黃仁勛之女與光輪智能對話：如何縮小機器人在虛擬與現實之間的差距 【經緯低調分享】

上周，被譽為"AI行業風向標"的英偉達 GTC 2025剛剛落幕，這次活動吸引全球上萬名AI從業者參加，空前火爆。

黃仁勛在長達兩小時的Keynote中宣布了英偉達在6G通信、量子計算、AI超算、仿真等板塊的重磅布局。其中最引人注目的，是壓軸登場的Newton物理引擎——通過迪士尼機器人Blue的demo，黃仁勛展示了Newton如何讓機器人在物理精準的虛擬環境中學習，這是Physical AI的關鍵基礎設施。

而支撐Newton乃至整個仿真生態的底層力量，正是黃仁勛稱為"公司寶藏"的CUDA-X庫。黃仁勛稱其為橫跨30年積累的"公司寶藏"，包含350個庫，覆蓋從芯片設計到AI訓練的所有行業。為了展示CUDA-X的威力，黃仁勛播放了一段震撼的純視頻demo，在具身智能部分，Boston Dynamics、Apptronik、Agility Robotics、Sanctuary AI等國際機器人巨頭悉數登場。

然而在這份"全明星陣容"中，出現了一家仿真公司——光輪智能(Lightwheel)。與其他展示機器人本體的公司不同，展示的是光輪和英偉達Newton合作——機械臂精準疊衣服的高保真物理仿真場景。這不是簡單的客戶案例展示，而是作為Newton平臺能力的一部分被呈現。Newton本身是英偉達將CUDA-X這一"公司寶藏"轉化為Physical AI生產力的關鍵平臺，它把機器人研發從耗時數月的"手工作坊"升級為只需數天的"超級工廠"，能同時運行數百萬個高保真仿真環境。但這座超級工廠要高效運轉，需要一個前提：海量、高保真的仿真合成數據。

光輪智能不僅為Newton提供大規模仿真合成數據，是早期采用者與核心驗證者，深度參與Newton底層物理引擎的優化，形成深度共同開發關系。此外，光輪作為Omniverse和Isaac Sim的戰略合作伙伴，提供高保真SimReady仿真合成數據，還共同開發策略訓練框架，并與英偉達聯合打造Isaac Lab Arena下一代策略評估平臺。

這場深度合作早有伏筆。

就在上月初，英偉達Omniverse & Physical AI產品營銷高級總監、黃仁勛之女Madison Huang的直播首秀，對話嘉賓正是光輪智能創始人兼CEO謝晨，兩人圍繞如何通過高保真SimReady仿真合成數據縮小Sim-to-Real鴻溝、推動機器人從仿真走向落地展開深入對話。而耐人尋味的是，就在這場直播的前一天，斯坦福李飛飛教授與英偉達Jim Fan在BEHAVIOR Challenge直播中亦談到仿真的挑戰，李飛飛直言："仿真與現實之間存在真實鴻溝，需要從仿真端縮小這一鴻溝。"

學術之問，產業作答。在Madison與謝晨一個半小時的訪談中，干貨滿滿，梳理了以下重要觀點：

• 當前，具身智能發展的最根本瓶頸正是高質量物理交互數據的極端稀缺。現實世界的數據采集成本高昂、效率低下且難以規模化，這嚴重限制了機器人學習復雜操作技能的能力。

• 面對現實數據的瓶頸，仿真合成數據是唯一能提供近乎無限規模、且自帶精確標注的訓練數據的解決方案。它通過仿真模擬來生成數據，是突破數據供給瓶頸的核心路徑。

• 仿真合成數據要發揮作用，必須解決“仿真到現實”的遷移難題。其核心在于仿真世界必須嚴格遵循真實世界的物理規律，確保在仿真中學到的技能在現實中同樣有效，而不僅僅是視覺逼真。

• 英偉達的終極目標是成為“物理AI”時代的基礎設施。其核心需求是打造一個基于OpenUSD和高性能求解器（如Newton）的“數字物理世界”，作為生成高保真仿真合成數據的終極工廠。

