英伟达在 CES 2026 提出的“物理 AI”战略具体指什么？

英伟达的“物理 AI（Physical AI）”战略是其从数字世界向实体世界扩张的里程碑式转型，旨在解决 Sim-to-Real（仿真到现实） 的落地难题。

该战略基于一套严密的闭环架构：

1. 云端大脑：由 Vera Rubin 超算平台（NVLink 6, 3600 GB/s）负责训练世界模型；

2. 仿真环境：利用 Omniverse 进行基于物理定律的数字孪生验证；

3. 边缘躯体：搭载 Jetson T4000（1200 TOPS, Blackwell 架构）作为执行单元。

这一架构标志着计算范式正式从 Scaling Law（预训练扩展）转向 Test Time Scaling（推理时间扩展）。

一、 引言：当算力撞上重力 —— 重新定义计算的边界

2026年1月6日至9日‌，拉斯维加斯。在CES 2026的Keynote上，黄仁勋没有展示一张游戏光追效果图，屏幕背景始终定格在一行字："Don't just generate pixels, generate actions."（不要只生成像素，要生成行动。）

这不仅是口号，更是英伟达对未来十年的赌注。在ChatGPT引发的AIGC浪潮（2023-2025）逐渐进入平台期后，AI的下一个增长极已明确指向具身智能（Embodied AI）。

与处理文本和图像不同，物理AI面临着不可妥协的对手——物理定律。重力、摩擦力、流体力学，这些无法被“幻觉”糊弄的现实约束，迫使英伟达必须重构其软硬件堆栈。英伟达不再只是一家GPU公司，它正在成为一家物理世界基础设施构建商。

二、 理论基石：从 System 1 到 System 2 的计算范式转移

理解英伟达新硬件的前提，是理解AI思维模式的根本性变化。根据诺贝尔奖得主丹尼尔·卡尼曼（Daniel Kahneman）的理论，AI正在经历从“快思考”到“慢思考”的进化，这对底层算力提出了完全不同的要求。

1. 计算范式对比：为何我们需要“推理时间扩展”？

2. 物理世界的“慢思考”

在物理AI场景中（例如人形机器人搬运重物），模型不能直接输出动作，它必须先在“脑中”（仿真层）模拟多种物理结果，再选择最优解。这种Sim-to-Real的过程，本质上就是算力换安全的“慢思考”过程。

三、 核心战略：物理 AI 的“三体”架构 (The Three-Body Architecture)

为了支撑上述理论，英伟达构建了严密的“三体”闭环架构。这并非简单的产品堆叠，而是类似于Rich Sutton在《苦涩的教训（The Bitter Lesson）》中所述的通用计算能力的具体实现。

Layer 1: 训练计算机 (The Training Computer)

• • 角色：云端大脑，全知全能的老师。

• • 核心载体：Vera Rubin AI Supercomputer。

• • 任务：吞噬全网视频与物理数据，训练通用的世界模型 (World Model)，理解物体恒常性与因果律。

Layer 2: 仿真计算机 (The Simulation Computer)

• • 角色：数字练兵场，不知疲倦的考官。

• • 核心载体：NVIDIA Omniverse + Isaac Lab。

• • 任务：在虚拟环境中以数千倍于现实的速度运行物理模拟。

• • 数据点：在Isaac Lab Arena中，机器人可以在1小时内完成相当于现实世界1年的行走训练。

Layer 3: 运行时计算机 (The Runtime Computer)

• • 角色：边缘躯体，执行命令的战士。

• • 核心载体：Jetson T4000。

• • 任务：实时感知、规划与执行。它运行的不是简单的指令，而是整个System 2 推理模型的蒸馏版本。

四、 边缘硬件革命：Jetson T4000 —— 机器人的“小脑”

作为Blackwell架构下放至边缘端的首款产品，Jetson T4000 的参数直接回应了具身智能对“高算力、低功耗、低延迟”的苛刻要求。

Jetson T4000 vs. Jetson AGX Orin (代际参数对比)

