热点
追踪
物理 AI 的发展重心正从基础模型能力提升转向任务能力与系统能力扩展，VLA 与 WAM 路线演进、Egocentric 数据与仿真合成数据发展，以及 Agentic 架构兴起，共同指向如何以更高的资源效率持续扩大机器人的可靠任务范围。
Agentic 架构为突破单一模型与同类数据规模扩张的边际收益瓶颈提供了新思路，通过基础技能组合、长程规划与环境反馈纠错，将复杂任务能力的扩展从端到端模型训练延伸至系统层面的组织与执行。
英伟达通过整合 Cosmos 世界基础模型、数据处理工具、仿真与训练框架及端侧计算平台，降低开发者从数据生产、模型训练到实际部署的成本，为物理 AI 规模化发展提供全栈开发基础设施。
从模型能力到任务能力：
物理 AI 正在探索更有效的发展路径
物理 AI 的发展目标是让机器人能够完成更多任务、适应更多环境，并在真实世界中稳定运行。模型、数据和算力的规模化投入，是实现这一目标的重要手段，但并非充分条件。真正值得关注的问题是：在机器人任务复杂度持续提升的背景下，如何让新增的资源投入转化为更广泛、更可靠的实际任务能力，以及哪些技术路径有望提高这一转化效率。
2026 年具身智能行业的几个重要趋势，如 VLA 与 WAM 模型范式的讨论、Egocentric 数据的兴起都可以放在这一框架下理解。此外，持续迭代的开发闭环正在成为提高物理AI资源投入效率的重要路径。多源数据为模型提供广泛的物理交互经验，仿真环境能够以较低成本扩展训练场景与验证范围，真实部署则进一步暴露模型在实际任务中的能力短板。通过将真实交互结果与失败案例反馈至数据、模型和系统的迭代中，开发者可以更有针对性地分配训练与测试资源，持续改善模型的实际任务表现。这种从规模化学习到真实验证、再到针对性改进的闭环，有望减少无效的资源投入，加快机器人任务能力的积累与扩展。
物理 AI 规模化扩展的核心命题是持续提高模型、数据、算力与系统设计向实际任务能力的转化效率。随着任务复杂度提升，表征方式、系统架构、反馈机制与开发基础设施将共同影响真实任务能力扩展的速度、成本与可靠性。
从单一策略到 Agentic 系统：
复杂任务能力的扩展进入新阶段
随着基础模型与训练数据规模持续增长，物理 AI 需要进一步探索如何将已有的模型能力转化为更广泛的任务能力。机器人面临的复杂任务往往由多个基础技能、执行顺序和动态环境共同决定，任务组合空间的扩张速度可能超过逐一采集数据、训练专用策略的效率。如果说VLA和WAM主要探索具身本体如何理解物理环境、预测世界变化并生成动作，那么 Agentic 架构进一步关注如何围绕任务目标，动态组织模型、工具与机器人技能，形成包含规划、执行、状态监测和失败恢复的完整闭环。Agentic 架构提供了一种新的资源配置思路：通过复用已有技能、引入长程规划与环境反馈，以系统层面的能力组织扩大机器人的任务范围。这种架构有望提高资源投入效率。当底层技能足够可靠时，新增任务能力可以更多地依靠已有技能的组合、调用顺序的调整以及反馈与纠错机制的改进，减少针对每一种任务组合从头采集数据、训练策略的需求。模型规模与数据规模的扩张之外，技能复用、推理计算和交互反馈也可能成为扩大任务能力的重要增长维度。 不过，这一收益取决于基础技能的通用性、规划的有效性，以及系统识别和处理执行失败的能力。
Agentic 架构的实现也对系统工程提出了更高要求。机器人需要准确感知环境状态，理解各项技能的适用条件与执行结果，并协调不同模块之间的信息传递。感知误差、执行偏差或过时的环境信息都可能影响后续决策，而多轮推理、额外观测和反复尝试也会带来计算、时延与执行成本。因此，Agentic 架构的价值需要通过长程任务成功率、失败恢复能力、新任务组合的适应效率，以及单位成功任务所消耗的数据、算力与人工成本进行综合评估。
英伟达 Cosmos 在设计上为 Agentic 架构预留适配能力
来源：英伟达官方
从模型到基础设施：
Cosmos 帮助物理 AI 持续提升
英伟达通过基础模型、数据工具、仿真环境、训练框架和计算平台，为不同形态的具身本体提供可复用的上层开发与模型能力。其中，Cosmos 承担着物理世界建模与数据生成的重要角色，并与 Isaac、GR00T 等产品共同构成英伟达物理 AI 基础设施体系的一部分。其发展愿景可以概括为三个方面：Better Data、Better Environment、Better Starting Point，分别对应更好的数据、更好的训练与验证环境，以及更好的模型起点。
来源：英伟达官方
Better Data：
降低高质量物理数据的生产与处理成本
物理 AI 所需要的训练数据具有采集成本高、多元场景难复现、长尾事件难覆盖等特点。Cosmos 通过世界基础模型、数据处理工具和合成数据能力，帮助开发者扩充训练场景、处理多模态数据，并探索生成不同环境状态和未来变化的可能性。其潜在价值并不在于用合成数据完全取代真机数据，而在于扩大有限真实数据的使用价值。
Better Environment：
降低训练、验证与失败试错的成本
对于物理 AI，模型训练不能只依赖离线数据集上的表现。机器人必须在动态环境中行动，动作会改变环境状态，环境又会反过来影响下一步决策。因此，仿真环境既是训练工具，也是评估模型、比较策略和复现失败的重要基础设施。英伟达通过 Isaac Sim、Isaac Lab 等工具支持机器人仿真、策略训练与验证，并将其与 Cosmos 及数据工具链结合，开发者可以在真实部署之前测试更多环境和任务条件，在可控环境中复现部分失败，并逐步建立从训练到评估的闭环。
Better Starting Point：
提供可复用的基础模型与开发框架
从零开始构建机器人基础模型，往往需要大量数据、算力和工程资源。开放模型能够让开发者从已有能力出发，再结合特定机器人本体、传感器、任务和应用场景进行后训练与部署。Cosmos 3 在同一模型体系中整合视觉推理、世界生成与动作建模能力，并提供开放的模型、数据处理、训练和评估资源。英伟达也通过 GR00T、Isaac 和 Jetson 等产品，分别覆盖机器人模型、开发与仿真工具，以及面向端侧设备的计算平台。
英伟达通过提供开发者广泛需要的计算、软件、模型和仿真基础设施，满足共性需求。随着系统复杂度提高，训练、合成数据生成、并行仿真、策略评估和推理都可能形成额外的计算需求，英伟达因此有机会从物理 AI 的整体发展中受益。
推荐阅读 | |
