英偉達GTC現場的隱形AI巨頭：老黃機器人demo背后都是它

聽雨 發自 凹非寺
量子位 | 公眾號 QbitAI

GTC 2026，比往年更熱。

主會場座無虛席，臺下三萬人、線上數百萬觀眾同步觀看。

從大模型到機器人，再到Physical AI，幾乎所有人都在討論同一個問題：

• AI，如何真正進入現實世界？

黃仁勛臺上布道，各路AI公司則在臺下爭奇斗艷。

但今年現場內外，一家不造機器人、也不做大模型的公司，卻在Physical AI多個關鍵環節中反復出現。

它就是當下最炙手可熱的具身智能獨角獸——光輪智能。

臺上臺下，光輪的身影可謂“無處不在”：

老黃主題演講中，演示了多個機器人仿真demo——機器人疊衣服、拉緊皮帶，背后用的就是光輪的技術。

光輪的展臺Booth 1406，位置也是相當核心，就在入口一進來的地方，旁邊就是三星、美光等存儲芯片巨頭，還有Together AI、Lambda、Global AI等AI Infra重量級玩家。

開幕當天，光輪展臺被圍得里三層外三層，熱度居高不下。

仔細一瞅，今年的GTC大會上，主舞臺、產品展區、主題演講，哪哪兒都有光輪的身影，Physical AI的氛圍也是持續沸騰。

再加上光輪智能的合作名單，從大模型公司到Infra公司，從具身智能企業再到車企，那叫一個通吃。

連世界模型公司，比如“AI教母”李飛飛的World Labs，也都跟它有關系。

大家逐漸意識到，在Physical AI領域，提供數據與仿真基礎設施的光輪智能，已經成為了行業生態中不可替代的存在。

Physical AI爆發：Infra成為新焦點

過去幾年，GTC的聚光燈始終追隨著大模型與機器人本體。

從ChatGPT掀起生成式AI浪潮，到人形機器人紛紛亮相，大家的目光主要停留在臺前——模型有多聰明，機器人能做什么。

但今年的GTC，風向變了。

老黃在主題演講中宣布了一個數字：

2025-2027年，以Blackwell和下一代Rubin為代表的新一代AI計算平臺，將帶來約1萬億美元規模的收入機會。

此話一出，現場一片沸騰。

Physical AI也頭一次成為GTC的核心主題，與生成式AI平起平坐。

簡單來說，AI的發展可以分為三步：

第一步是感知：AI學會看和聽。人臉識別、語音助手問世，AI開始理解這個世界。

第二步是生成：ChatGPT、Midjourney橫空出世。AI不僅會看，還會寫會畫，成了超級“鍵盤俠”。

現在到了第三步：Physical AI。AI要從“理解世界”變成“進入世界”，從屏幕后面走出來，真正去干活。

但問題來了，你要讓一個人形機器人在工廠里擰螺絲，不可能讓它在現實中摔幾千次跤來試錯。成本太高，風險太大，速度太慢。

它需要在仿真環境里“先訓練、再落地”。

這就是Physical AI的底層邏輯：在數字孿生中生成無限場景、測試無數策略、積累行為數據，然后把訓練好的“大腦”下載到實體機器人身上。

也正因如此，一個關鍵的變化出現了：決定行業上限的不再是模型本身，而是仿真、數據與評測驗證的基礎設施。

沒有高精度的物理仿真，機器人就學不會受力反饋；沒有規模化的數據生成，模型缺少訓練燃料；沒有閉環的評測迭代，能力也無法持續提升。

Physical AI時代的競爭，已經從“誰有最好的模型”，變成了“誰有最好的訓練場”。

光輪智能所構建的，正是這樣一套面向Physical AI的數據與仿真基礎設施。

這套底層能力已經被行業廣泛采納。國際主要具身智能團隊中超過80%的仿真資產與仿真合成數據，都來自光輪智能。

隱形基礎設施已經出現

在GTC現場，會發現一個值得注意的現象：光輪并不張揚，卻同時占據了Physical AI的多個關鍵席位。

可謂是“隱形”的巨頭。

在主舞臺上，老黃展示的多個機器人仿真demo，背后所使用的仿真訓練技術幾乎都由光輪提供。

比如Peritas AI訓練的手術室輔助機器人，它可以輕松從架子上拿取物品：

以及Isaac Lab Arena的多機器人訓練場景、機械臂的精細操作……幾乎所有機器人仿真畫面，背后都采用了光輪的技術。

關鍵在于，這些系統并非“可以用光輪，也可以不用”。

在涉及接觸力學、柔體建模、材料屬性等關鍵環節時，如果沒有經過真實測量與校準的物理參數體系，仿真結果將無法遷移到真實世界。

這套Physical AI系統之所以成立，本身就建立在光輪所提供的物理世界建模能力之上。

而且更重要的是，光輪正在從“用工具的人”，變成“定規則的人”。

就在幾天前，光輪正式宣布加入了Newton的技術指導委員會（TSC）。

Newton是什么？NVIDIA、Google DeepMind、Disney Research三家巨頭聯手搞的開源物理仿真引擎，也是Linux Foundation的頂級項目。

