AI 技術正加速從數字世界延伸至現實物理世界，推動智能系統進入“物理 AI”時代。隨著機器人、自動駕駛及無人系統在制造、醫療、物流、安防等行業快速普及，用戶對其類人感知、自主決策與精準執行能力的需求不斷提升，成為物理 AI 演進的核心驅動力。

IDC 預測，到 2026 年，AI 模型、視覺系統及邊緣計算將取得突破性進步，機器人可實現的應用場景數量將增加 3 倍。全球機器人市場持續擴張，預計到 2029 年市場規模將超過 4000 億美元。其中，中國市場占據近半份額，并以近 15% 的復合增長率位居全球前列。

以 NVIDIA 為代表的廠商通過“仿真先行+云端訓練+端側部署”的路徑，推出并升級相關技術與產品，加速物理 AI 的落地與發展。

主要亮點提煉

物理 AI 的核心價值：物理 AI（Physical AI）是指使用 AI 技術對現實世界進行理解、推理、規劃并與之交互的模型，它們通常封裝在機器人或自動駕駛汽車等自主機器中。核心價值在于賦能機器人等自主體實現“感知一理解一執行”閉環，使 AI 真正走入復雜現實環境完成自主決策與執行。

物理 AI 面臨的三大挑戰：

具身模型缺乏環境、任務與本體的泛化能力，難以適應復雜多變的現實場景；

訓練數據稀缺目獲取成本高，長尾場景難以覆蓋，制約模型泛化提升；

具身模型端側部署受算力、功耗與體積限制，難以支撐多模態感知與實時決策。

物理 AI 的實現依賴“三大計算平臺”：為應對以上挑戰，物理 AI 的實現離不開強大的計算架構支撐：認知訓練計算、虛擬仿真計算以及實時部署計算。

以 NVIDIA 為代表的廠商以“仿真先行+運動訓練+端側部署”的思路，正不斷推出并升級相關技術與產品解決方案，從而加速具身智能機器人的發展與規模化落地。

仿真先行：

利用 NVIDIA Omniverse 構建用于數據生成的物理仿真環境。

借助 NVIDIA Cosmos 世界基礎模型，縮小仿真和現實環境差距。

云端訓練：

依托超級計算機 NVIDIA DGX 平臺，利用NVIDIA NeMo可以進一步預訓練機器人基礎模型，使機器人理解自然語言、識別物體并規劃復雜動作等。

GR00T N系列基礎模型可作為開發基準，針對新的機器人策略開展后訓練工作，加速具身智能機器人的研發進程。

端側部署：

通過NVIDIA Jetson AGX Thor支持 AI 模型的低延遲實時推理。

案例分析

海克斯康（Hexagon）與 NVIDIA 合作開發了人形機器人 AEON。AEON 的研發和部署，依托于 NVIDIA 提供的三大計算平臺及全棧式物理 AI 系統，構建了一套涵蓋認知訓練—仿真優化—端側部署的閉環能力體系。

仿真先行：基于OVX平臺與 Omniverse 構建虛擬訓練體系，驅動技能快速學習。

模型訓練與微調：依托 DGX 平臺訓練機具身智能基礎模型。

實時部署與協作安全：借助Jetson Orin實現高效部署與邊緣推理。

借助 NVIDIA 全棧計算平臺，AEON 實現了從技能訓練到端側部署的高效閉環，取得了多維度的應用成效。

歡迎深入閱讀全文，了解物理 AI 的最新進展及未來方向，以及以 NVIDIA 為代表的廠商如何通過技術升級及產品迭代，加速物理 AI 的落地與發展。