英伟达GTC现场的隐形AI巨头：老黄机器人demo背后都是它

听雨 发自 凹非寺量子位 | 公众号 QbitAIGTC 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。从大模型到机器人再到Physical AI几乎所有人都在讨论同一个问题AI如何真正进入现实世界黄仁勋台上布道各路AI公司则在台下争奇斗艳。但今年现场内外一家不造机器人、也不做大模型的公司却在Physical AI多个关键环节中反复出现。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”老黄主题演讲中演示了多个机器人仿真demo——机器人叠衣服、拉紧皮带背后用的就是光轮的技术。光轮的展台Booth 1406位置也是相当核心就在入口一进来的地方旁边就是三星、美光等存储芯片巨头还有Together AI、Lambda、Global AI等AI Infra重量级玩家。开幕当天光轮展台被围得里三层外三层热度居高不下。仔细一瞅今年的GTC大会上主舞台、产品展区、主题演讲哪哪儿都有光轮的身影Physical AI的氛围也是持续沸腾。再加上光轮智能的合作名单从大模型公司到Infra公司从具身智能企业再到车企那叫一个通吃。连世界模型公司比如“AI教母”李飞飞的World Labs也都跟它有关系。大家逐渐意识到在Physical AI领域提供数据与仿真基础设施的光轮智能已经成为了行业生态中不可替代的存在。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ChatGPT掀起生成式AI浪潮到人形机器人纷纷亮相大家的目光主要停留在台前——模型有多聪明机器人能做什么。但今年的GTC风向变了。老黄在主题演讲中宣布了一个数字2025-2027年以Blackwell和下一代Rubin为代表的新一代AI计算平台将带来约1万亿美元规模的收入机会。此话一出现场一片沸腾。Physical AI也头一次成为GTC的核心主题与生成式AI平起平坐。简单来说AI的发展可以分为三步第一步是感知AI学会看和听。人脸识别、语音助手问世AI开始理解这个世界。第二步是生成ChatGPT、Midjourney横空出世。AI不仅会看还会写会画成了超级“键盘侠”。现在到了第三步Physical AI。AI要从“理解世界”变成“进入世界”从屏幕后面走出来真正去干活。但问题来了你要让一个人形机器人在工厂里拧螺丝不可能让它在现实中摔几千次跤来试错。成本太高风险太大速度太慢。它需要在仿真环境里“先训练、再落地”。这就是Physical AI的底层逻辑在数字孪生中生成无限场景、测试无数策略、积累行为数据然后把训练好的“大脑”下载到实体机器人身上。也正因如此一个关键的变化出现了决定行业上限的不再是模型本身而是仿真、数据与评测验证的基础设施。没有高精度的物理仿真机器人就学不会受力反馈没有规模化的数据生成模型缺少训练燃料没有闭环的评测迭代能力也无法持续提升。Physical AI时代的竞争已经从“谁有最好的模型”变成了“谁有最好的训练场”。光轮智能所构建的正是这样一套面向Physical AI的数据与仿真基础设施。这套底层能力已经被行业广泛采纳。国际主要具身智能团队中超过80%的仿真资产与仿真合成数据都来自光轮智能。隐形基础设施已经出现在GTC现场会发现一个值得注意的现象光轮并不张扬却同时占据了Physical AI的多个关键席位。可谓是“隐形”的巨头。在主舞台上老黄展示的多个机器人仿真demo背后所使用的仿真训练技术几乎都由光轮提供。比如Peritas AI训练的手术室辅助机器人它可以轻松从架子上拿取物品以及Isaac Lab Arena的多机器人训练场景、机械臂的精细操作……几乎所有机器人仿真画面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”。在涉及接触力学、柔体建模、材料属性等关键环节时如果没有经过真实测量与校准的物理参数体系仿真结果将无法迁移到真实世界。这套Physical AI系统之所以成立本身就建立在光轮所提供的物理世界建模能力之上。而且更重要的是光轮正在从“用工具的人”变成“定规则的人”。就在几天前光轮正式宣布加入了Newton的技术指导委员会TSC。