• 光輪智能已攻克線纜操作等"圣杯級"技術難題。這一技術突破與商業驗證的雙重成就，共同印證了仿真合成數據方案的可行性與成熟度。

以下是整理出的對話實錄節選，Enjoy：

01

仿真到現實的鴻溝是核心瓶頸

主持人Edmar：Madison，能跟我們稍微透露一下，英偉達和光輪智能的合作是怎么開始的嗎？

Madison：通常來說，就算你從英偉達離職了，我們也會想辦法“找回來”，讓你繼續和英偉達合作——我覺得我們的合作大概就是這么開始的。

其實英偉達內部有很多項目，從根本上就需要光輪智能的支持。比如我們的 GEAR Lab 實驗室，正在開發 GR00T 端到端模型；還有西雅圖機器人實驗室，他們在做很多“接觸密集型裝配”和大量精密抓取任務。這些工作都需要海量數據。而我常常聽到我們物理 AI 機器人團隊的同事們抱怨：“大語言模型（LLM）的研發人員太‘幸運’了，因為他們有整個互聯網的海量數據可以用來預訓練模型，但機器人領域的研發人員只能手動采集數據。所以英偉達需要一個解決方案，而我們堅信仿真技術就是答案。我們需要一個“仿真合成數據工廠”，也需要能和英偉達在“Open USD 作為仿真資產數據基礎”這一愿景上達成共識的伙伴。所以光輪智能的出現，可以說是“恰逢其時”——就在英偉達最需要這樣一個合作伙伴的時候，你們創立了公司。

謝晨：2023年的時候，我們懷著“解決機器人領域更宏大問題”的想法創立了光輪智能。當時和自動駕駛部門的同事有過合作。之后，光輪又開始和 GEAR Lab 實驗室，以及Omniverse團隊展開合作。現在，我們還和 Cosmos 團隊有合作。所以感覺現在光輪幾乎和英偉達的各個相關團隊都有協作。

Madison：感覺你們現在差不多是“遍布英偉達”了，相當于又“回”英偉達工作了。

謝晨：完全可以這么說。

主持人Edmar：在機器人領域，我們具體要解決哪些問題？尤其是“仿真到現實”相關的問題？

謝晨：“仿真到現實”（Sim-to-Real）的核心，就是讓機器人在仿真環境中學習到的能力，能夠直接部署到現實世界中——但正如Madison所說，這其實是一件非常困難的事。有意思的是，自動駕駛仿真反而是相對容易解決的，因為它主要依賴視覺數據；但對于機器人來說，一切都和“物理接觸”有關，核心是“操作能力”。所以機器人領域的問題要復雜得多。而現在，機器人領域的核心挑戰轉向了“物理層面”，物理求解器（physics solver）成了關鍵。但有意思的是，很多人提到仿真時，只會想到“求解器”，卻忽略了“仿真場景與設備”的重要性。如果“原材料”（即仿真合成資產數據）不對，也無法生成高質量的數據。

Madison：自動駕駛汽車是自主機器人的首個具象化產物。自動駕駛汽車的核心任務，本質上是“不觸碰任何物體”；但對于其他類型的機器人來說，它們的任務恰恰是“觸碰各類物體”。所以我覺得，現在仿真技術的重要性比以往任何時候都更高。

02

仿真資產的關鍵在物理屬性

謝晨：（展示冰箱仿真案例）它的關鍵不在于“看起來真實”，而在于“物理屬性與現實高度一致”。比如冰箱門的合頁、關節結構、磁吸閉合裝置——當你拉開冰箱門時，能感受到磁吸的作用力；抽屜滑動時，還能模擬出不同的摩擦力。這些物理屬性都經過了精準還原。我們實際上使用了大量物理設備采集真實物體的物理參數，再將這些參數植入“仿真資產”中，同時還會通過特定方法對比現實與仿真環境中的作用力，確保兩者盡可能匹配。另外，這些仿真設備不僅要“精準”，還要“計算高效”。比如碰撞檢測——我們做了大量優化，能極大提升計算效率，讓單塊 GPU 就能同時運行成百上千個仿真環境。