那個在GTC舞臺上和老黃對話的可愛機器人角色雪寶（Olaf），背后的物理引擎就是Newton。

而TSC是Newton的核心技術決策層。

里面大佬可不少：Google DeepMind仿真負責人Erik Frey、MuJoCo核心開發者Yuval Tassa、NVIDIA仿真技術負責人Miles Macklin等等，都匯聚于此。

現在，光輪智能創始人兼CEO謝晨博士作為公司代表加入該委員會，與這些大佬平起平坐，共同決定Newton往哪走、技術標準怎么定、下一代功能長什么樣。

這也意味著，光輪不只使用引擎，而是參與定義引擎。

而且，與其他參與者不同，光輪智能并不只覆蓋某一個技術點。

NVIDIA定義計算，DeepMind推動算法，Disney探索極端場景，而光輪智能是目前唯一同時打通世界建模、數據生成、物理測量、參數校準與評測閉環的公司。

就像CUDA定義了AI計算，Linux定義了操作系統，光輪智能，正在定義Physical AI時代的基礎設施。

在GTC現場，光輪也直接把一整套Physical AI底座真正搭了出來。

他們的三個展位，分別對應著物理AI領域的三大核心命題——World、Behavior、Eval。

World的核心，是構建與真實物理世界對齊的仿真世界。

現場擺著一個“物理測量工廠”，可以看到一臺機械臂在標準化實驗平臺上反復執行按壓、拉伸、扭轉等動作，對不同材質與結構的物體施加精確可控的外力。

Behavior的核心，是規模化生產驅動模型訓練的行為數據，涵蓋仿真遙操與真人第一視角人類視頻數據。

操作路徑、力控變化、決策時機，以及細微的猶豫、調整與策略選擇——這些經驗都會被沉淀下來，并轉譯為可訓練的數據結構。

再與仿真遙操記錄、真人第一視角視頻相互補充，逐步形成一張既具規模、又保留人類策略細節的行為數據網絡。

Eval的核心，則是RoboFinals評測體系。

它是業內首個難度足夠高、具備工業級標準、并支持前沿大模型的仿真評測平臺，能夠以工業級標準，衡量機器人基礎模型的真實能力進展。

這并非三個孤立的demo，而是構建出了一套完整的Physical AI基礎設施。

此外，具身智能Infra的整套方法論，實際也開始被布道。

在現場，光輪在GTC一口氣舉辦了六場演講，座無虛席，主題層層遞進，把自己構建整套Infra的方法論都講透了：

世界怎么建——物理真實的仿真環境如何搭建；

數據怎么來——規模化合成數據生產管線；

能力怎么測——工業級評測標準與閉環驗證。

通過布道演講，光輪逐步構建出一條完整的Physical AI基礎設施敘事：以物理真實的世界構建為基礎，以規模化數據生成為支撐，以工業級評測標準為閉環。

GTC的第一晚，光輪還辦了一場Physical AI的Party，參與人數超過了350人。

機器人公司的創始人、頂尖高校的教授、開源社區的核心貢獻者、一線工程師，紛紛齊聚一堂。

場面非常火爆，有跳舞的機器人，戰斗的機器人，據說還有一臺裝著機械臂的Cyber Truck（doge）。

Party結束后，還有很多人意猶未盡，紛紛在X上求照片……

這場Party的火爆，則是另一個信號：展現出光輪的行業號召力，正在聚攏整個Physical AI社區。

光輪正在連接仿真、模型、機器人與應用等多方角色，逐步形成一個圍繞其展開的行業生態網絡。

春江水暖鴨先知，物理AI時代的航船已經啟航。

Physical AI的基礎設施正在被定義

LLM時代，大家拼的是GPU+數據——誰卡多、誰數據量大，誰就能煉出好模型。堆料就是正義。

但Physical AI時代，這套玩法行不通了。

你可以有世界上最好的大模型，但如果機器人分不清“摸到的是桌子還是墻”，搞不清“用多大力才不會捏碎雞蛋”，那它永遠走不出實驗室。

Physical AI能走多遠，還得看仿真的精度、數據的規模、評測的標準——這套基礎設施有多扎實。

這也是為什么，GTC 2026釋放出了一個清晰的信號：行業競爭的主戰場，已經從“模型層”下沉到了“基礎設施層”。

在這個背景下，回頭看光輪在GTC上的表現，會更容易理解其意義。

當一家公司同時出現在GTC主舞臺，進入仿真引擎治理層、打造完整系統、輸出工程方法，并構建起生態網絡時，它的角色已經發生變化。

光輪智能不只是實力強，而是逐漸成為了行業生態中的一層“基礎設施”。

當Physical AI從概念走向工程、從愿景走向產業，真正決定上限的底層基礎設施，正在被重新定義。

而這場變化，才剛剛開始。