機(jī)器之心編輯部

過去十年，AI 卡的是算力；未來十年，物理 AI 卡的是數(shù)據(jù)。而數(shù)據(jù)的前提，是仿真。

沒有可規(guī)?；姆抡媸澜?，就沒有可規(guī)模化的機(jī)器人數(shù)據(jù)；沒有統(tǒng)一的仿真標(biāo)準(zhǔn)，就不會(huì)有真正的物理 AI 生態(tài)。

仿真，正在成為物理 AI 時(shí)代的 CUDA。

CUDA 曾經(jīng)把 GPU 計(jì)算變成 AI 時(shí)代的統(tǒng)一底座。今天，仿真正成為物理 AI 時(shí)代新的標(biāo)準(zhǔn)層。

物理 AI 的核心瓶頸已經(jīng)變了

回望過去的技術(shù)演進(jìn)，每個(gè)階段都有自己的關(guān)鍵瓶頸。

大語言模型時(shí)代，這個(gè)瓶頸是算力。不論是閉源的 GPT、Claude，還是開源的 Llama、Qwen、DeepSeek，這條賽道的核心命題始終只有一個(gè)：如何用更多算力、在更大數(shù)據(jù)集上跑通 Scaling Law。算力的天花板在哪里，模型能力的邊界就在哪里。

支撐這一輪浪潮的底層基礎(chǔ)設(shè)施，正是以 CUDA 為代表的統(tǒng)一計(jì)算標(biāo)準(zhǔn)。CUDA 把 GPU 從圖形計(jì)算工具變成 AI 時(shí)代的通用計(jì)算底座，也讓大模型訓(xùn)練第一次擁有了可規(guī)模化調(diào)用的計(jì)算基礎(chǔ)設(shè)施。誰掌握算力入口，誰就擁有時(shí)代紅利。

但進(jìn)入物理 AI 時(shí)代，核心瓶頸正在從 “算力” 轉(zhuǎn)向 “數(shù)據(jù)”。

過去的大模型，本質(zhì)上是用互聯(lián)網(wǎng)語料學(xué)習(xí)人類世界；而物理 AI，需要學(xué)習(xí)真實(shí)物理世界。語言模型學(xué)習(xí)的是文字之間的關(guān)系，機(jī)器人學(xué)習(xí)的則是力如何傳遞、接觸如何發(fā)生、動(dòng)作如何實(shí)現(xiàn)、世界如何反饋。

這意味著，物理 AI 所需要的數(shù)據(jù)，不再是互聯(lián)網(wǎng)中天然存在的信息，而是必須在 “可交互、可執(zhí)行、可驗(yàn)證” 的物理環(huán)境中被系統(tǒng)性生成。

數(shù)據(jù)的困境，來自機(jī)器人學(xué)習(xí)方式的根本差異。斯坦福教授李飛飛曾在談及機(jī)器人智能與傳統(tǒng)機(jī)器學(xué)習(xí)的差異時(shí)指出：“把數(shù)據(jù)帶入機(jī)器人訓(xùn)練，遠(yuǎn)比收集圖片困難得多。” 機(jī)器人模型要學(xué)會(huì)抓取、搬運(yùn)、操作、行走，需要的不是靜態(tài)圖像，而是大量覆蓋真實(shí)物理交互的高質(zhì)量行動(dòng)數(shù)據(jù)。

這類數(shù)據(jù)無法像網(wǎng)頁(yè)文本一樣從互聯(lián)網(wǎng)爬取，也無法通過簡(jiǎn)單擴(kuò)大算力憑空生成。自動(dòng)駕駛尚有 “影子模式”：幾百萬輛量產(chǎn)車每天在真實(shí)道路上行駛，司機(jī)的每一個(gè)操作都可以成為天然監(jiān)督信號(hào)；機(jī)器人并沒有這樣的基礎(chǔ)設(shè)施

