NVIDIA 機器人的三部電腦解決方案

分享：

NVIDIA 的 AI 機器人的三部電腦是什麼？

NVIDIA 的三部電腦解決方案包括：(1) NVIDIA DGX AI 超級電腦（用於 AI 訓練）、(2) NVIDIA RTX PRO 伺服器上的 NVIDIA Omniverse 與 Cosmos（用於模擬與合成資料生成）、(3) NVIDIA Jetson AGX Thor（用於機器人端推論）。此架構可支援物理 AI 系統從訓練、模擬到部署的完整開發流程。

物理 AI 是什麼？為何如此重要？

物理 AI 與僅在數位環境中運作的代理式 AI 不同，它是一種能夠感知、推理，並與真實世界互動、在其中行動的端對端模型。
「軟體 1.0」指的是由人類程式設計師撰寫的序列式程式碼，過去 60 年主要在搭載 CPU 的通用電腦上運作。
之後在 2012 年，Alex Krizhevsky 在 Ilya Sutskever 與 Geoffrey Hinton 的指導下，憑藉影像分類的深度學習模型 AlexNet 贏得 ImageNet 電腦視覺競賽。
這也成為產業界與 AI 的首次重大交會。隨著機器學習（在 GPU 上運作的神經網路）取得突破，「軟體 2.0」時代正式展開。

Software 1.0 is code that humans write; Software 2.0 is behavior that machines learn.

如今，軟體開始用來「撰寫」軟體。全球運算工作負載正從 CPU 上的通用運算，加速轉移至 GPU 上的加速運算，其成長幅度甚至早已超越摩爾定律。
這股轉變的核心動能之一，是生成式 AI 的訓練需求——例如訓練多模態 Transformer 與擴散模型，以產生各式回應與內容。
大型語言模型屬於一維模型，可以透過字母或單字的序列模式預測下一個標記；影像與影片生成模型則屬於二維模型，能預測下一個像素。
然而，這類模型仍難以真正理解或推理 3D 世界，而這正是物理 AI 能發揮關鍵作用之處。

Advancements in accelerated computing and physics-based simulation, have led us to the next frontier of AI: Physical AI.

下一波 AI 浪潮：物理 AI

加速運算與基於物理的模擬技術持續進步，正引領我們邁向人工智慧的下一個前沿領域：物理 AI。

機器人是能夠感知、推理、規劃、行動與學習的系統。機器人通常會被理解為自主移動機器人（AMR）、機械手臂或人形機器人，但實際上還有許多其他形式的具體化機器人。
在不久的將來，所有會移動的設備，或是用來監控移動設備的系統，都可能演進成自主機器人系統：它們能感測環境，並即時做出反應。
從自動駕駛車、手術室到資料中心，再從倉庫到工廠，甚至是交通控制系統或整個智慧城市，都將從靜態、以人工操作為主的系統，轉型為由物理 AI 具體化的自主互動式系統。

為何人形機器人是下一個新領域？

人形機器人被視為理想的通用機器人形式，因為它們能在為人類打造的環境中有效運作，且通常只需要做少量調整，就能完成部署並投入使用。
Goldman Sachs 指出，預計在 2035 年，全球人形機器人市場將達到 380 億美元，較近兩年前預測的約 60 億美元成長超過六倍。
因此，全球各地的研究人員與開發者正加速投入，打造下一波機器人浪潮。

NVIDIA 的三部電腦如何共同運作，以支援機器人？

機器人需要三種不同層級的計算能力，才能學習理解真實世界；而這三者在開發流程中都扮演關鍵角色。

1. 訓練電腦：NVIDIA DGX
假設我們要教導機器人同時理解自然語言、辨識物體，並規劃複雜動作，所需運算量極為龐大。唯有透過專門的超級運算基礎架構，才能支援這類訓練需求，因此訓練電腦不可或缺。
開發人員可以在 NVIDIA DGX 平台上預先訓練自己的機器人基礎模型，或使用 NVIDIA Cosmos 開放世界基礎模型或 NVIDIA Isaac GR00T 人形機器人基礎模型進行後訓練，以建立新的機器人能力與行為原則。

2. 模擬和合成資料產生電腦：NVIDIA RTX PRO 伺服器上的 NVIDIA Omniverse 與 Cosmos
開發通用型機器人所面臨的最大挑戰之一，是資料缺口。LLM 研究人員相對幸運，能利用全世界的網際網路資料進行預訓練；但物理 AI 並不具備這樣的條件。
真實世界的機器人資料不僅有限、成本高，也難以收集，尤其是在需要為極端案例（超出預訓練範圍的情境）做準備時更是如此。
由於資料蒐集高度依賴人力，導致成本居高不下，也難以規模化。
因此，開發人員可以使用 Omniverse 和 Cosmos 產生大量以物理為基礎、且多樣化的合成資料 — 無論是 2D 或 3D 影像、分割或深度圖，或運動和軌跡資料，都能用來提升模型訓練品質與效能。

為了在部署到真實世界之前，確保機器人模型的安全性與效能，開發人員必須先在數位孿生環境中進行模擬與測試。
例如 Isaac Sim 是以 Omniverse 函式庫為基礎、可在 NVIDIA RTX PRO 伺服器上運作的開放原始碼框架，讓開發人員能在模擬環境中反覆驗證機器人行為 — 機器人可以在無風險環境中不斷嘗試任務，從錯誤中學習，而不會危及人類安全或造成昂貴的硬體損壞。
研究人員與開發者也可使用 NVIDIA Isaac Lab，這是一套開放原始碼機器人學習框架，支援機器人強化學習與模仿學習，協助加快機器人策略訓練速度。

