点击下方卡片，关注“具身智能之心”公众号
最近有不少同学，让我们聊聊英伟达。
关于NVIDIA，我们其实全年说它的文章并不少，但确实很少从头串到尾，从产业串到技术、布局。
先看两个事情。
一个是今年 3 月的 GTC（San Jose），黄仁勋抛出那句被反复引用的话：「每一家工业公司，未来都会变成一家机器人公司。」压轴时，迪士尼《冰雪奇缘》里的雪宝（Olaf）摇摇晃晃走上台，背后跑的是 NVIDIA 的物理 AI 全栈、Newton 物理引擎和 Omniverse 仿真——老黄还打趣：「Olaf，你的计算机 Jetson 就装在肚子里，你是在 Omniverse 里学会走路的。」
另一个是 6 月 1 日的 GTC 台北，压轴环节，老黄没讲芯片路线图，而是把话题落在了物理 AI（Physical AI）和具身智能上。他点了一个很多人没太在意的痛点——网上的视频绝大多数是第三人称视角，可机器人真正需要的，是它自己第一人称看到的数据，这类数据极度稀缺。然后甩出解药：开源前沿世界模型 Cosmos 3，还顺势发了一台开源人形参考机型。
一年下来，NVIDIA 在具身上的动作密到让人跟不上：GR00T 基础模型迭代了三代，Cosmos 世界模型冲到第 3 代，GEAR 实验室甩出 EgoScale、DreamZero 两篇搅动范式的论文，Newton 物理引擎联合谷歌 DeepMind 和迪士尼开源，Isaac Lab-Arena 把评测接进了 Hugging Face 的 LeRobot，Jetson Thor 芯片铺进了大多的人形公司，还联合宇树、Sharpa 发了一台开源人形参考机型——与此同时，它的投资部门 NVentures 已经悄悄入股了 Figure、Skild 这些跑在最前面的公司。
但真正值得写的，不是这些发布本身，而是一件更结构性的事：NVIDIA 自己一台机器人本体都没造，却几乎让每一家造机器人的公司，都跑在了它的栈上。
这篇就把它这一年的布局，按它自己的逻辑拆开讲清楚。
01.
先立一个框架：
NVIDIA 眼里的「三台计算机」
要看懂 NVIDIA 的具身布局，得先接受它反复讲的一个方法论——「三台计算机」。
在它的叙事里，做一个能干活的机器人，要三台计算机接力：一台用来训练（DGX / Blackwell，在云端把模型练出来）；一台用来仿真（Omniverse + Cosmos，在数字世界里让机器人反复试错、生成数据）；一台装在机器人身上用来运行（Jetson Thor，机器人的「大脑」芯片）。
简单来说，别人盯着「造一个机器人」，NVIDIA 盯着「造机器人的这条流水线」。它这一年几乎所有动作，都能对号入座地塞进这三台计算机。
我们顺着这个框架往下看。
02.
GR00T 把人形的基础模型开源，顺手定了标准
这一年 NVIDIA 在具身上最有分量的一步，是 GR00T。
去年 3 月，NVIDIA 放出 Isaac GR00T N1，号称世界首个开源、可完全自定义的人形基础模型。
它是一个 VLA模型，走双系统架构：System 2 慢思考，用视觉语言模型理解环境和指令、规划动作；System 1 快思考，把规划翻译成连续、精确的关节动作。一个负责「想」，一个负责「动」——这套快慢分工，不是第一次见。
主导 GR00T 的，是 NVIDIA 的 GEAR 实验室和它的负责人 Jim Fan——斯坦福博士、OpenAI 的第一位实习生，个人签名是一句挺有画面感的话：Solving Physical AGI, one motor at a time。他反复讲两点：机器人也要像人一样「快与慢」两套思考（这正是 GR00T 双系统的由来）；以及一套「三管齐下」的数据策略——互联网规模数据、仿真数据、真机数据缺一不可。
这套数据观，几乎就是 NVIDIA 后面所有动作的总纲。
GR00T 的迭代也快。GR00T N1.5 的亮点不在模型本身，而在数据怎么来——NVIDIA 用一个叫 GR00T-Dreams 的蓝图生成合成数据，据其披露把开发周期从「近三个月人工采集」压缩到 36 小时；配套的 Isaac GR00T 合成运动蓝图，据报道能在 11 小时里生成约 78 万条机器人轨迹。到最新的 GR00T N1.6，据 NVIDIA 已在真机双臂 YAM、智元 Genie-1、宇树 G1 等不同本体上超过上一代。
关键不在 GR00T 有多强——开源基础模型是起点不是终点，各家能不能调出好效果是另一回事。关键在于：当一个开源人形基础模型开始在智元、宇树的真机上刷分，NVIDIA 就成了这个方向的「参照系」。
你做人形大脑，绕不开要和它比一比。
03.
