從鉆木取火到駕馭電力，從結(jié)繩記事到信息互聯(lián)，每一次技術(shù)躍遷都深刻地改變著人類的生存方式和認(rèn)知邊界。如今，人工智能正以前所未有的速度發(fā)展，具身智能作為人工智能的重要載體，正逐漸從科幻走向現(xiàn)實(shí)，叩響了智能進(jìn)化的新篇章。

它們能否像人類一樣感知、思考、行動(dòng)？它們將如何與人類共存？這不僅是技術(shù)層面的挑戰(zhàn)，更是對“智能”本質(zhì)的深刻拷問。卡爾·波普爾說，“我們所有的知識(shí)都只是猜測”，我們對具身智能的理解也同樣如此。我們試圖用機(jī)器來模擬人類的智能，但在這個(gè)過程中，也在不斷地反思和理解人類自身的智能是如何運(yùn)作的。這是一種雙向的啟發(fā)和促進(jìn)，人工智能的發(fā)展，不僅推動(dòng)了技術(shù)進(jìn)步，也促進(jìn)了人類對自身的認(rèn)知。

對智能邊界的不斷探索，驅(qū)動(dòng)著技術(shù)的革新。基于對未來具身智能的深刻洞察，2025 CES 期間，NVIDIA發(fā)布了一系列通用機(jī)器人基礎(chǔ)模型、數(shù)據(jù)管線和仿真框架，旨在加速下一代人形機(jī)器人的開發(fā)進(jìn)程。

師法自然：“合成數(shù)據(jù)”讓機(jī)器人“入門”

亞里士多德說“模仿是人類學(xué)習(xí)的第一天性”。人類的學(xué)習(xí)方式是復(fù)雜的，但模仿無疑是其中最原始、最有效的方式之一。“鸚鵡學(xué)舌”、“有樣學(xué)樣”，這些看似簡單的行為，蘊(yùn)含著深刻的智慧。從嬰兒蹣跚學(xué)步模仿父母的動(dòng)作，到學(xué)徒模仿工匠的技藝，模仿貫穿了我們學(xué)習(xí)和成長的始終。模仿學(xué)習(xí)正是借鑒了這一自然規(guī)律，賦予機(jī)器人從示范中學(xué)習(xí)的能力。它避免了傳統(tǒng)機(jī)器人訓(xùn)練中繁瑣的編程和大量的試錯(cuò)，使機(jī)器人能夠更快速、更直觀地掌握新技能

傳統(tǒng)的強(qiáng)化學(xué)習(xí)，雖然能夠讓機(jī)器人在與環(huán)境的交互中不斷學(xué)習(xí)和優(yōu)化，但往往需要大量的試錯(cuò)和精巧的獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)，效率較低。而通過用于合成運(yùn)動(dòng)生成的NVIDIA Isaac GR00T Blueprint，開發(fā)者只需少量人類示范，就能輕松生成海量的合成數(shù)據(jù)集，以便通過模仿學(xué)習(xí)訓(xùn)練人形機(jī)器人。

來源：NVIDIA

NVIDIA Isaac GR00T Blueprint中的GR00T-Teleop和GR00T-Mimic，正分別從不同的角度針對不同的應(yīng)用步驟提供解決方案。

GR00T-Teleop工作流側(cè)重于實(shí)時(shí)的遠(yuǎn)程操作和學(xué)習(xí)，適用于需要人類干預(yù)或指導(dǎo)的復(fù)雜任務(wù)。它利用VR/AR頭顯、手柄等空間計(jì)算設(shè)備(Apple Vision Pro)，為操作者創(chuàng)建沉浸式的虛擬環(huán)境。人類操作者佩戴這些設(shè)備后，可以在虛擬環(huán)境中以第一人稱視角控制機(jī)器人“化身”，身臨其境地操作機(jī)器人。操作者的動(dòng)作會(huì)被精確捕捉，并通過高速網(wǎng)絡(luò)傳輸?shù)綑C(jī)器人身上，使機(jī)器人能夠?qū)崟r(shí)復(fù)現(xiàn)操作者的動(dòng)作。這種方式不僅降低了機(jī)器人操作的門檻，且無需專業(yè)的編程知識(shí)，同時(shí)也為機(jī)器人學(xué)習(xí)復(fù)雜技能提供了有效的途徑。

