义

在LLM时代，众人比拼的是GPU加上数据，即谁拥有的显卡数量多，谁所具备的数据量庞大，谁便能够训练出优质的模型，堆砌硬件资源就等同于秉持正义。

但Physical AI时代，这套玩法行不通了。

你能够拥有在世界上堪称最为出色的大模型，然而要是机器人没办法分辨清楚“切实摸到的究竟是桌子还是墙”，弄不明白“究竟运用多大的力气才能做到不会把鸡蛋捏碎”，那么它始终都无法走出实验室。

Physical AI走得远近，要看那仿真的精准程度若何，还要看数据的数量规模怎样，更得瞧评测的标准如何，即这套基础设施到底有多坚实稳固。

这同样是为何，GTC 2026发出了个明晰的信号，行业竞争的主要战场，已然从“模型层”下沉至“基础设施层”喽。

在这样的背景情形之下，回过头去看光轮于GTC之上所呈现出来的表现，便会更加容易去理解它所具备的意义了。

当一家公司出现在 GTC 主舞台，当它进入仿真引擎治理层，当它打造完整系统，当它输出工程方法，当它构建起生态网络，此时它的角色已发生变化。

光轮智能并非仅仅实力堪称强大，而实则是一步一步地渐渐开始变成为了在行业生态范畴之内的一层所谓那种 “基础设施”呢。

当物理人工智能从概念迈向工程，从愿景迈向产业，真正决定上限的底层基础设施，正在被重新定义。

而这场变化，才刚刚开始。