Cosmos 管数据，EgoScale 和 DreamZero 管范式
如果说 GR00T 是大脑，那接下来这一层，解的是喂给大脑的粮草，顺便把研究前沿也占了。
先看数据的正门——世界基础模型 Cosmos。老黄那句「第一视角机器人数据极度稀缺」，点的是整个具身领域公认的死穴。
从去年初的 Cosmos 平台到今年 6 月的 Cosmos 3，这条线冲得很猛。据 NVIDIA透露，Cosmos 3 是首个「完全开放的全模态模型」，用 mixture-of-transformers 架构把视觉推理、世界生成和动作预测揉进一个系统，据称训练用了 20 万亿 token 多模态数据（含近 10 亿张图像、4 亿条真实与合成视频）。
对具身最要紧的一点：它可以直接当世界动作模型（WAM）的主干，你在这个通用世界模型上用自己的相机、本体数据做后训练即可。
但 NVIDIA 没止步于做工具，它还亲自下场定义范式，这就是 GEAR 那两篇论文。
一篇是 EgoScale（NVIDIA 联合伯克利、马里兰）。它在 20,854 小时带动作标注的第一视角人类视频上训 VLA，据论文跑出了一条人类数据规模与验证 loss 之间的对数线性 scaling law，而这个 loss 能预测真机表现。这等于给「用人类数据喂机器人」这件事，第一次装上了「加多少出多少」的刻度——这也正是我们之前聊 ego / human-centric 数据时反复绕不开的题。
另一篇更激进，是 DreamZero，标题就叫「World Action Models are Zero-shot Policies」。它不走传统 VLA 的老路，而是建在视频扩散模型上，靠联合预测「未来的视频」和「对应的动作」来学物理和技能——本质是让世界模型直接当策略用；为了解决扩散模型太慢、跟不上控制频率的问题，还配了个 DreamZero-Flash。
结果很扎眼：据论文，见过数千小时跨本体机器人数据的 VLA 基线，平均任务进度只有 27%，DreamZero 做到了 62%。
这两篇放一起，信号很清楚：在「VLA 还是世界模型」这场我们持续追踪的路线之争里，NVIDIA 用自己的论文，明确押了「从视频学物理动力学」这一边。
它不只是卖水的，还想当定义水质标准的人。
04.
仿真这块，NVIDIA 既做操场，也做尺子
有了大脑和粮草，机器人还得有个地方反复摔、反复练，练完还得有人打分——这就是仿真层。这一层 NVIDIA 抓得最全，全到有点「既当场地、又当裁判」的意思。
底座是 Isaac Sim：建在 Omniverse 上的开源机器人仿真应用，GPU 加速物理 + RTX 多传感器渲染，能大规模并行。据其披露，2025 年的 Isaac Sim 5.0 把仿真里的机械臂抓取精度做到了 0.1mm 级。
往上一层是 Isaac Lab：一个模块化的机器人学习框架，刚体柔体都支持，内置 20 多个 benchmark 任务、16 种机器人平台、4 种传感器模态。简单说，你要训一个策略，环境、机器人、传感器、任务，它一次给你配齐。
物理内核那层，就是前面提过的 Newton——由 NVIDIA 联合谷歌 DeepMind 和迪士尼研究院共同开发，开源、GPU 加速，交由 Linux 基金会管理，建在 Warp 和 OpenUSD 之上，已集成进 Isaac Lab。据 NVIDIA，它能模拟一些过去很难仿真的动作：在雪地和碎石上行走、抓握杯子和水果，并成功迁移到真机。3 月 GTC 上那只会走路的雪宝，跑的就是 Newton + Omniverse。要守一句底线——一个迪士尼角色的现场演示，再惊艳也还是 demo，不等于量产可用的能力。 但把物理仿真做成开源、跨机构的公共底座，这个动作的分量是实的。
真正值得单拎出来的，是 NVIDIA 把手伸向了「评测」——Isaac Lab-Arena。这是一个专门给通用机器人策略做评测和 benchmark 的框架，而且它接进了 Hugging Face 的 LeRobot 生态：开发者能注册自己的环境、评测包括 GR00T N 在内的策略，GR00T 模型和 Isaac Lab-Arena 现在都能在 LeRobot 库里直接微调和评测。举个例子，跑 RoboCasa 这个操作 benchmark 时，它能在 8 张 RTX 6000D 上同时开 1,024 / 2,048 / 4,096 个并行环境做 200 步 rollout——评测这件事，被它做成了可以大规模并行的工程。
这一步的意味，比做个仿真器更深。谁定义了「怎么评测机器人策略」，谁就在悄悄定义「什么叫好」。 当大家都用 Isaac Lab-Arena、都在 LeRobot 上比，NVIDIA 握住的就不只是操场，还有那把尺子。
不过这把尺子也得留个心眼：NVIDIA 称 Cosmos 3 在 7 个以上机器人 benchmark 上排第一，但这些偏物理理解、规划控制的榜单，大多还没有像成熟 benchmark 那样的独立复现体系——自家模型在自家标尺上登顶，参考价值有，但别照单全收。
05.