也正因如此，李飛飛進(jìn)一步提出，可以用大量仿真數(shù)據(jù)訓(xùn)練機(jī)器人 “大腦”，再用更少量的真實(shí)數(shù)據(jù)彌合通往現(xiàn)實(shí)世界的差距。換句話說，機(jī)器人數(shù)據(jù)不是現(xiàn)成存在的互聯(lián)網(wǎng)語料，而必須在可交互、可執(zhí)行、可驗(yàn)證的環(huán)境中被系統(tǒng)性生產(chǎn)出來；沒有成熟的仿真體系，就沒有規(guī)模化的訓(xùn)練數(shù)據(jù)，也就沒有具身智能的持續(xù)迭代。

除了數(shù)據(jù)數(shù)量，數(shù)據(jù)質(zhì)量同樣關(guān)鍵。過去談?wù)摂?shù)據(jù)質(zhì)量，往往聯(lián)想到成功完成任務(wù)的樣本；但物理 AI 更需要理解失敗—— 物體為什么滑落，動(dòng)作為什么失穩(wěn)，接觸為什么偏離預(yù)期。只有不斷暴露問題、糾錯(cuò)反饋，模型才可能從數(shù)據(jù)中真正獲得學(xué)習(xí)信號(hào)。

因此，數(shù)據(jù)背后還有一個(gè)同等重要卻更隱蔽的瓶頸：評(píng)測(cè)

大模型時(shí)代的評(píng)測(cè)相對(duì)成熟：訓(xùn)練損失是可靠的優(yōu)化信號(hào)，標(biāo)準(zhǔn)化基準(zhǔn)（MMLU、HumanEval 等）能直接反映模型能力進(jìn)展。但在物理 AI 領(lǐng)域，這套邏輯失效了。訓(xùn)練損失的下降與實(shí)驗(yàn)室 Demo 的成功，已難以全面反映模型在真實(shí)環(huán)境中的綜合能力；今天跑通的動(dòng)作，換一個(gè)燈光、換一個(gè)物體表面，可能就失效了。

問題的核心在于：機(jī)器人的訓(xùn)練與評(píng)測(cè)，本質(zhì)上都需要在符合真實(shí)物理規(guī)則的環(huán)境中反復(fù)執(zhí)行。但真實(shí)世界不可無限重置、不可大規(guī)模并行，也難以系統(tǒng)性構(gòu)造失敗場(chǎng)景。沒有統(tǒng)一、可復(fù)現(xiàn)、可并行、可量化的評(píng)測(cè)體系，數(shù)據(jù)就很難有效指導(dǎo)訓(xùn)練，模型也無法知道自己在哪里失敗，更無法定向補(bǔ)充數(shù)據(jù)、提升能力。

因此，仿真不再是輔助工具，而是物理 AI 數(shù)據(jù)生產(chǎn)與能力評(píng)測(cè)的前提條件。誰能構(gòu)建更大、更快、更真實(shí)的仿真世界，誰就同時(shí)打開了數(shù)據(jù)生產(chǎn)和能力評(píng)測(cè)兩道門，也就掌握了通往通用具身智能的鑰匙。

仿真

國(guó)際巨頭爭(zhēng)搶的物理 AI 戰(zhàn)略高地

如果說上述判斷還停留在理論層面，那么過去十幾年國(guó)際巨頭的一系列動(dòng)作早已用真金白銀做出了表態(tài)。他們通過收購(gòu)、開源、孵化、自研，不遺余力地要把仿真能力嵌入到自己的機(jī)器人技術(shù)棧與生態(tài)標(biāo)準(zhǔn)中。

NVIDIA 早在 2008 年就收購(gòu)了當(dāng)時(shí)最主流的物理引擎PhysX，并深度綁定自家 GPU 硬件，將其逐步從游戲物理工具演進(jìn)為 Omniverse 中的高精度仿真內(nèi)核，成為 Isaac Sim 等機(jī)器人平臺(tái)的核心物理基礎(chǔ)設(shè)施。

