在节前的机器人学习大会（CoRL）上，NVIDIA 发布了一系列突破性技术，包括开源物理引擎 Newton、机器人基础模型 Isaac GROOT N1.6以及全新 AI 基础设施。这些技术为机器人研发提供了一套完整解决方案，旨在缩小仿真与现实之间的差距，加速人形机器人从实验室走向实际应用的进程。长期以来，人形机器人复杂的关节控制、平衡调节与动作迁移难题，让现有物理引擎难以满足需求。此次 NVIDIA 联合 Google DeepMind、Disney Research 推出的开源物理引擎 Newton，彻底打破这一僵局 —— 基于 NVIDIA Warp 和 OpenUSD 框架构建、由 Linux Foundation 管理的它，不仅兼容多种物理求解器，更能精准仿真机器人在雪地、碎石路行走，或操控杯子、水果等精细动作，且能安全可靠地将这些技能迁移到现实场景。苏黎世联邦理工学院机器人系统实验室、慕尼黑工业大学、北京大学等全球顶尖高校，以及光轮智能、Style3D 等机器人技术公司已率先应用 Newton 开展研发。“全球超过 25 万机器人开发者亟需精准的物理仿真技术，以确保在仿真环境中教会机器人技能，同时安全可靠地迁移到现实世界。”NVIDIA Omniverse 与仿真技术副总裁 Rev Lebaredian 表示，“Newton 正是解决这一痛点的关键工具。”Isaac GROOT N1.6：赋予机器人 “深度思考” 能力机器人不仅需要精准的动作控制，更需要理解模糊指令并应对复杂场景的能力。NVIDIA Isaac GROOT N1.6 开源基础模型将为机器人赋予接近人类的推理能力，使其能够拆解复杂指令，并借助已有知识与常识执行任务。该模型即将在 Hugging Face 平台上线，届时将集成 NVIDIA Cosmos Reason—— 一款专为物理 AI 打造的开源、可定制推理视觉语言模型。作为机器人的 “深度思考大脑”，Cosmos Reason 能够利用已有知识、常识和物理原理，将模糊的指令转化为逐步执行的计划，从而应对新场景并泛化到多种任务中。Cosmos Reason 作为机器人的 “深度思考大脑”，其创新点在于：
- 物理常识知识库：内置结构化物理知识库，包含物体动力学属性（如 “玻璃易碎，抓取时压力需＜5N”）和动作 - 效果关联（如 “推开沉重的门时，需先施加推力，再保持门的运动轨迹”）；
- 层次化任务拆解：面对模糊指令（如 “把红色盒子放到书架第二层”），模型会分三步拆解 —— 目标解析、子任务拆分和动作参数化，将抽象指令转化为机器人关节的具体参数。
在 NVIDIA 内部测试中，面对 100 条模糊物理指令，Cosmos Reason 的任务拆解准确率达 91%，远超传统视觉语言模型的 68%。为支持这些先进技术和软件库，NVIDIA 推出了专为高要求工作负载设计的 AI 基础设施，具体包括：
- NVIDIA GB200 NVL72：集成 36 个 Grace CPU 和 72 个 Blackwell GPU 的机架式系统，目前已由各大云服务提供商采用，可显著加速 AI 训练和推理过程；
- NVIDIA RTX PRO 服务器：为机器人开发提供统一架构，支持训练、合成数据生成、机器人学习和仿真等全环节需求；
- NVIDIA Jetson Thor：搭载 Blackwell GPU，能够支持机器人同时运行多个 AI 工作流，实现实时智能交互。
从仿真引擎到推理模型，从数据生成到硬件支撑，NVIDIA 此次发布的技术矩阵，正打通机器人 “研发 - 测试 - 落地” 全链路。随着开源生态的持续完善与产学研协同的深化，人形机器人距离 “走进日常生活” 的目标，正迈出关键一步。