主持人Edmar：你們不久前在溫哥華 SIGGRAPH 上就展示過這個，對吧？那次觀眾反應很有意思——現場聚集了全球最頂尖的圖形仿真研究人員，但他們大多專注于媒體娛樂、游戲、內容創作和視覺特效領域。我特別欣賞光輪在 Siggraph 展臺上開創性地展示機器人仿真技術，你們真的震撼了那些 VFX 專家。我看到很多人在你們展臺前駐足很久，體驗你們在筆記本電腦上運行的多個 Isaac Sim 實例——那真的令人印象深刻。

謝晨：完全同意。我也非常感謝英偉達正在將 SIGGRAPH 這樣的盛會引向 Physical AI 領域。

Mustafa：我想補充一下，你可以看到上圖這個微波爐的物理參數曲線圖——通過仿真，我們能確保仿真合成數據與真實世界高度匹配，Sim-to-Real 差距可以縮到非常小。當然永遠不會完美，但可以做到非常接近。

謝晨：完全同意，光輪會用物理設備采集現實物體在不同方向、不同位置的作用力數據，同時在仿真環境中設置對應的傳感器采集作用力數據；之后通過大量隨機采樣和對比，確保兩者的曲線趨勢一致。如前所述，我們不需要曲線完全重合，因為我們要的是“數字同類體(Digital Cousins)”而非（嚴格意義的）“數字孿生 (Digital Twins)”，我們需要通過“仿真資產”的多樣性生成海量數據。

03

謝晨：我們堅信“數據金字塔”（Data Pyramid）模型。要讓物理 AI 真正落地到現實世界，需要消耗海量數據——甚至比大語言模型所需的數據量還要大，而“數據瓶頸”是當前最大的障礙。現實世界的數據無法完全突破這一瓶頸。所以我們必須依賴仿真合成數據——仿真合成數據將成為突破物理 AI 數據瓶頸的最重要、最核心的數據來源。

Madison：我完全同意。我們經常提到“數據金字塔”，但現在越來越多的人意識到，仿真合成數據在所有數據中的占比將達到極高的水平。因為強化學習（reinforcement learning）和各類后續訓練過程，都將大量依賴仿真合成數據。目前，人類已有的知識大多已數字化并存儲在互聯網上；但未來，仿真合成數據的規模必將遠超現有互聯網數據。

謝晨：完全認同。尤其是你提到的強化學習——仿真技術在這一領域將發揮至關重要的作用。現實世界的數據很難形成“閉環”，無法支持大規模強化學習；但仿真環境中的仿真合成數據，可以成為大規模強化學習的核心數據來源。同時，如果我們進一步細分仿真合成數據的類型。我將仿真合成數據分為兩大類：

第一類是"物理仿真驅動的仿真合成數據"（Physics Simulation Driven Synthetic Data）——這類數據最接近物理世界，物理精度最高，但相對來說多樣性有限、規模較小。這就是通過物理仿真器生成的仿真合成數據。

第二類是"世界模型驅動的仿真合成數據"（World Model Driven Synthetic Data）——比如 Cosmos。這類數據的多樣性要大得多，可擴展性也強得多。它的輸入可以是物理仿真驅動的仿真合成數據，也可以是真實世界數據，然后通過世界模型增強生成更大規模的仿真合成數據集。

我們發現，利用 Cosmos 來增強物理仿真合成數據，能夠生成更多高質量數據，為客戶提供更好的預訓練支持。一個很好的案例就是 GR00T——英偉達的 Gear 基礎模型，它同時利用了真實世界數據集、光輪的仿真合成數據，以及 Cosmos 增強后的數據，最終訓練出了一個頂尖的基礎模型。這充分展示了世界模型在滿足仿真合成數據愿景中的強大能力。