GR00T-Mimic的核心技術(shù)則結(jié)合了多種前沿方法，旨在通過精確的動(dòng)作模仿和增強(qiáng)學(xué)習(xí)能力，實(shí)現(xiàn)更自然的行為生成和高效的環(huán)境適應(yīng)。首先，GR00T-Mimic采用了先進(jìn)的深度學(xué)習(xí)模型來進(jìn)行軌跡建模，通過訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶網(wǎng)絡(luò)（LSTM）以及Transformer等模型。運(yùn)用GR00T-Mimic能夠有效學(xué)習(xí)人類動(dòng)作的軌跡和規(guī)律，進(jìn)而生成新的動(dòng)作軌跡。

此外，隨著其對人體運(yùn)動(dòng)理解的深入，圖神經(jīng)網(wǎng)絡(luò)（GNN）被引入用于建模人體骨骼的運(yùn)動(dòng)關(guān)系，從而使得生成的動(dòng)作更加自然和精確。為了進(jìn)一步優(yōu)化軌跡的質(zhì)量，GR00T-Mimic還融合了強(qiáng)化學(xué)習(xí)方法，能夠根據(jù)任務(wù)需求對生成的動(dòng)作進(jìn)行自我調(diào)整和改進(jìn)，提高執(zhí)行精度。

如果從工作流的角度劃分，GR00T-Teleop 工作流如同一位細(xì)致的抄寫員，忠實(shí)地記錄下人類動(dòng)作的每一個(gè)細(xì)節(jié)，仿佛是編寫一部關(guān)于“人”的百科全書的序章。

在完成這份初步的“抄寫”后，接下來的任務(wù)是對這些記錄進(jìn)行整理、擴(kuò)展和深化。GR00T-Mimic 工作流承擔(dān)了這一重任，它將有限的人類示范轉(zhuǎn)化為龐大的數(shù)據(jù)集。在這一過程中，“涌現(xiàn)”的現(xiàn)象逐漸顯現(xiàn)，簡單的規(guī)則和模式相互作用，產(chǎn)生了復(fù)雜多樣的行為。

之后，利用基于 NVIDIA Omniverse 和 NVIDIA Cosmos 平臺(tái)構(gòu)建的GR00T-Gen 工作流,將數(shù)據(jù)集擴(kuò)展到指數(shù)級別。這一階段，不再是對已有信息的簡單復(fù)制，而是進(jìn)入了創(chuàng)造與演化的全新階段。

最終，這些數(shù)據(jù)集將會(huì)被注入到 NVIDIA Isaac Lab，成為機(jī)器人學(xué)習(xí)的“教科書”。此時(shí)，機(jī)器人不再是被動(dòng)執(zhí)行指令的工具，而是開始主動(dòng)適應(yīng)世界并實(shí)現(xiàn)進(jìn)化，最終掌握了在現(xiàn)實(shí)世界中執(zhí)行復(fù)雜任務(wù)的能力。

來源：NVIDIA

前景上看，GR00T Blueprint及相關(guān)技術(shù)將在多個(gè)行業(yè)中展現(xiàn)巨大潛力。如幫助制造業(yè)提高生產(chǎn)效率，物流業(yè)提升自動(dòng)化和末端配送能力，醫(yī)療領(lǐng)域提升手術(shù)精度和護(hù)理質(zhì)量，建筑業(yè)提高施工效率和安全性，服務(wù)業(yè)改善用戶體驗(yàn)。此外，GR00T Blueprint將推動(dòng)機(jī)器人技術(shù)的標(biāo)準(zhǔn)化和模塊化，降低開發(fā)成本，縮短開發(fā)周期，為機(jī)器人應(yīng)用的普及與創(chuàng)新提供強(qiáng)大支持。

虛實(shí)相生：Cosmos讓AI更靠近“現(xiàn)實(shí)宇宙”

