英伟达一通发布，物理AI全都智能体化了

人工智能的下一阶段，正从虚拟世界走向物理世界，而英伟达给出的加速路径，是全面推动“智能体化”。

在GTC Taipei的Keynote上，除了面向PC的RTX Spark芯片，黄仁勋还一口气推出了一系列开源物理AI技能与工具集合。核心目标很明确——帮助开发者把复杂的机器人、智能汽车、视觉AI和工业数字孪生工作流，转换成可直接执行的“智能体任务”。换句话说，过去搭建一个物理AI系统要几个月，现在他们打算把这件事压缩成按需调用的模块化流程。

Keynote中另一个引人注目的亮点，是搭载了Sharpa Wa ve的NVIDIA Isaac GR00T参考人形机器人。这个方案由Sharpa、英伟达与宇树科技合作推出，以Isaac GR00T开发平台为底座，将Sharpa的触觉灵巧操作能力、宇树H2人形机器人本体、英伟达端侧算力以及Isaac GR00T开发流程，整合到了一套经过验证的配置中。可以说，这是一个“即插即用”的人形机器人开发范本。

开发者还可以借助NVIDIA NemoClaw Blueprint和NVIDIA OpenShell运行时，在安全合规的前提下构建并部署自主智能体。这套方案能在本地或云端硬件上，提供基于策略的安全与隐私治理——对于企业级应用来说，这才是真正能落地的保障。

英伟达这次推出的物理AI技能和工具，覆盖了从数据生成、仿真、优化到推理调优、持续评估等各个环节。这些技能可以被组合并集成到更大的智能体系统中，开发者不需要从零开始，直接用现成的“技能库”就能编排复杂的自动化工作流。

关键在于，这些库已经实现了“智能体就绪”。开发者可以调用英伟达的技能，让智能体在复杂的物理AI工作流中自行完成设置、执行和迭代——不再需要手写大量底层代码。

在电子制造领域，实际效果已经开始显现。台积电与和硕正在利用这项技术微调视觉检测模型。和硕通过缺陷图像生成技能产生的合成数据，将模型训练和部署时间缩短了67%——这是一个相当惊人的效率提升。台达电子也生成了合成缺陷数据，用来检测金属母线上的过度焊接，检测率提升了17%。英业达则集成了缺陷图像生成技能，开发了自己的观测智能体视觉检测流程，在笔记本电脑机箱制造中，缺陷数据收集的工作量减少了30%。Foxconn与DeepHow合作，利用该技能提前发现错误，一次通过率提升了约3%。这些数字背后，是制造效率实实在在的跃升。

在辅助驾驶领域，理想汽车、千里科技和元戎启行正在使用NVIDIA Omniverse NuRec模型进行神经场景重建和渲染。他们每天生成超过1000个重建场景、超过30万次渲染与仿真——规模相当惊人。更重要的是，这些公司也在同步使用新推出的智能体技能库，目标是让辅助驾驶系统的开发更安全、更强大。

工业AI领域同样正在发生深刻变化。Cadence、达索系统、西门子以及新思科技正在用Omniverse库和技能进行工程数据检查、仿真和交互式数字孪生。PTC、MetAI以及光轮智能则利用Isaac Sim框架和基于OpenUSD的工作流，把CAD数据转化为可直接用于仿真的资产和环境。SK海力士更是将其作为“Autonomous Fab 2030”路线图的一部分，用NVIDIA Omniverse构建半导体工厂的数字孪生，并与英伟达、SK Telecom协作，验证Agent Toolkit在制造业特定物理AI场景中的可行性。

机器人领域同样全面开花。1x、Agile Robots、Agility、FieldAI、Hexagon Robotics、NEURA Robotics、Skild AI和Universal Robots等公司，都在使用英伟达的智能体就绪型物理AI堆栈，加速从数据生成到最终部署的整个流程。这不是某一家公司的实验，而是整个行业正在发生的集体转向。

医疗领域也值得关注。富士康和仁宝正在使用NVIDIA Isaac for Healthcare平台加速医院机器人开发。富士康已经在多家医院和长期护理环境中规模化部署Nurabot，将AI驱动的机器人引入患者护理流程，同时还推出了全新的Scrub Nurse Collaborative Robot，用于优化手术室工作流。仁宝则积极推进其PolyMedX机器人，目标是打造一个覆盖全院的统筹调度平台，将仿真模拟、AI与现实操作整合在一起。

这些物理AI智能体工具和技能，现已通过GitHub和skills.sh公开发布，可与任何编程智能体集成使用。用于合成数据生成的智能体技能和工具（神经重建、视频增强、缺陷图像生成）则在NVIDIA Brev上以“Physical AI Launchable”的形式提供。换句话说，开发者现在就能体验这些预配置环境，更快地生成和评估合成数据。

微软、CoreWea ve和Nebius也正在将这些智能体技能和工具集成到其云服务中，让开发者能够在这个生态中更便捷地完成合成数据的生成和部署。英伟达这一轮的动作，本质上是在为物理AI的“智能体化”铺基建——而基建一旦搭好，应用层的爆发就只是时间问题了。