NVIDIA 正在使用 机器人学习会议（CoRL） 在韩国举办的机器人学习峰会上，该公司展示了迄今为止在机器人学习领域最雄心勃勃的进展。此次峰会重点展示了一系列开放模型、强大的新型计算机平台和模拟引擎，旨在缩小机器人研究与实际部署之间的差距。
NVIDIA 此次发布的核心是移动性和操控性挑战，这两项挑战是机器人技术领域最复杂的难题。通过融合 AI 驱动的推理、先进的物理模拟和特定领域的计算平台，NVIDIA 旨在加速机器人开发的整个生命周期，从早期研发和模拟到训练，再到最终在物理环境中的部署。
机器人学习的开放模型：DreamGen 和 Nerd
NVIDIA 推出了 DreamGen 和 Nerd，这是两个专为机器人学习设计的开放基础模型。
- 梦创 专注于为机器人模拟生成多样化的训练环境，产生让机器人接触现实世界中会遇到的边缘情况和变化的场景。
- 书呆子，一个 神经机器人技术发展 模型，提供先进的感知和推理能力，使机器人能够理解自然环境、预测结果并动态调整其行为。
通过公开发布这些模型，NVIDIA 正在强化其对协作机器人研究的承诺，降低实验室和初创企业的准入门槛，并确保其在学术界和工业界的可重复性。这些模型可以直接接入 Isaac 机器人框架，从而简化实验和部署。
新的计算平台：模拟、训练和部署
NVIDIA 还宣布了针对机器人开发各个阶段优化的三款新计算系统：
RTX Pro 上的 Omniverse 与 Cosmos（模拟）
-
- 为模拟机器人任务提供物理精确的环境。
- 与新升级的 Isaac Lab 集成，用于强化学习、控制测试和环境创建。
- Cosmos 建立在 NVIDIA 的 Omniverse RTX 平台, 具有光线追踪渲染、照片级真实感和域随机化等特点，对于机器人技术中的模拟到现实的转移至关重要。
- 研究人员可以大规模地创建逼真的模拟，而无需依赖昂贵且有风险的物理试验。
NVIDIA DGX（培训）
- 定位为训练大型机器人学习模型的计算主干。
- 采用NVIDIA Blackwell架构GPU，实现机器人AI实时推理，延迟极低。
- 针对多模式工作负载进行了优化，将视觉、语言、运动和环境反馈结合到统一模型中。
- 快速缩短从训练到可用机器人行为的周期，并具有从实验室实验扩展到工业研发的能力。
- 专为现实条件下的设备推理和自主性而设计。
- 将 LLM 和扩散工作负载的 Transformer Engine 加速直接打包到嵌入式机器人系统中。
- 节能特性使其适用于商业移动机器人、无人机和自动机械手。
- 好处：将实时、类似人类的推理从数据中心直接带入物理世界。
- Isaac Lab 中的牛顿物理引擎
牛顿物理引擎于 GTC 2025 上首次发布，由其与迪士尼研究中心和谷歌 DeepMind 合作开发。
- 牛顿将刚体物理学、流体动力学和软体动力学融入到模拟中。
- 在 Isaac 实验室内，研究人员现在拥有对接触、摩擦、变形和多材料相互作用进行精确建模的能力。
- 这种保真度使机器人专家能够训练操作任务，例如抓取易碎物体或在不平坦的地形上导航，并具有很高的可靠性，可以应用于现实世界的应用。
NVIDIA 还展示了其用于机器人推理的 Groot 模型系列的持续演进，从 Groot N1.5（5 月发布）升级到 Groot N1.6。这些模型经过调整，能够进行“类人”规划、推理和任务分解，使机器人能够像人类操作员一样将复杂任务分解为可执行的步骤。
布莱克威尔：推动实时机器人推理
NVIDIA 强调了其新 布莱克韦尔GPU 架构正在实现机器人的实时推理。
- 通过将变压器规模的计算融入节能的外形尺寸，机器人可以执行实时决策、路径规划和多模式推理。
- 这意味着机器人不再局限于云服务器的批处理；它们可以随时思考和行动。
- 主要应用领域包括物流自动化、医疗机器人、工业操作和自主移动。
意义
NVIDIA 在机器人领域的推进意义非凡，不仅在于其推出的工具种类繁多，更在于其生态系统的紧密整合。这些进步包括：
- 开放式：创造公平的竞争环境，鼓励学术界和企业界的快速创新。
- 模拟引擎：降低硬件迭代的成本和风险，确保更快地从实验室转移到生产。
- 可扩展计算（DGX + Jetson）：提供连续性；可以在 DGX 集群上训练相同的模型，然后使用 Jetson AGX Thor 高效部署。
- 机器人推理的进步：为了弥补当前系统中的一个关键缺陷，大多数机器人都是被动响应而非主动响应。NVIDIA 正在赋予它们像人类一样的规划和推理能力。
由于移动性和操控性仍然具有挑战性，NVIDIA 的统一方法结合了开放的研究模型、物理精确的模拟和可部署的计算，使其成为加速机器人自主性的核心力量。
Amazon