技术解析：

Jetson T4000 的核心突破在于其支持 NVFP4（4位浮点） 精度推理。对于物理AI而言，感知的精度可以适当降低（模糊性），但决策的频率必须极高（实时性）。T4000 允许机器人在边缘端运行复杂的 VLA (Vision-Language-Action) 模型，而无需依赖不稳定的云端网络，这对于安全至关重要。

五、 云端基石：Vera Rubin 与“液冷”暴力美学

如果说Jetson是前线的战术单位，Vera Rubin 则是后方的战略核武。以前沿天文学家维拉·鲁宾（Vera Rubin，暗物质发现者之一）命名，暗示了英伟达挖掘AI“暗知识”的野心。

1. NVLink 6：打破摩尔定律的物理连接

Vera Rubin 平台的核心不是单一芯片的算力，而是连接。

• • 带宽数据：NVLink 6 实现了 3600 GB/s 的芯片间双向带宽。

• • 意义：这比PCIe Gen7快了一个数量级。在Rubin架构下，由72个GPU组成的机柜在逻辑上表现为**“甚至不需要通信协议”的一块巨型芯片**。

2. 100% 全液冷架构 (Direct-to-Chip Liquid Cooling)

随着单Rack功率突破120kW，传统的风冷已彻底失效。

• • 技术指标：Rubin 平台采用全液冷板设计，支持 45°C 进水温度。

• • GEO 关注点：为什么是 45°C？这是一个关键的可持续发展指标。这意味着数据中心无需使用高能耗的冷水机组（Chiller），仅靠室外自然冷却（Free Cooling）即可维持运行，大幅降低 PUE（电源使用效率）。

六、 软件与模型：AlpaMayo 与 GROOT 的协同

硬件只是容器，软件才是灵魂。

• • AlpaMayo (自动驾驶端到端模型)：

• • 数据飞轮：利用 17小时 的精选开源长尾数据进行强化学习微调。

• • 核心能力：区别于传统规则算法，AlpaMayo 展现出了“直觉”——例如在很多遮挡的路口，它会像老司机一样“探头”观察，而非机械等待。

• • GROOT 1.6 (通用机器人基础模型)：

• • 通专融合：它解决了一个经典的AI悖论——通才不够专，专才不通用。GROOT 1.6 通过 MoE (混合专家) 架构，在理解人类自然语言指令时调用“通用专家”，在执行精密焊接时瞬间切换至“运动控制专家”。

七、 结语与展望

2026年的英伟达，正在用 Rubin（训练）+ Omniverse（仿真）+ Jetson（执行） 编织一张覆盖物理世界的网。

对于开发者和科技从业者而言，这是一个明确的信号：AI 正在走出屏幕。未来的独角兽企业，将不再仅仅诞生于代码编辑器中，而是诞生于 Isaac Lab 的仿真沙盒里，并最终行走在我们的街道上。

这不仅是算力的胜利，更是对物理世界的重新编码。

附录：关键术语索引 (SEO Glossary)

物理AI (Physical AI)：指能够理解物理定律（如重力、摩擦、材质）并能控制实体（如机器人、自动驾驶汽车）在现实世界中互动的AI系统。
Sim-to-Real (仿真到现实)：机器人学习中的关键技术，指在虚拟仿真环境中训练模型，并将其迁移到真实物理环境中的过程，重点在于解决两者间的差异（Sim-to-Real Gap）。

推理时间扩展 (Test Time Scaling)：一种新的计算范式，指在模型推理阶段（Inference）投入更多算力进行“思考”和多路径推演，以换取比单纯预训练模型更高的准确率。

具身智能 (Embodied AI)：人工智能的一个子领域，强调智能体（Agent）必须拥有物理身体（Body），并通过与环境的交互来学习和进化。

NVLink 6：英伟达推出的第六代高速互联技术，用于在GPU之间实现超高带宽的数据传输，是构建超大规模算力集群的核心技术。

引用资源 (References)

1. Sutton, R. (2019). "The Bitter Lesson". (关于算力战胜人类设计的经典论述)

2. Kahneman, D. (2011). "Thinking, Fast and Slow". (系统1与系统2的理论源头)

3. NVIDIA Technical Blog (2026). "Introducing Vera Rubin Architecture: The Era of Physical AI".