NVIDIA 发布 Isaac GR00T 蓝图：用少量动作合成海量训练数据

造一个人形机器人，最卡脖子的往往不是电机，也不是电池，而是它根本不知道手该往哪放。

教机器人拿东西，最直接的办法是模仿学习：真人戴着动捕设备做一遍，机器人照着学。但这套流程既费时间又费钱，根本没法量产训练数据。

在 CES 上，黄仁勋拿出了解决办法：NVIDIA 发布了用于合成动作生成的 Isaac GR00T Blueprint，以及全新的物理世界基座模型平台 Cosmos，试图把机器人动作数据的生产搬进虚拟世界。

戴上 Vision Pro，把一次动作复制成成千上万份

NVIDIA 这套合成动作生成蓝图，核心逻辑就是用极少的人类演示，在仿真环境里批量膨胀出海量数据。

整套流程分三步。首先是 GR00T-Teleop 工作流，操作员戴上 Apple Vision Pro，把真人的肢体动作实时捕捉进数字孪生系统，由仿真里的机器人精准模仿并记录下来，作为基准真值。

第二步是 GR00T-Mimic，把这一段捕捉到的人类动作进行放大和变异，变成规模更大的合成动作集。

最后一步是 GR00T-Gen，它依托 NVIDIA 的 Omniverse 和 Cosmos 平台，通过领域随机化和三维升采样，把这批数据呈指数级扩散出去。

这批合成数据随后被喂进开源模块化机器人学习框架 Isaac Lab，在虚拟空间里教机器人如何安全、稳定地和周围环境互动。

吃了 200 万小时视频的物理世界模型

数据合成最大的痛点，是虚拟环境做出来的东西一放到现实就穿帮，也就是业内常说的 Sim-to-Real 鸿沟。为此，NVIDIA 同步推出了开源预训练世界基座模型平台 Cosmos。

Cosmos 专门用来生成符合真实物理规律的视频和世界状态，包含了不同尺寸的自回归模型和扩散模型。为了让它懂物理，NVIDIA 给它喂了 18 quadrillion 个 token，包括 200 万小时的自动驾驶、机器人、无人机实拍和合成画面。

单纯靠视频模型容易产生幻觉，机器人在虚拟世界里可能会穿模甚至反重力飘起来。NVIDIA 的解法是用 Omniverse 的精确物理模拟来做约束防护，再结合 Cosmos 将三维画面升采样到真实质感，把仿真环境尽可能拉到逼近现实的水平。

波士顿动力和 Figure 等人形机器人头牌厂商，目前都已经接入这套体系并跑出了成果。

为什么重要

人形机器人未来十年的市场规模预计能达到 380 亿美元，但工业和制造场景对安全和精度的容错率几乎为零。靠工人在车间里一遍遍做动作示范，不仅成本高到难以承受，也根本覆盖不了极端意外工况。

NVIDIA 这套组合拳的聪明之处，在于把机器人开发最沉重的物理试错成本，彻底转移到了算力里。戴上 Vision Pro 录一次动作，剩下全靠物理引擎和生成式 AI 自动脑补，中小机器人团队也能越过昂贵的数据门槛。现在机器人软硬件制造商已经可以申请该计划的早期访问。

我们认为，这也是 NVIDIA 在机器人时代重构 CUDA 护城河的标准动作。从动捕输入、物理引擎、世界模型到训练框架，它把上下游工具链锁得严丝合缝，逼得后来者只能在它的生态里搭积木。

不过隐患也同样明显。生成出来的合成动作哪怕在仿真里表现再完美，一旦遇上现实车间里光照剧烈变化、零件打滑或地面微小形变，端到端策略依然可能掉链子。Cosmos 到底能不能彻底填平仿真到现实的鸿沟，恐怕还要等更多实车间部署给出答案。