听雨 发自 凹非寺
量子位 | 公众号 QbitAI

GTC 2026，比往年更热。

主会场座无虚席，台下三万人、线上数百万观众同步观看。

从大模型到机器人，再到Physical AI，几乎所有人都在讨论同一个问题：

AI，如何真正进入现实世界？

黄仁勋台上布道，各路AI公司则在台下争奇斗艳。

但今年现场内外，一家不造机器人、也不做大模型的公司，却在Physical AI多个关键环节中反复出现。

它就是当下最炙手可热的具身智能独角兽——光轮智能。

台上台下，光轮的身影可谓“无处不在”：

老黄主题演讲中，演示了多个机器人仿真demo——机器人叠衣服、拉紧皮带，背后用的就是光轮的技术。

光轮的展台Booth 1406，位置也是相当核心，就在入口一进来的地方，旁边就是三星、美光等存储芯片巨头，还有Together AI、Lambda、Global AI等AI Infra重量级玩家。

开幕当天，光轮展台被围得里三层外三层，热度居高不下。

仔细一瞅，今年的GTC大会上，主舞台、产品展区、主题演讲，哪哪儿都有光轮的身影，Physical AI的氛围也是持续沸腾。

再加上光轮智能的合作名单，从大模型公司到Infra公司，从具身智能企业再到车企，那叫一个通吃。

连世界模型公司，比如“AI教母”李飞飞的World Labs，也都跟它有关系。

大家逐渐意识到，在Physical AI领域，提供数据与仿真基础设施的光轮智能，已经成为了行业生态中不可替代的存在。

Physical AI爆发：Infra成为新焦点

过去几年，GTC的聚光灯始终追随着大模型与机器人本体。

从ChatGPT掀起生成式AI浪潮，到人形机器人纷纷亮相，大家的目光主要停留在台前——模型有多聪明，机器人能做什么。

但今年的GTC，风向变了。

老黄在主题演讲中宣布了一个数字：

2025-2027年，以Blackwell和下一代Rubin为代表的新一代AI计算平台，将带来约1万亿美元规模的收入机会。

此话一出，现场一片沸腾。

Physical AI也头一次成为GTC的核心主题，与生成式AI平起平坐。

简单来说，AI的发展可以分为三步：

第一步是感知：AI学会看和听。人脸识别、语音助手问世，AI开始理解这个世界。

第二步是生成：ChatGPT、Midjourney横空出世。AI不仅会看，还会写会画，成了超级“键盘侠”。

现在到了第三步：Physical AI。AI要从“理解世界”变成“进入世界”，从屏幕后面走出来，真正去干活。

但问题来了，你要让一个人形机器人在工厂里拧螺丝，不可能让它在现实中摔几千次跤来试错。成本太高，风险太大，速度太慢。

它需要在仿真环境里“先训练、再落地”。

这就是Physical AI的底层逻辑：在数字孪生中生成无限场景、测试无数策略、积累行为数据，然后把训练好的“大脑”下载到实体机器人身上。

也正因如此，一个关键的变化出现了：决定行业上限的不再是模型本身，而是仿真、数据与评测验证的基础设施。

没有高精度的物理仿真，机器人就学不会受力反馈；没有规模化的数据生成，模型缺少训练燃料；没有闭环的评测迭代，能力也无法持续提升。

Physical AI时代的竞争，已经从“谁有最好的模型”，变成了“谁有最好的训练场”。

光轮智能所构建的，正是这样一套面向Physical AI的数据与仿真基础设施。

这套底层能力已经被行业广泛采纳。国际主要具身智能团队中超过80%的仿真资产与仿真合成数据，都来自光轮智能。

隐形基础设施已经出现

在GTC现场，会发现一个值得注意的现象：光轮并不张扬，却同时占据了Physical AI的多个关键席位。

可谓是“隐形”的巨头。

在主舞台上，老黄展示的多个机器人仿真demo，背后所使用的仿真训练技术几乎都由光轮提供。

比如Peritas AI训练的手术室辅助机器人，它可以轻松从架子上拿取物品：

以及Isaac Lab Arena的多机器人训练场景、机械臂的精细操作……几乎所有机器人仿真画面，背后都采用了光轮的技术。

关键在于，这些系统并非“可以用光轮，也可以不用”。

在涉及接触力学、柔体建模、材料属性等关键环节时，如果没有经过真实测量与校准的物理参数体系，仿真结果将无法迁移到真实世界。

这套Physical AI系统之所以成立，本身就建立在光轮所提供的物理世界建模能力之上。

而且更重要的是，光轮正在从“用工具的人”，变成“定规则的人”。

就在几天前，光轮正式宣布加入了Newton的技术指导委员会（TSC）。

Newton是什么？NVIDIA、Google DeepMind、Disney Research三家巨头联手搞的开源物理仿真引擎，也是Linux Foundation的顶级项目。