3. 執行階段電腦：NVIDIA Jetson Thor
要安全且有效地部署，物理 AI 系統必須能在毫秒等級內處理感測器資料、完成推理與規劃，並執行動作，才能支援即時自主機器人操作。
機器人端的推論電腦需要執行多模態 AI 推理模型，讓機器人能與人類與真實世界即時互動。Jetson AGX Thor 的精巧設計，滿足機載 AI 的高效能與高能源效率需求，同時也能支援控制策略、視覺、語言處理等多模型組合。

數位孿生如何加快機器人的開發速度？

機器人設施可說是各種技術的整合結晶。
像鴻海科技集團等製造商，以及 Amazon Robotics 等物流公司，都能協調自主機器人團隊與人類工作者共同作業，並透過數百或數千個感測器監控工廠運作。

Building Digital Twins of Foxconn’s Robotic Factories

打造 Foxconn 機器人工廠的數位孿生

這些技術透過工廠數位孿生，簡化溝通流程、優化佈局設計，並加速機器人訓練進程。從設計到部署的各個階段，它們都能提升工廠營運效率、流程優化能力與生產效能。

這些自主倉庫與工廠將使用數位孿生進行配置規劃與最佳化、作業模擬，以及最重要的機器人機隊軟體迴圈測試。
「Mega」以 Omniverse 為基礎，是工廠數位孿生的藍圖，讓工業企業可在機器人機隊部署至實體工廠之前，先透過模擬進行測試與最佳化。這將有助於確保整合更順暢、效能更穩定，並把干擾降到最低。

Mega 讓開發人員能在工廠數位孿生中放入虛擬機器人及其 AI 模型（也就是機器人的大腦）。數位孿生中的機器人會透過感知環境、推理、規劃下一個動作，最後執行規劃好的行為來完成任務。
這些動作會透過 Omniverse 中的世界模擬器，在數位環境中先行演練；同時，機器人大腦會透過 Omniverse 感測器模擬取得感知結果。
機器人大腦再依據感測器模擬結果決定下一步動作，迴圈持續進行；而 Mega 也會同步追蹤工廠數位孿生中每個元素的狀態與位置。

這種先進的軟體迴圈測試，能讓工業企業在 Omniverse 數位孿生的安全範圍內模擬並驗證變更，協助預測與降低潛在問題，進而在實際部署時降低風險與成本。

哪些公司正在使用 NVIDIA 的機器人三部電腦？

NVIDIA 的三部電腦正在加速全球機器人開發者與機器人基礎模型建構者的研發節奏。

Teradyne Robotics 旗下的 Universal Robots 使用 NVIDIA Isaac Manipulator、Isaac 加速函式庫與 AI 模型，以及 NVIDIA Jetson 打造出 UR AI Accelerator。此硬體與軟體工具套件可協助協作機器人開發者建立應用程式、加快開發速度，並縮短 AI 產品上市時間。
RGo Robotics 使用 NVIDIA Isaac Perceptor 協助其 wheel.me AMR 在不同場域運作，並透過擬人感知與視覺空間資訊做出更精準的決策。
1X Technologies、Agility Robotics、Apptronik、Boston Dynamics、Fourier、Galbot、Mentee、Sanctuary AI、Unitree Robotics、XPENG Robotics 等人形機器人製造商，也採用 NVIDIA 的機器人開發平台。
Boston Dynamics 使用 Isaac Sim 與 Isaac Lab 打造四足機器人，並使用 Jetson Thor 推進人形機器人開發，以提升倉庫的人類生產力、因應人力短缺，並以安全為優先。
Fourier 利用 Isaac Sim 訓練人形機器人，使其能在需要高度互動與適應性的領域中運作，例如科學研究、醫療與製造。
透過 Isaac Lab 與 Isaac Sim，Galbot 推動開發 DexGraspNet 這類大規模靈巧抓取資料集，可用於不同的靈巧機械手臂與模擬環境中，以評估靈巧抓取模型；該公司也使用 Jetson Thor 進行機械手臂的即時控制。
Field AI 使用 Isaac 平台與 Isaac Lab，開發低風險、多任務與多用途的基礎模型，讓機器人能在戶外現場環境中更安全地運作。

各產業的物理 AI 未來

隨著全球各產業持續拓展機器人應用情境，NVIDIA「三部電腦」的物理 AI 方法具備龐大潛力，可協助製造、物流、服務、醫療等產業提升效率，並在更多場域與人類協作。

原文發布於 NVIDIA，作者 Madison Huang，最後更新時間 2025/8/8，https://blogs.nvidia.com.tw/blog/three-computers-robotics/

閱讀更多：物理 AI 的演進與重要性

傳統 AI 可比擬為僅具「頭部」的智能助理。它能理解語言與圖像、分析海量數據，並模仿人類的推理與決策過程，但它缺乏「手腳」，無法直接干預實體世界。相較之下，物理 AI 則如同配備頭部與四肢的機器人。透過將生成式 AI 整合至機器人、機械設備、材料與感測器中，它不僅能進行推理與決策，更能直接與實體環境互動、在其中移動並加以控制。