“存在即合理”，這是黑格爾的名言。然而，對于在理解和交互物理世界的物理AI而言，僅僅“存在”是不夠的，還需要能夠理解和模擬“存在”的數(shù)據(jù)。真實(shí)世界的數(shù)據(jù)固然重要，但其采集、標(biāo)注和使用面臨諸多挑戰(zhàn)，如同柏拉圖《理想國》中描述的洞穴囚徒，我們所能接觸到的只是投射在墻壁上的影子，而非事物的本質(zhì)。

一直以來，海量的數(shù)據(jù)需求、繁瑣的數(shù)據(jù)標(biāo)注、以及難以獲取的極端場景......這些挑戰(zhàn)就像一道道屏障，阻礙著物理AI的發(fā)展。NVIDIA 在CES 2025期間發(fā)布的Cosmos，正打破這些屏障，為物理AI的發(fā)展注入新的活力。

Cosmos并非簡單地提供現(xiàn)成的數(shù)據(jù)，而是構(gòu)建了一個(gè)強(qiáng)大的平臺(tái)，它基于世界基礎(chǔ)模型（WFM），能夠生成高度逼真的合成數(shù)據(jù)，就像創(chuàng)造了一個(gè)虛擬的“宇宙”，讓AI系統(tǒng)在這個(gè)虛擬世界中自由探索和學(xué)習(xí)。

那么，Cosmos是如何構(gòu)建這個(gè)“宇宙”的呢？其核心在于其世界基礎(chǔ)模型（WFM），它們是經(jīng)過海量數(shù)據(jù)訓(xùn)練的生成模型，能夠理解和模擬物理世界的各種規(guī)律，例如物體的運(yùn)動(dòng)、碰撞、光照、材質(zhì)等等。有了這些“定律”，Cosmos就能創(chuàng)造出各種各樣的虛擬場景，從簡單的物體運(yùn)動(dòng)到復(fù)雜的交通環(huán)境，應(yīng)有盡有。Cosmos使用WFM可以從Omniverse平臺(tái)上開發(fā)的可控3D場景中生成逼真視頻。“使用Cosmos 模型從NVIDIA Omniverse™ 平臺(tái)上開發(fā)的可控3D 場景中生成逼真視頻。同時(shí)，開發(fā)者無需從零開始構(gòu)建復(fù)雜的物理模擬環(huán)境，大大降低了開發(fā)難度。

來源：NVIDIA

有了“宇宙”，還需要高效的“信號”來傳遞信息。Cosmos可以將圖像和視頻轉(zhuǎn)換為高保真度的“數(shù)據(jù)令牌”。這種轉(zhuǎn)換不僅提高了數(shù)據(jù)處理的效率，還有助于模型更好地理解和處理視覺信息。NVIDIA Cosmos Tokenizer 是先進(jìn)的可視化tokenizer（Tokenizer是預(yù)處理文本數(shù)據(jù)的重要步驟，它將連續(xù)的文本切分成具有實(shí)際意義的詞匯或子詞序列。）可將圖像和視頻轉(zhuǎn)換成token。與當(dāng)前領(lǐng)先的tokenizer 相比，其總壓縮率提高了8 倍，處理速度提高了12 倍。

要讓“宇宙”高效運(yùn)轉(zhuǎn)，還需要強(qiáng)大的“引擎”。Cosmos利用NVIDIA的GPU加速技術(shù)和NeMo Curator驅(qū)動(dòng)的數(shù)據(jù)處理管線，構(gòu)建了高效的數(shù)據(jù)處理和策劃管道。使用NVIDIA 的計(jì)算平臺(tái)，Cosmos可以在14天內(nèi)處理、整理和標(biāo)記2000萬小時(shí)的視頻，而使用CPU則需要3年以上。“NVIDIA NeMo™ Curator 驅(qū)動(dòng)的NVIDIA AI 和CUDA® 加速數(shù)據(jù)處理管線，使開發(fā)者能夠使用NVIDIA 的計(jì)算平臺(tái) 在14 天內(nèi)處理、整理和標(biāo)記2000 萬小時(shí)的視頻，而如果單純使用CPU 則需要3 年以上。