04

技術協同生態與典型案例

謝晨：電纜仿真是個難點，因為電纜既具有“可變形性”，又在一定程度上具備“剛體屬性”。我們做了大量研發，確保能精準模擬電纜的物理狀態。我們與 Newton 團隊共同開發了電纜仿真的求解器，同時研發了對應的“仿真資產”。

Madison：這對英偉達來說也尤為重要，因為我們的制造流程非常復雜——比如每臺 NVL72 服務器機架都需要 2 英里長的銅線電纜。這類工作對人類來說既枯燥又有風險，我們希望讓機器人來完成，所以電線、電纜的仿真可以說是機器人領域的“圣杯”級難題。

謝晨：完全同意。而且電纜仿真還需要結合觸覺傳感器——比如有些電纜插入插頭的操作，需要觸覺反饋才能實現更精準的操控。如上圖這個“衣物折疊”的案例：左側是物理求解器的效果，右側是 Newton 求解器的效果。我經常聽到有人說“仿真無法模擬衣物折疊”，但實際上我們的系統已經能模擬大量衣物，并為客戶采集了海量衣物折疊的訓練數據——這也是目前所有機器人公司都在攻克的難題。

目前，公司客戶大致分為三類：第一類是教育機構和實驗室，專注具身智能前沿研發；第二類是大型科技公司，引領機器人基礎模型研發；第三類是工業場景企業，有大量應用場景并自主研發機器人系統。

Madison：我想補充一句：光輪智能能和這些行業頂尖企業合作 —— 比如Figure、銀河通用、智元機器人、比亞迪還有Deepmind——這本身就證明了你們的工作質量和前瞻性，尤其是在 “仿真資產” 和 “仿真合成數據普及” 方面的開創性工作。

05

主持人Edmar：目前制作一個仿真資產需要多長時間？主要的痛點和瓶頸是什么？

謝晨：借助英偉達的技術和我們自己的研發流程，光輪智能已經實現了“仿真資產”制作流程的工業化——比如制作一個冰箱的仿真資產，只需要 20 分鐘。這么快的原因在于，我們的核心思路是“將現有數字設備轉化為仿真資產”，而不是“從零開始制作”。目前全球已經有大量數字設備，只是這些設備不具備“仿真就緒”的屬性。我們通過工業化流程，快速將這些現有設備轉化為物理屬性精準的仿真資產。

Madison：這是個好問題，我們其實已經開始和一些設備制造商合作了。我們堅信，未來每一家制造商在交付實體設備時，都應該同步提供對應的數字設備——因為未來所有工廠都會有自己的“數字孿生 （Digital Twins）”，每一家生產實體產品的工廠，都會配套建設“AI 工廠”，而“數字孿生”就運行在“AI 工廠”中。

謝晨：目前我們正與英偉達的Isaac Sim團隊合作，開發Isaac Lab Arena——這是下一代基準測試、評估、數據采集和大規模強化學習的框架與平臺。

06

主持人Edmar：在直播結束前，我想請兩位各用一句話總結：你們最希望觀眾記住的是什么？

謝晨："We have reached a moment",現在仿真技術已經足夠成熟，可以實現很多事情。很多人可能對仿真還有疑慮，覺得精度不夠、能力有限——但實際上，我們已經向客戶和全世界證明，通過仿真器配合高質量的仿真資產，我們能夠支持全球前五名的機器人基礎模型完成訓練并部署到真實世界。所以我希望大家對仿真技術有信心，它已經解決了很多問題。我們需要所有人一起努力，讓仿真技術更加成功，從而真正突破物理 AI 的數據瓶頸。

Mustafa：我們經常收到的一個問題是："應該用哪個仿真器或框架？" 我的建議是：從你要解決的問題出發，反向推導——看哪個框架和仿真器最適合這個任務。如果現有工具無法完美滿足需求，由于很多仿真引擎和求解器都是開源的，你完全可以自己開發插件或改進求解器。即使編程技能有限，花些時間也能實現目標。