Jetson Thor，和那台「拼」出来的参考人形
三台计算机的最后一台，装在机器人身上。
Jetson Thor 是 NVIDIA 给机器人准备的「大脑」芯片，采用名单几乎是人形圈的半壁江山：Figure、Galbot、谷歌 DeepMind、Mentee、Meta、Skild AI、宇树……
更能说明问题的，是 6 月 GTC 台北上那台 Isaac GR00T 开源人形参考机型。它是首个基于 Jetson Thor + Isaac GR00T 平台的开源人形参考设计，硬件配置很有代表性：宇树 H2 Plus 机身（约 1.8 米、31 个自由度）+ Sharpa Wave 触觉五指手（22 个自由度）+ Jetson AGX Thor T5000 车载算力，配一整套 Isaac GR00T 软件栈。据 NVIDIA透露，它将由宇树在 2026 年底供货，Ai2、苏黎世联邦理工、斯坦福机器人中心、UCSD 等一批实验室会拿它做前沿研究。
注意这台机型的拼法：本体是宇树的，手是 Sharpa 的，芯片和软件栈是 NVIDIA 的。 NVIDIA 没造这台机器人，但它是这台机器人的地基。这几乎就是它整个具身战略的缩影。
06.
不下场抢本体，但入股「造机器人的人」
把上面几层连起来，NVIDIA 这一年的角色就清楚了：它没像特斯拉、Figure、宇树那样去造自己的本体，而是把训练、仿真、数据、芯片、评测一样样做成开放底座，让所有造机器人的公司都来用。
合作名单长得夸张。
而这一年新增的一层，是资本。除了卖水，NVIDIA 开始通过投资部门 NVentures 直接入股买水的人：它参投了 Figure 2025 年 9 月那轮超 10 亿美元、估值 390 亿美元的融资；又和软银一起洽谈向机器人「大脑」公司 Skild AI 投入约 10 亿美元、把它推到 140 亿美元估值；德国的 NEURA、挪威的 1X 背后也都有它的身影。
黄仁勋把机器人称作「数万亿美元级的机会」——投资逻辑非常直白：这些公司未来要买的算力、云和模型，大概率还是 NVIDIA 的。
投出去的钱，会以另一种方式流回来。
这就是 NVIDIA「带头作用」的真正含义：它不跟你抢做机器人，它让你做机器人时离不开它，甚至顺手成了你的股东。这门生意比造本体更稳——本体会有输家，但只要赛道往前跑，跑在谁的栈上，NVIDIA 已经拿到了先手。
当然，这套打法也有另一面，值得冷静看两句：其一，开源一个基础模型、发一台参考机型，和「造出好用的机器人」之间，还隔着各家自己的工程化能力，NVIDIA 给的是地基不是楼；其二，整个行业越是跑在同一套栈上、用同一把尺子，生态绑定的两面性就越明显——它既降低了所有人的门槛，也让所有人越来越难绕开它。
写在最后
回头看这一年，NVIDIA 在具身上的路线异常清晰：用「三台计算机」把训练、仿真、运行三段全占住，用 GR00T 定大脑的参照系，用 Cosmos、EgoScale、DreamZero 同时占住数据的正门和研究的前沿，用 Isaac Sim / Lab / Newton 做仿真、再用 Isaac Lab-Arena 握住评测的尺子，用 Jetson Thor 卡住算力入口，最后用一个个联盟和一张张支票把整条链条焊成生态。
老黄那句「每一家工业公司都会变成机器人公司」，听着像愿景，拆开看更像一句商业宣言——因为不管哪家公司变成机器人公司，NVIDIA 都想成为它们共同的上游。
具身这条赛道，本体的胜负还远没分晓，能走到最后的人形玩家也还没出现。但有一件事这一年已经基本定了：无论最后谁赢，脚下大概率踩着同一块地基、用着同一把尺子。
至于这块地基会不会太「独」、行业需不需要第二个 Cosmos、第二套 GR00T、第二把评测尺——这可能是接下来一两年，比「谁的机器人更强」更值得追的一个问题。