那个在GTC舞台上和老黄对话的可爱机器人角色雪宝（Olaf），背后的物理引擎就是Newton。

而TSC是Newton的核心技术决策层。

里面大佬可不少：Google DeepMind仿真负责人Erik Frey、MuJoCo核心开发者Yuval Tassa、NVIDIA仿真技术负责人Miles Macklin等等，都汇聚于此。

现在，光轮智能创始人兼CEO谢晨博士作为公司代表加入该委员会，与这些大佬平起平坐，共同决定Newton往哪走、技术标准怎么定、下一代功能长什么样。

这也意味着，光轮不只使用引擎，而是参与定义引擎。

而且，与其他参与者不同，光轮智能并不只覆盖某一个技术点。

NVIDIA定义计算，DeepMind推动算法，Disney探索极端场景，而光轮智能是目前唯一同时打通世界建模、数据生成、物理测量、参数校准与评测闭环的公司。

就像CUDA定义了AI计算，Linux定义了操作系统，光轮智能，正在定义Physical AI时代的基础设施。

在GTC现场，光轮也直接把一整套Physical AI底座真正搭了出来。

他们的三个展位，分别对应着物理AI领域的三大核心命题——World、Behavior、eval。

World的核心，是构建与真实物理世界对齐的仿真世界。

现场摆着一个“物理测量工厂”，可以看到一台机械臂在标准化实验平台上反复执行按压、拉伸、扭转等动作，对不同材质与结构的物体施加精确可控的外力。

Behavior的核心，是规模化生产驱动模型训练的行为数据，涵盖仿真遥操与真人第一视角人类视频数据。

操作路径、力控变化、决策时机，以及细微的犹豫、调整与策略选择——这些经验都会被沉淀下来，并转译为可训练的数据结构。

再与仿真遥操记录、真人第一视角视频相互补充，逐步形成一张既具规模、又保留人类策略细节的行为数据网络。

eval的核心，则是RoboFinals评测体系。

它是业内首个难度足够高、具备工业级标准、并支持前沿大模型的仿真评测平台，能够以工业级标准，衡量机器人基础模型的真实能力进展。

这并非三个孤立的demo，而是构建出了一套完整的Physical AI基础设施。

此外，具身智能Infra的整套方法论，实际也开始被布道。

在现场，光轮在GTC一口气举办了六场演讲，座无虚席，主题层层递进，把自己构建整套Infra的方法论都讲透了：

世界怎么建——物理真实的仿真环境如何搭建；

数据怎么来——规模化合成数据生产管线；

能力怎么测——工业级评测标准与闭环验证。

通过布道演讲，光轮逐步构建出一条完整的Physical AI基础设施叙事：以物理真实的世界构建为基础，以规模化数据生成为支撑，以工业级评测标准为闭环。

GTC的第一晚，光轮还办了一场Physical AI的Party，参与人数超过了350人。

机器人公司的创始人、顶尖高校的教授、开源社区的核心贡献者、一线工程师，纷纷齐聚一堂。

场面非常火爆，有跳舞的机器人，战斗的机器人，据说还有一台装着机械臂的Cyber Truck（doge）。

Party结束后，还有很多人意犹未尽，纷纷在X上求照片……

这场Party的火爆，则是另一个信号：展现出光轮的行业号召力，正在聚拢整个Physical AI社区。

光轮正在连接仿真、模型、机器人与应用等多方角色，逐步形成一个围绕其展开的行业生态网络。

春江水暖鸭先知，物理AI时代的航船已经启航。

Physical AI的基础设施正在被定义

LLM时代，大家拼的是GPU+数据——谁卡多、谁数据量大，谁就能炼出好模型。堆料就是正义。

但Physical AI时代，这套玩法行不通了。

你可以有世界上最好的大模型，但如果机器人分不清“摸到的是桌子还是墙”，搞不清“用多大力才不会捏碎鸡蛋”，那它永远走不出实验室。

Physical AI能走多远，还得看仿真的精度、数据的规模、评测的标准——这套基础设施有多扎实。

这也是为什么，GTC 2026释放出了一个清晰的信号：行业竞争的主战场，已经从“模型层”下沉到了“基础设施层”。

在这个背景下，回头看光轮在GTC上的表现，会更容易理解其意义。

当一家公司同时出现在GTC主舞台，进入仿真引擎治理层、打造完整系统、输出工程方法，并构建起生态网络时，它的角色已经发生变化。

光轮智能不只是实力强，而是逐渐成为了行业生态中的一层“基础设施”。

当Physical AI从概念走向工程、从愿景走向产业，真正决定上限的底层基础设施，正在被重新定义。

而这场变化，才刚刚开始。