隐形AI巨头：老黄机器人demo背后都是它量子位

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。