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。
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。
二、 三台计算机：重塑具身智能的方法论
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。
第一台：训练计算机（The Training Computer）
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。
第二台：模拟计算机（The Synthetic Data Factory）
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。
- Isaac Lab 3.0：近乎所有主流机器人公司都在使用的开源平台。
- Newton 1.0：一个 GPU 加速的可微分物理模拟器。它的神奇之处在于，机器人可以直接从物理结果中通过反向传播学习，无需人工标注。
- Cosmos：世界基础模型。它通过视频学习物理规律，用 AI 实现“神经模拟”，速度比传统物理引擎快几个数量级。
第三台：机器人自身的计算机（The Edge Computer）
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。
三、 第五个扩展定律：算力即数据
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。
为了实现第五定律的指数级增长，英伟达推出了 Omniverse DSX Blueprint。英伟达先在虚拟世界中利用 Omniverse 建造一个“AI 工厂的数字孪生”（模拟电力、散热、布线和网络），确保这座工厂在现实中动工前就已经达到了物理最优。
这种“用 AI 设计工厂，再用工厂大规模产出 AI 训练数据”的闭环，让物理模拟的扩展不再受限于人类的建设速度。
最好的应用案例就是NVIDIA Vera Rubin DSX AI Factory。
构建大规模 AI 工厂以满足日益增长的训练和推理需求是一项复杂的工作，需要在基础设施、电力、冷却、网络、软件和计算方面进行精确协调。
NVIDIA Vera Rubin DSX AI Factory 参考设计概述了如何设计、构建和运营整个 AI 工厂基础设施堆栈，涵盖计算、NVIDIA Spectrum-X™ 以太网网络和存储，实现可重复、可扩展且出色的集群性能。参考设计中的文档还为行业合作伙伴提供了设计、构建和运营电力、冷却和控制系统的最佳实践，从而实现无缝软硬件集成和可扩展部署。
NVIDIA Omniverse DSX Blueprint 为设计和运营大型 AI 工厂提供了一个开放、全面的框架。现已在 NVIDIA 官网正式发布，并完全兼容 Vera Rubin DSX AI Factory 参考设计， Omniverse DSX 允许开发者构建物理精准的 AI 工厂数字孪生，实时模拟运营，并在开始施工或部署之前优化性能。
Omniverse DSX 将电力、冷却、网络和运营整合到一个环境中，加速实现收益并提高 AI 效率。借助 NVIDIA Omniverse™ 库，企业可以模拟布局、电力拓扑、散热行为和运营策略，并在不中断生产的情况下评估硬件或工作负载变化。
可靠、可扩展的电力和冷却是每个 AI 工厂的支柱，使智能系统能够实时适应不断变化的计算需求，同时更大限度地提高效率和正常运行时间。从能源到软件领导者，广泛的合作伙伴生态系统正在采用 DSX，将整个 AI 工厂生命周期转变为无缝优化的产品级系统，共同设计以实现弹性、精确和高效。
达索系统正在将新的参考设计和蓝图集成到其基于模型的系统工程平台中，该平台由 CATIA 软件提供支持，构建了 AI 工厂的虚拟孪生 (Virtual Twin)，加快实现初始收益，同时提高可靠性和效率。
英伟达的“物理 AI 朋友圈”已经扩容到了能源巨头：GE Vernova、日立、西门子能源。
四、 覆盖 100 万亿美元的版图：谁在与英伟达合作？
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。