Google DeepMind 在 2021 年收購(gòu)了MuJoCo—— 此前它已是機(jī)器人和強(qiáng)化學(xué)習(xí)圈的標(biāo)配工具，成為論文、基準(zhǔn)測(cè)試、開源代碼的默認(rèn)選項(xiàng)。由此，Google 順理成章地拿到了整個(gè)機(jī)器人學(xué)術(shù)界的工具鏈主導(dǎo)權(quán)。

Drake孵化自 MIT CSAIL，后被 Toyota Research Institute（TRI）接管，成為高可信動(dòng)力學(xué)仿真的可擴(kuò)展底座；Bullet 則隨著創(chuàng)始人的入職而與 Google 生態(tài)實(shí)現(xiàn)深度綁定。

Disney Research 則走了一條自研路線：孵化出專攻閉鏈機(jī)構(gòu)與極端工況運(yùn)動(dòng)求解的仿真引擎Kamino，專攻非標(biāo)準(zhǔn)構(gòu)型下如何穩(wěn)定站立和運(yùn)動(dòng)，從而解決商業(yè)化機(jī)器人落地的高頻痛點(diǎn)。

這些舉措并非偶然，而是全球頂級(jí)機(jī)構(gòu)在仿真賽道上有意識(shí)的戰(zhàn)略卡位。過去行業(yè)以為，仿真只是一個(gè)工程工具；但今天全球巨頭真正爭(zhēng)奪的，已經(jīng)不是 “誰的引擎更快”，而是誰能定義世界如何被建模、物理如何被表達(dá)、數(shù)據(jù)如何被生成、能力如何被評(píng)測(cè)、機(jī)器人如何被訓(xùn)練。

因?yàn)檎l定義仿真，誰就定義了機(jī)器如何理解現(xiàn)實(shí)世界。這已經(jīng)不是工具之爭(zhēng)，而是世界定義權(quán)之爭(zhēng)。

問題也隨之出現(xiàn)：這些求解器長(zhǎng)期分散在不同體系中，物理表達(dá)、資產(chǎn)標(biāo)準(zhǔn)、訓(xùn)練接口和評(píng)測(cè)流程彼此割裂。物理 AI 需要的，不是更多單點(diǎn)工具，而是一個(gè)能把這些能力整合進(jìn)同一架構(gòu)的中樞引擎。

Newton

全球物理 AI 基礎(chǔ)設(shè)施第一次走向統(tǒng)一

Newton應(yīng)運(yùn)而生。

這不是一次普通的開源發(fā)布，而是全球物理 AI 基礎(chǔ)設(shè)施第一次開始走向統(tǒng)一。過去十幾年，GPU 并行計(jì)算、高精度接觸動(dòng)力學(xué)、復(fù)雜機(jī)構(gòu)求解、強(qiáng)化學(xué)習(xí)仿真、工業(yè)級(jí)機(jī)器人驗(yàn)證，始終分散在不同體系中。Newton 第一次嘗試把這些能力放進(jìn)同一個(gè)開放架構(gòu)中。

它想統(tǒng)一的是物理 AI 的底層世界模型。

2025 年 9 月，NVIDIA、Google DeepMind 與 Disney Research 聯(lián)合開源物理仿真引擎 Newton Beta 版。它不是某一家公司的單點(diǎn)開源嘗試，而是三家全球頂級(jí)機(jī)構(gòu)投入數(shù)百名工程師與研究員、歷時(shí)近兩年持續(xù)開發(fā)，將各自最強(qiáng)的仿真能力放進(jìn)同一個(gè)開放架構(gòu)中的結(jié)果。

NVIDIA 貢獻(xiàn)的是 GPU 原生加速、Warp 框架與 Isaac 生態(tài)。過去十幾年，NVIDIA 持續(xù)推動(dòng) GPU 從圖形計(jì)算走向通用計(jì)算，再走向 AI 訓(xùn)練與物理仿真。到了 Newton，這套能力被進(jìn)一步延伸到機(jī)器人學(xué)習(xí)場(chǎng)景：高并行、可擴(kuò)展，并可與現(xiàn)代 AI 訓(xùn)練基礎(chǔ)設(shè)施深度結(jié)合。

