在阅读此文之前，辛苦您点击一下“关注”，既方便您进行讨论和分享，又能给您带来不一样的参与感，感谢您的支持！

编辑：欣阅

10月8日，一场名为《英伟达OpenUSDInsiderSeriesPodcast》的在线访谈节目，表面上看只是一次常规的技术交流。但当主持人Edmar介绍出一位特别的嘉宾时，整个事件的性质就悄然改变了。

聚光灯下的是黄敏珊，英伟达Omniverse及物理AI产品与技术营销的高级总监。这个头衔固然重要，但更引人注目的是她另一个身份——英伟达创始人黄仁勋的女儿。

这是她第一次以官方身份出现在这样的公开直播中，这场看似轻松的对话，也因此成了一次外界窥探英伟达未来战略的非正式窗口。

与她对谈的，是光轮智能（GLWheel）的CEO谢晨，一位履历极其扎实的技术大牛。他不仅曾是英伟达自动驾驶仿真业务的负责人，还曾执掌过Cruise的仿真部门。

这样的嘉宾配置，显然不是一场简单的聊天。他们讨论的主题直指当下人工智能领域最硬核的挑战：如何填平“仿真与现实的鸿沟”（Sim2Real），让机器人在虚拟世界里摸爬滚打，然后在现实世界里独当一面。

这不仅仅是一场技术探讨，更像是一场战略宣言。在黄敏珊的首次公开亮相背后，英伟达正悄然揭开其物理AI版图的核心组件——一个前所未有的“物理AI合成数据引擎”的神秘面纱。它的目标，是彻底颠覆机器人研发的游戏规则。

别只看脸，要摸骨

语言模型很幸福，它们可以吞噬整个互联网来学习。但机器人不一样，它们生活在一个数据极度贫瘠的世界。研发机器人面临着一个根本性的死结：数据荒漠。

你总不能真让一个机器人对着一扇门反复撞上一万次，只为教会它如何开门吧？这种在现实世界里手动采集数据的方式，不仅成本高到离谱，效率低下，更充满了无法预估的安全风险。现实世界中的机器人数量，跟满大街跑的自动驾驶汽车相比，简直是九牛一毛，这让大规模的数据采集成了天方夜谭。

谢晨用一个“数字金字塔”的比喻来形容这个困境，在他看来，具身智能所需的数据量，甚至可能超越训练一个大语言模型。既然“采集”这条路走不通，那唯一的出路就是“生成”。通过仿真创造合成数据，这不仅是业界的共识，甚至被认为是突破困境的“最优解”。

但这又引出了一个更深层次的问题：什么样的仿真数据才算“好”数据？

很多人以为，仿真就是把画面做得越逼真越好。可对于机器人来说，这完全搞错了重点。自动驾驶的Sim2Real相对简单，因为它的核心是视觉感知，只要摄像头看到的世界和真实世界差不多就行。但机器人不一样，它的一切都关乎“物理”——每一次接触、每一次抓握、每一次操控，都涉及到复杂的力学交互。

灵巧的手指、微小的触觉传感器，这些才是机器人感知世界的关键。仿真世界里的视觉信号、物体表面的纹理、光线反射，和现实总有偏差。更要命的是物理交互的差距，比如一块布料在仿真中如何褶皱，一杯水如何晃动，这些都很难完美模拟真实物理规律。

所以，仿真的关键根本不是视觉上的“像”，而是物理属性上的“准”。英伟达和光轮智能追求的，不是让画面看起来像一个真实的冰箱，而是要让机器人在虚拟世界里拉开那扇冰箱门时，能感受到和现实中一模一样的磁吸力。他们关心的，是抽屉被拉开时那种微妙的摩擦力和阻尼感。

造个比现实还管用的“假世界”

要实现这种物理层面的精准，靠凭空想象是行不通的。光轮智能拿出了一套硬核的解决方案。他们会用专业的物理设备，在现实世界中去采集真实的力数据。比如，去测量一个开关被按下时需要多大的力，力随位移变化的曲线是怎样的。

然后，他们会把这条力测曲线带回仿真世界，在虚拟环境中不断调试那个开关的物理参数，直到仿真中的力反馈曲线与真实采集的曲线完美重合。这就像一个“真理校准”机制，确保了虚拟世界里的物理规律，是有现实世界的数据作为锚点的。

