AI 技术正加速从数字世界延伸至现实物理世界，推动智能系统进入“物理 AI”时代。随着机器人、自动驾驶及无人系统在制造、医疗、物流、安防等行业快速普及，用户对其类人感知、自主决策与精准执行能力的需求不断提升，成为物理 AI 演进的核心驱动力。

　　IDC 预测，到 2026 年，AI 模型、视觉系统及边缘计算将取得突破性进步，机器人可实现的应用场景数量将增加 3 倍。全球机器人市场持续扩张，预计到 2029 年市场规模将超过 4000 亿美元。其中，中国市场占据近半份额，并以近 15% 的复合增长率位居全球前列。

　　以 NVIDIA 为代表的厂商通过“仿真先行+云端训练+端侧部署”的路径，推出并升级相关技术与产品，加速物理 AI 的落地与发展。

　　主要亮点提炼

　　物理 AI 的核心价值：物理 AI（Physical AI）是指使用 AI 技术对现实世界进行理解、推理、规划并与之交互的模型，它们通常封装在机器人或自动驾驶汽车等自主机器中。核心价值在于赋能机器人等自主体实现“感知一理解一执行”闭环，使 AI 真正走入复杂现实环境完成自主决策与执行。

　　物理 AI 面临的三大挑战：

　　具身模型缺乏环境、任务与本体的泛化能力，难以适应复杂多变的现实场景；

　　训练数据稀缺目获取成本高，长尾场景难以覆盖，制约模型泛化提升；

　　具身模型端侧部署受算力、功耗与体积限制，难以支撑多模态感知与实时决策。

　　物理 AI 的实现依赖“三大计算平台”：为应对以上挑战，物理 AI 的实现离不开强大的计算架构支撑：认知训练计算、虚拟仿真计算以及实时部署计算。

　　以 NVIDIA 为代表的厂商以“仿真先行+运动训练+端侧部署”的思路，正不断推出并升级相关技术与产品解决方案，从而加速具身智能机器人的发展与规模化落地。

　　仿真先行：

　　利用 NVIDIA Omniverse 构建用于数据生成的物理仿真环境。

　　借助 NVIDIA Cosmos 世界基础模型，缩小仿真和现实环境差距。

　　云端训练：

　　依托超级计算机 NVIDIA DGX 平台，利用 NVIDIA NeMo 可以进一步预训练机器人基础模型，使机器人理解自然语言、识别物体并规划复杂动作等。

　　GR00T N 系列基础模型可作为开发基准，针对新的机器人策略开展后训练工作，加速具身智能机器人的研发进程。

　　端侧部署：

　　通过 NVIDIA Jetson AGX Thor 支持 AI 模型的低延迟实时推理。

　　案例分析

　　海克斯康（Hexagon）与 NVIDIA 合作开发了人形机器人 AEON。AEON 的研发和部署，依托于 NVIDIA 提供的三大计算平台及全栈式物理 AI 系统，构建了一套涵盖认知训练—仿真优化—端侧部署的闭环能力体系。

　　仿真先行：基于 OVX 平台与 Omniverse 构建虚拟训练体系，驱动技能快速学习。

　　模型训练与微调：依托 DGX 平台训练机具身智能基础模型。

　　实时部署与协作安全：借助 Jetson Orin 实现高效部署与边缘推理。

　　借助 NVIDIA 全栈计算平台，AEON 实现了从技能训练到端侧部署的高效闭环，取得了多维度的应用成效。