Google DeepMind 帶來的是 MuJoCo 在機(jī)器人學(xué)習(xí)與高精度接觸動(dòng)力學(xué)上的長(zhǎng)期積累。MuJoCo 曾是機(jī)器人強(qiáng)化學(xué)習(xí)和控制研究中最重要的仿真工具之一，而 Newton 將這一套高精度動(dòng)力學(xué)能力遷移到 GPU 原生框架中，使其能夠支撐更大規(guī)模的并行訓(xùn)練和評(píng)測(cè)。

Disney Research 則將 Kamino 等仿真能力納入其中。與標(biāo)準(zhǔn)機(jī)器人形態(tài)不同，Disney 長(zhǎng)期面對(duì)的是閉鏈機(jī)構(gòu)、復(fù)雜結(jié)構(gòu)、非標(biāo)準(zhǔn)構(gòu)型與極端工況下的運(yùn)動(dòng)控制問題，這使其在復(fù)雜機(jī)構(gòu)穩(wěn)定求解上形成了獨(dú)特積累。Newton 將這一路線吸收進(jìn)統(tǒng)一架構(gòu)，使機(jī)器人仿真不再局限于傳統(tǒng)剛體系統(tǒng)，而是進(jìn)一步覆蓋復(fù)雜機(jī)構(gòu)、柔性材料與多物理交互。

也就是說，Newton 實(shí)現(xiàn)了GPU 并行計(jì)算、高精度接觸動(dòng)力學(xué)、復(fù)雜機(jī)構(gòu)求解與機(jī)器人學(xué)習(xí)生態(tài)第一次在同一個(gè)開源架構(gòu)中實(shí)現(xiàn)系統(tǒng)性匯合

模塊化架構(gòu)、GPU 原生加速、自動(dòng)微分能力與跨生態(tài)協(xié)作機(jī)制，使 Newton 不只是一個(gè)物理引擎，更像是面向物理 AI 訓(xùn)練、評(píng)測(cè)與部署的統(tǒng)一仿真底座

這些特質(zhì)，使Newton 從誕生之初就站在了物理 AI 基礎(chǔ)設(shè)施的關(guān)鍵位置

值得關(guān)注的是，在這個(gè)由全球頂級(jí)機(jī)構(gòu)共同構(gòu)成的物理 AI 仿真基礎(chǔ)設(shè)施版圖中，中國(guó)公司第一次出現(xiàn)在核心坐標(biāo)上

中國(guó)公司第一次

進(jìn)入全球物理 AI 標(biāo)準(zhǔn)定義層

今年三月，光輪智能正式受邀作為核心指導(dǎo)委員加入開源 GPU 加速物理引擎 Newton，在關(guān)鍵具身仿真技術(shù)方向上發(fā)揮主導(dǎo)作用，并與 NVIDIA、Google DeepMind、Disney Research, 共同引領(lǐng)推動(dòng)下一代開源物理 AI 仿真標(biāo)準(zhǔn)。

同時(shí)加入的還有 Toyota Research Institute (豐田研究院），所帶來的高可信動(dòng)力學(xué)仿真的可擴(kuò)展軟件底座 Drake，進(jìn)一步拓展了 Newton 的技術(shù)能力。

第一次，中國(guó)公司以核心共建者身份進(jìn)入全球物理 AI 仿真基礎(chǔ)設(shè)施標(biāo)準(zhǔn)的定義層：過去二十年，操作系統(tǒng)生態(tài)由 Microsoft 與 Apple 定義，移動(dòng)生態(tài)由 Apple 與 Google 定義，AI 訓(xùn)練框架與計(jì)算標(biāo)準(zhǔn)由 NVIDIA 與 Google 等巨頭主導(dǎo)。而今天，物理 AI 的仿真標(biāo)準(zhǔn)終于開始有了中國(guó)公司的核心參與。

光輪加入 Newton TSC，是憑借全棧自研的 “求解—測(cè)量—生成” 三位一體技術(shù)平臺(tái)