英伟达也为这些“不仅仅是3D模型”的数字资产设立了一个新标准——SimReady。一个符合SimReady标准的数字资产，必须内嵌了真实的物理属性，比如摩擦系数、阻尼、质量等等。它不是一个空壳子，而是一个高度仿真的数字孪生。

然而，构建这个数据引擎的目标，却又不是去1：1地“复制”现实。黄敏珊在直播中提出了一个更具颠覆性的观点：仿真的目的，是“覆盖”现实。

什么意思呢？现实世界充满了各种意外。一个物体可能被摆在稍微偏左一点的位置，光线可能比平时暗一些，地面可能更滑一点。如果仿真世界和现实一模一样，那机器人学会的，也只是在这种“完美”条件下工作。

所以，更好的策略是在仿真中引入“随机化”。把物体的物理参数、位置、光照条件在一个范围内随机变动。通过成千上万次这种带有微小变化的训练，机器人就能学会应对各种不确定性，获得强大的泛化能力和鲁棒性。它学会的不是一个标准答案，而是一套解决问题的通用逻辑。

这就是数据引擎“燃料”的生产方式。它要解决的不仅是数据“量”的瓶颈，更是通过创造性的数据生成策略，去解决数据“质”和“多样性”的难题。

为了让这个过程更高效，英伟达还推出了一个名为Cosmos的“世界模型”。它扮演着一个“数据放大器”的角色，能够把海量的、略显粗糙的仿真数据，和少量珍贵的真实世界数据进行融合，生成更加逼真、更可用的训练素材。同时，为了支撑强化学习这种极度“消耗”数据的训练范式，引擎在底层技术上也做了优化，比如采用凸包这类简化算法进行高效的碰撞检测，在精度和速度之间找到了一个绝妙的平衡点。

新时代的“黄金搭档”

要建造这样一个复杂到极致的引擎，靠单打独斗是不可能的。英伟达深知这一点，并为此构建了一个“三台计算机”的宏大战略布局。第一台是AI超算，提供澎湃的训练算力。第二台是仿真计算机，以Omniverse和IsaacSim为核心，作为机器人的虚拟训练场。

第三台则是物理AI计算机，由GROOT基础模型、Cosmos世界模型和Jetson端侧芯片组成，让机器人在现实中行动起来。

而光轮智能，就是这个宏伟蓝图中不可或不可缺的一环，是第二台计算机的核心能力供应商。他们之间的关系，早已超越了传统的甲方乙方。黄敏珊在直播中毫不掩饰地表达了对合作伙伴的倚重，她直言：“英伟达内部的许多团队，比如GearLab，都非常依赖他们的支持，我们离不开光轮智能。”

这种依赖是相互的，也是深度的。光轮智能的技术已经渗透到英伟达生态的多个层面，从最初的自动驾驶仿真团队，一路合作到现在的Omniverse和Cosmos团队。他们甚至正在联手开发一个名为IsaacLabArena的下一代开源框架，目标是为整个行业提供一个用于基准测试、评估和大规模强化学习的公共平台。

这是一种全新的、深度捆绑的技术共生关系。英伟达这样的顶层设计者，与光轮智能这样的核心部件供应商，必须像一个有机体一样无缝协作。

结语

回过头来看8日那场直播，它的意义远超一场简单的技术访谈。它更像是英伟达对其物理AI战略版图的一次“非正式剧透”，而黄敏珊的亮相，则为这场剧透增添了浓墨重彩的一笔。

那个被反复提及的“物理AI合成数据引擎”，正串联起英伟达从底层数据标准、数字资产，到仿真平台、再到世界模型的全链路技术栈。它的建成，将从根本上改变机器人的研发范式——从依赖现实世界的昂贵试错，转向利用虚拟世界进行无限、低成本的迭代进化。

其中一个被反复提及的“圣杯级”难题——电缆仿真，最能体现这个引擎的价值。因为电缆同时具备刚体和柔性物体的双重特性，模拟起来极其困难，但它对英伟达自身复杂的芯片制造流程又至关重要。一旦攻克，其应用价值不可估量。

一个由高质量合成数据驱动的机器人新纪元，似乎已经不再遥远。这个庞大的数据引擎一旦开始轰鸣，它驱动的将不仅仅是虚拟世界里的像素，更是现实世界中，机器人产业真正走向通用智能的未来。