Cosmos不僅創(chuàng)造了“宇宙”，還提供了“實(shí)驗(yàn)室”，供AI模型進(jìn)行各種實(shí)驗(yàn)和研究。開發(fā)者可以在WFM的基礎(chǔ)上構(gòu)建自定義模型，使用Cosmos進(jìn)行強(qiáng)化學(xué)習(xí)以改進(jìn)模型，或者測試模型在特定仿真場景中的表現(xiàn)。Cosmos可以用于預(yù)測與“多元宇宙”模擬，生成AI模型所有未來可能實(shí)現(xiàn)的結(jié)果，幫助其選擇最佳和最準(zhǔn)確的路徑。

事實(shí)上，Cosmos也并非孤立存在，它能與NVIDIA Omniverse、NVIDIA NeMo等技術(shù)緊密集成，形成了一個(gè)完整的物理AI開發(fā)生態(tài)系統(tǒng)。這就像是“宇宙”的不同組成部分，相互關(guān)聯(lián)、相互作用，共同構(gòu)成一個(gè)完整的體系。

有了這個(gè)強(qiáng)大的“宇宙”，物理AI的應(yīng)用前景變得更加廣闊：自動(dòng)駕駛汽車可以在虛擬的道路上行駛數(shù)百萬英里，機(jī)器人可以在虛擬的工廠里進(jìn)行各種操作，而無需擔(dān)心安全和成本問題。

目前，交通運(yùn)輸領(lǐng)域的領(lǐng)先企業(yè)也在使用Cosmos構(gòu)建適用于自動(dòng)駕駛汽車的物理AI。Agility的首席技術(shù)官Pras Velagapudi表示，Cosmos能夠生成和增強(qiáng)逼真的場景，并利用這些場景訓(xùn)練模型，而不需要采集那么多昂貴的真實(shí)數(shù)據(jù)。“借助Cosmos 的文本、圖像和視頻到‘世界’的能力，我們能夠在各種任務(wù)中生成和增強(qiáng)逼真的場景并利用這些場景訓(xùn)練模型，而不需要采集那么多昂貴的真實(shí)數(shù)據(jù)。”

寫在最后：賦予智能無限的進(jìn)化空間

NVIDIA Isaac GR00T、Omniverse 和 Cosmos 正構(gòu)建一個(gè)前所未有的生態(tài)系統(tǒng)，推動(dòng)物理 AI 和人形機(jī)器人領(lǐng)域?qū)崿F(xiàn)巨大飛躍。從波士頓動(dòng)力和 Figure 等行業(yè)領(lǐng)軍者率先采用NVIDIA Isaac GR00T 并展示相關(guān)成果可以看出，人形機(jī)器人正加速走出實(shí)驗(yàn)室，走向現(xiàn)實(shí)應(yīng)用。

事實(shí)上，在科學(xué)研究中，演繹與歸納方法是兩種重要的推理方式，這位為人類理解世界提供了不同的路徑。演繹推理從一般性原則出發(fā)，通過邏輯推導(dǎo)得出具體結(jié)論；而歸納推理則從個(gè)別事實(shí)出發(fā)，通過觀察總結(jié)出普遍性規(guī)律。

遵循規(guī)律，基于對物理世界規(guī)律的理解（例如運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)），通過 Cosmos 和 Omniverse 構(gòu)建虛擬環(huán)境，進(jìn)行“演繹”，推導(dǎo)出機(jī)器人在不同場景下的行為模式。通過 Isaac GR00T 和實(shí)際機(jī)器人進(jìn)行實(shí)驗(yàn)，收集數(shù)據(jù)，進(jìn)行“歸納”，驗(yàn)證和修正之前的推論，并進(jìn)一步完善模型。這種“演繹-歸納”的循環(huán)往復(fù)，不斷推動(dòng)著機(jī)器人技術(shù)的進(jìn)步，使其更加精確、智能。它也類似于控制論中的反饋機(jī)制，通過不斷地比較實(shí)際輸出和期望輸出之間的差異，進(jìn)行調(diào)整和優(yōu)化，最終達(dá)到控制目標(biāo)。

這種不斷自我完善的能力，賦予了它們無限的成長空間，也預(yù)示著機(jī)器人智能的未來擁有無限的可能。

這是一種進(jìn)化，是硅基生命演化的另一種形式。