• 首先，依托自研求解器與物理測(cè)量體系，主導(dǎo) Newton 引擎核心能力的持續(xù)演進(jìn)，包括求解器的物理驗(yàn)證與系統(tǒng)性標(biāo)定、接觸建模與多物理場(chǎng)能力優(yōu)化，以及仿真結(jié)果與真實(shí)世界一致性的持續(xù)提升。
• 其次，圍繞SimReady 體系，推動(dòng)仿真資產(chǎn)在物理屬性規(guī)范、數(shù)據(jù)格式、接口標(biāo)準(zhǔn)、驗(yàn)證流程與評(píng)測(cè)體系等方面的進(jìn)一步統(tǒng)一，完善下一代仿真世界標(biāo)準(zhǔn)。
• 第三，依托物理測(cè)量工廠與資產(chǎn)生成體系，持續(xù)提升規(guī)?；?SimReady 世界供給能力，構(gòu)建高保真、可復(fù)用的仿真資產(chǎn)與場(chǎng)景庫(kù)，為全球開發(fā)者提供可直接使用的仿真資源。

求解、測(cè)量、生成三者合在一起，構(gòu)成從物理建模、引擎驗(yàn)證到工程落地的完整閉環(huán)，這使 Newton 不僅能算，而且可驗(yàn)證、可復(fù)用、可規(guī)?；M(jìn)入真實(shí)工業(yè)流程。

也正因此，光輪成為 Newton TSC 核心共建格局中唯一一家中國(guó)公司。這標(biāo)志著其在物理 AI 底層技術(shù)領(lǐng)域的能力與影響力，獲得了國(guó)際生態(tài)的正式認(rèn)可。

事實(shí)上，光輪在國(guó)際開源生態(tài)中的布局遠(yuǎn)不止于 Newton。

此前，光輪智能已聯(lián)合 NVIDIA 開源發(fā)布Isaac Lab-Arena機(jī)器人策略評(píng)測(cè)基準(zhǔn)框架，推動(dòng)具身大模型評(píng)測(cè)走向可復(fù)現(xiàn)、可擴(kuò)展、可規(guī)模化；自研LeIsaac仿真平臺(tái)被 Hugging Face 官方文檔收錄，成為全球開發(fā)者進(jìn)入具身仿真的標(biāo)準(zhǔn)工程框架；聯(lián)手 World Labs，用RoboFinals解決世界模型評(píng)測(cè)難題；聯(lián)合通義千問，通過RoboFinals共建可復(fù)現(xiàn)、可診斷的工業(yè)級(jí)評(píng)測(cè)閉環(huán)，推動(dòng)具身智能評(píng)測(cè)從學(xué)術(shù) benchmark 走向工業(yè)級(jí)基礎(chǔ)設(shè)施。

從底層物理引擎，到開發(fā)者平臺(tái)，再到評(píng)測(cè)框架與工業(yè)級(jí)閉環(huán)，光輪智能參與的并不是一個(gè)個(gè)孤立項(xiàng)目，而是一條清晰的生態(tài)路徑：底層物理引擎負(fù)責(zé) “世界如何運(yùn)行”，仿真平臺(tái)負(fù)責(zé) “開發(fā)者如何使用”，評(píng)測(cè)框架負(fù)責(zé) “模型如何被衡量”，工業(yè)級(jí)評(píng)測(cè)閉環(huán)則負(fù)責(zé) “能力如何持續(xù)迭代”。

這條生態(tài)路徑的價(jià)值已經(jīng)在市場(chǎng)中得到驗(yàn)證。今天，光輪智能已成為全球物理 AI 仿真與數(shù)據(jù)基礎(chǔ)設(shè)施的重要提供方，服務(wù)全球全部前五的世界模型團(tuán)隊(duì)；國(guó)際主流具身智能團(tuán)隊(duì)中，超過 80% 的仿真資產(chǎn)與合成數(shù)據(jù)來自光輪

在這條路徑上，光輪智能的角色發(fā)生變化：它不只是為頭部模型團(tuán)隊(duì)提供仿真資產(chǎn)與合成數(shù)據(jù)，更是在引領(lǐng)構(gòu)建物理 AI 時(shí)代的開源基礎(chǔ)設(shè)施、開發(fā)者平臺(tái)與評(píng)測(cè)標(biāo)準(zhǔn)