Newton是什么NVIDIA、Google DeepMind、Disney Research三家巨头联手搞的开源物理仿真引擎也是Linux Foundation的顶级项目。那个在GTC舞台上和老黄对话的可爱机器人角色雪宝Olaf背后的物理引擎就是Newton。而TSC是Newton的核心技术决策层。里面大佬可不少Google DeepMind仿真负责人Erik Frey、MuJoCo核心开发者Yuval Tassa、NVIDIA仿真技术负责人Miles Macklin等等都汇聚于此。现在光轮智能创始人兼CEO谢晨博士作为公司代表加入该委员会与这些大佬平起平坐共同决定Newton往哪走、技术标准怎么定、下一代功能长什么样。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。NVIDIA定义计算DeepMind推动算法Disney探索极端场景而光轮智能是目前唯一同时打通世界建模、数据生成、物理测量、参数校准与评测闭环的公司。就像CUDA定义了AI计算Linux定义了操作系统光轮智能正在定义Physical AI时代的基础设施。在GTC现场光轮也直接把一整套Physical AI底座真正搭了出来。他们的三个展位分别对应着物理AI领域的三大核心命题——World、Behavior、Eval。World的核心是构建与真实物理世界对齐的仿真世界。现场摆着一个“物理测量工厂”可以看到一台机械臂在标准化实验平台上反复执行按压、拉伸、扭转等动作对不同材质与结构的物体施加精确可控的外力。Behavior的核心是规模化生产驱动模型训练的行为数据涵盖仿真遥操与真人第一视角人类视频数据。操作路径、力控变化、决策时机以及细微的犹豫、调整与策略选择——这些经验都会被沉淀下来并转译为可训练的数据结构。再与仿真遥操记录、真人第一视角视频相互补充逐步形成一张既具规模、又保留人类策略细节的行为数据网络。Eval的核心则是RoboFinals评测体系。它是业内首个难度足够高、具备工业级标准、并支持前沿大模型的仿真评测平台能够以工业级标准衡量机器人基础模型的真实能力进展。这并非三个孤立的demo而是构建出了一套完整的Physical AI基础设施。此外具身智能Infra的整套方法论实际也开始被布道。在现场光轮在GTC一口气举办了六场演讲座无虚席主题层层递进把自己构建整套Infra的方法论都讲透了世界怎么建——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。通过布道演讲光轮逐步构建出一条完整的Physical AI基础设施叙事以物理真实的世界构建为基础以规模化数据生成为支撑以工业级评测标准为闭环。GTC的第一晚光轮还办了一场Physical AI的Party参与人数超过了350人。机器人公司的创始人、顶尖高校的教授、开源社区的核心贡献者、一线工程师纷纷齐聚一堂。场面非常火爆有跳舞的机器人战斗的机器人据说还有一台装着机械臂的Cyber Truckdoge。Party结束后还有很多人意犹未尽纷纷在X上求照片……这场Party的火爆则是另一个信号展现出光轮的行业号召力正在聚拢整个Physical AI社区。光轮正在连接仿真、模型、机器人与应用等多方角色逐步形成一个围绕其展开的行业生态网络。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LLM时代大家拼的是GPU数据——谁卡多、谁数据量大谁就能炼出好模型。堆料就是正义。但Physical AI时代这套玩法行不通了。你可以有世界上最好的大模型但如果机器人分不清“摸到的是桌子还是墙”搞不清“用多大力才不会捏碎鸡蛋”那它永远走不出实验室。Physical AI能走多远还得看仿真的精度、数据的规模、评测的标准——这套基础设施有多扎实。这也是为什么GTC 2026释放出了一个清晰的信号行业竞争的主战场已经从“模型层”下沉到了“基础设施层”。在这个背景下回头看光轮在GTC上的表现会更容易理解其意义。当一家公司同时出现在GTC主舞台进入仿真引擎治理层、打造完整系统、输出工程方法并构建起生态网络时它的角色已经发生变化。光轮智能不只是实力强而是逐渐成为了行业生态中的一层“基础设施”。当Physical AI从概念走向工程、从愿景走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。