中國(guó)公司第一次以核心技術(shù)共建者的身份，進(jìn)入全球物理 AI 仿真基礎(chǔ)設(shè)施標(biāo)準(zhǔn)形成的關(guān)鍵位置。

全球物理 AI 仿真 Top 5 專家天團(tuán)

再看 Newton TSC 的人員構(gòu)成，可謂高手云集。

• Miles Macklin Ph.D.（NVIDIA）NVIDIA 仿真技術(shù)高級(jí)工程總監(jiān)，Warp 框架的聯(lián)合創(chuàng)造者。如果說 Newton 的速度優(yōu)勢(shì)有一個(gè)技術(shù)源頭，就是 Macklin 和他的團(tuán)隊(duì)十幾年來在 GPU 并行物理仿真上的積累。
• Yuval Tassa Ph.D.（Google DeepMind）機(jī)器人仿真團(tuán)隊(duì)負(fù)責(zé)人，MuJoCo 聯(lián)合創(chuàng)始人。他解決了 MuJoCo-Warp 的融合問題，讓 MuJoCo 的物理精度在 GPU 上重生。Tassa 代表的是機(jī)器人學(xué)界最核心的一條高精度仿真路徑。
• 謝晨 Ph.D.（光輪智能）光輪智能創(chuàng)始人兼 CEO，曾任 NVIDIA 及 Cruise 自動(dòng)駕駛仿真負(fù)責(zé)人，長(zhǎng)期推動(dòng)仿真與合成數(shù)據(jù)在自動(dòng)駕駛和物理 AI 中的產(chǎn)業(yè)化落地。國(guó)際首創(chuàng)將生成式 AI 融入仿真，主導(dǎo)確立光輪“求解—測(cè)量—生成”三位一體全棧自研仿真技術(shù)路線。
• Moritz B?cher Ph.D.（Disney Research）Disney Research 負(fù)責(zé)人。Disney 的主題樂園可能是全球?qū)蕵窓C(jī)器人要求最苛刻的環(huán)境，Kamino 求解器就是在他手下誕生的。
• Michael Sherman Ph.D.（TRI）是機(jī)器人仿真基礎(chǔ)設(shè)施領(lǐng)域的老兵。作為 TRI 機(jī)器人仿真的核心負(fù)責(zé)人之一，其職業(yè)軌跡橫跨 SD/FAST、Simbody、OpenSim、Drake 等多代關(guān)鍵仿真平臺(tái)。

和這四位全球仿真領(lǐng)域的核心奠基者相比，謝晨博士的獨(dú)特之處在于：他不是從單一求解器、單一學(xué)術(shù)體系或單點(diǎn)工程模塊中走來，而是在自動(dòng)駕駛與物理 AI 兩代產(chǎn)業(yè)浪潮中，持續(xù)主導(dǎo)仿真基礎(chǔ)設(shè)施的工程化、規(guī)模化與系統(tǒng)化落地

他先后在 Cruise 和 NVIDIA 主導(dǎo)自動(dòng)駕駛仿真體系建設(shè)，在 L4 自動(dòng)駕駛一線驗(yàn)證了仿真與合成數(shù)據(jù)對(duì)算法迭代的價(jià)值，也在全球仿真基礎(chǔ)設(shè)施從自動(dòng)駕駛時(shí)代走向物理 AI 時(shí)代的承擔(dān)了關(guān)鍵角色。

在這一過程中，謝晨博士形成了區(qū)別于傳統(tǒng)仿真專家的系統(tǒng)性視角：仿真不是一個(gè)求解器、一套工具鏈，或一個(gè)用于測(cè)試的虛擬環(huán)境，而是一套貫穿數(shù)據(jù)生成、模型訓(xùn)練、能力評(píng)測(cè)與真實(shí)部署的完整教育系統(tǒng)。

自動(dòng)駕駛時(shí)代，仿真主要服務(wù)于視覺感知、場(chǎng)景回放與回歸測(cè)試；進(jìn)入機(jī)器人與物理 AI 階段，仿真還必須解決接觸、力傳遞、材料形變、動(dòng)作失敗等真實(shí)物理交互問題，并支撐模型在可復(fù)現(xiàn)、可規(guī)?；沫h(huán)境中持續(xù)學(xué)習(xí)

2023 年，光輪智能的創(chuàng)立正是要把這一判斷系統(tǒng)化為可落地、可交付、可規(guī)模化的全棧仿真基礎(chǔ)設(shè)施。光輪所構(gòu)建的不是單點(diǎn)仿真工具，而是以求解、測(cè)量、生成、訓(xùn)練、評(píng)測(cè)與部署為核心的完整閉環(huán)，繼續(xù)引領(lǐng)仿真從 “輔助驗(yàn)證工具” 走向物理 AI 的核心生產(chǎn)系統(tǒng)。

因此，他加入 Newton TSC，不只是個(gè)人入選，而是中國(guó)力量首次以核心構(gòu)建者身份進(jìn)入全球物理 AI 基礎(chǔ)設(shè)施的核心坐標(biāo)

仿真是物理 AI 時(shí)代的 CUDA

過去十年卡算力，未來十年卡數(shù)據(jù)。而數(shù)據(jù)的前提，是仿真。

2006 年，NVIDIA 發(fā)布 CUDA。在那之前，GPU 仍主要被視為圖形計(jì)算工具，普通開發(fā)者想調(diào)用其并行計(jì)算能力，門檻極高。CUDA 把 GPU 的計(jì)算能力抽象成一套標(biāo)準(zhǔn)接口，讓開發(fā)者可以規(guī)?；{(diào)用。

CUDA 成功的關(guān)鍵，在于它在關(guān)鍵窗口期同時(shí)完成了三件事：建立統(tǒng)一底層標(biāo)準(zhǔn)，讓碎片化算力可以被統(tǒng)一調(diào)用；構(gòu)建 cuDNN 等一整套工具鏈，把底層算力翻譯成開發(fā)者能直接調(diào)用的生產(chǎn)力；開放生態(tài)，讓這套標(biāo)準(zhǔn)形成跨場(chǎng)景、跨開發(fā)者、跨模型訓(xùn)練流程的普適性。

今天，物理 AI 正處在相似的歷史節(jié)點(diǎn)。大模型時(shí)代，CUDA 定義的是 “如何調(diào)用計(jì)算”；物理 AI 時(shí)代，仿真要定義的是 “如何生成世界”，因?yàn)闄C(jī)器人需要的是更多可交互、可執(zhí)行、可評(píng)測(cè)、可遷移的物理世界。因此，仿真正從工具層上升為標(biāo)準(zhǔn)層：它需要定義機(jī)器人的訓(xùn)練場(chǎng)景、世界的表征邏輯、數(shù)據(jù)生產(chǎn)與結(jié)果評(píng)測(cè)方式……

歷史上，每一次基礎(chǔ)設(shè)施標(biāo)準(zhǔn)窗口期關(guān)閉之后，后來者都很難再獲得定義權(quán)。PC 時(shí)代，操作系統(tǒng)生態(tài)由 Microsoft 與 Apple 定義；移動(dòng)時(shí)代，應(yīng)用生態(tài)由 Apple 和 Google 定義；大模型時(shí)代，訓(xùn)練框架與計(jì)算標(biāo)準(zhǔn)由 CUDA 定義。

而今天，物理 AI 的仿真層，正處于規(guī)則尚未凝固的窗口期。誰能定義世界如何被表達(dá)，數(shù)據(jù)如何被生成，能力如何被評(píng)測(cè)，機(jī)器人如何被訓(xùn)練，誰就有機(jī)會(huì)定義物理 AI 的未來。

窗口不會(huì)永遠(yuǎn)打開。

而這一次，中國(guó)公司第一次站上了書寫規(guī)則的位置。