GTC 2026，比往年更熱。
主會場座無虛席，台下三萬人、線上數百萬觀眾同步觀看。
從大模型到機器人，再到Physical AI，幾乎所有人都在討論同一個問題：
AI，如何真正進入現實世界？
黃仁勛台上佈道，各路AI公司則在台下爭奇鬥豔。
但今年現場內外，一家不造機器人、也不做大模型的公司，卻在Physical AI多個關鍵環節中反覆出現。
它就是當下最炙手可熱的具身智能獨角獸——光輪智能。
台上台下，光輪的身影可謂「無處不在」：
老黃主題演講中，演示了多個機器人模擬demo——機器人疊衣服、拉緊皮帶，背後用的就是光輪的技術。
光輪的展台Booth 1406，位置也是相當核心，就在入口一進來的地方，旁邊就是三星、美光等存儲晶元巨頭，還有Together AI、Lambda、Global AI等AI Infra重量級玩家。
開幕當天，光輪展台被圍得里三層外三層，熱度居高不下。
仔細一瞅，今年的GTC大會上，主舞台、產品展區、主題演講，哪哪兒都有光輪的身影，Physical AI的氛圍也是持續沸騰。
再加上光輪智能的合作名單，從大模型公司到Infra公司，從具身智能企業再到車企，那叫一個通吃。
連世界模型公司，比如「AI教母」李飛飛的World Labs，也都跟它有關係。
大家逐漸意識到，在Physical AI領域，提供數據與模擬基礎設施的光輪智能，已經成為了行業生態中不可替代的存在。
Physical AI爆發：Infra成為新焦點
過去幾年，GTC的聚光燈始終追隨著大模型與機器人本體。
從ChatGPT掀起生成式AI浪潮，到人形機器人紛紛亮相，大家的目光主要停留在台前——模型有多聰明，機器人能做什麼。
但今年的GTC，風向變了。
老黃在主題演講中宣布了一個數字：
2025-2027年，以Blackwell和下一代Rubin為代表的新一代AI計算平台，將帶來約1萬億美元規模的收入機會。
此話一出，現場一片沸騰。
Physical AI也頭一次成為GTC的核心主題，與生成式AI平起平坐。
簡單來說，AI的發展可以分為三步：
第一步是感知：AI學會看和聽。人臉識別、語音助手問世，AI開始理解這個世界。
第二步是生成：ChatGPT、Midjourney橫空出世。AI不僅會看，還會寫會畫，成了超級「鍵盤俠」。
現在到了第三步：Physical AI。AI要從「理解世界」變成「進入世界」，從屏幕後面走出來，真正去幹活。
但問題來了，你要讓一個人形機器人在工廠里擰螺絲，不可能讓它在現實中摔幾千次跤來試錯。成本太高，風險太大，速度太慢。
它需要在模擬環境里「先訓練、再落地」。
這就是Physical AI的底層邏輯：在數字孿生中生成無限場景、測試無數策略、積累行為數據，然後把訓練好的「大腦」下載到實體機器人身上。
也正因如此，一個關鍵的變化出現了：決定行業上限的不再是模型本身，而是模擬、數據與評測驗證的基礎設施。
沒有高精度的物理模擬，機器人就學不會受力反饋；沒有規模化的數據生成，模型缺少訓練燃料；沒有閉環的評測迭代，能力也無法持續提升。
Physical AI時代的競爭，已經從「誰有最好的模型」，變成了「誰有最好的訓練場」。
光輪智能所構建的，正是這樣一套面向Physical AI的數據與模擬基礎設施。
這套底層能力已經被行業廣泛採納。國際主要具身智能團隊中超過80%的模擬資產與模擬合成數據，都來自光輪智能。
隱形基礎設施已經出現
在GTC現場，會發現一個值得注意的現象：光輪並不張揚，卻同時佔據了Physical AI的多個關鍵席位。
可謂是「隱形」的巨頭。
在主舞台上，老黃展示的多個機器人模擬demo，背後所使用的模擬訓練技術幾乎都由光輪提供。
比如Peritas AI訓練的手術室輔助機器人，它可以輕鬆從架子上拿取物品：
以及Isaac Lab Arena的多機器人訓練場景、機械臂的精細操作……幾乎所有機器人模擬畫面，背後都採用了光輪的技術。
關鍵在於，這些系統並非「可以用光輪，也可以不用」。
在涉及接觸力學、柔體建模、材料屬性等關鍵環節時，如果沒有經過真實測量與校準的物理參數體系，模擬結果將無法遷移到真實世界。
這套Physical AI系統之所以成立，本身就建立在光輪所提供的物理世界建模能力之上。
而且更重要的是，光輪正在從「用工具的人」，變成「定規則的人」。
就在幾天前，光輪正式宣布加入了Newton的技術指導委員會（TSC）。
Newton是什麼？NVIDIA、Google DeepMind、Disney Research三家巨頭聯手搞的開源物理模擬引擎，也是Linux Foundation的頂級項目。
那個在GTC舞台上和老黃對話的可愛機器人角色雪寶（Olaf），背後的物理引擎就是Newton。
而TSC是Newton的核心技術決策層。
裡面大佬可不少：Google DeepMind模擬負責人Erik Frey、MuJoCo核心開發者Yuval Tassa、NVIDIA模擬技術負責人Miles Macklin等等，都匯聚於此。
現在，光輪智能創始人兼CEO謝晨博士作為公司代表加入該委員會，與這些大佬平起平坐，共同決定Newton往哪走、技術標準怎麼定、下一代功能長什麼樣。
這也意味著，光輪不只使用引擎，而是參與定義引擎。
而且，與其他參與者不同，光輪智能並不只覆蓋某一個技術點。
NVIDIA定義計算，DeepMind推動演算法，Disney探索極端場景，而光輪智能是目前唯一同時打通世界建模、數據生成、物理測量、參數校準與評測閉環的公司。
就像CUDA定義了AI計算，Linux定義了操作系統，光輪智能，正在定義Physical AI時代的基礎設施。
在GTC現場，光輪也直接把一整套Physical AI底座真正搭了出來。
他們的三個展位，分別對應著物理AI領域的三大核心命題——World、Behavior、Eval。
World的核心，是構建與真實物理世界對齊的模擬世界。
現場擺著一個「物理測量工廠」，可以看到一台機械臂在標準化實驗平台上反覆執行按壓、拉伸、扭轉等動作，對不同材質與結構的物體施加精確可控的外力。
Behavior的核心，是規模化生產驅動模型訓練的行為數據，涵蓋模擬遙操與真人第一視角人類視頻數據。
操作路徑、力控變化、決策時機，以及細微的猶豫、調整與策略選擇——這些經驗都會被沉澱下來，並轉譯為可訓練的數據結構。
再與模擬遙操記錄、真人第一視角視頻相互補充，逐步形成一張既具規模、又保留人類策略細節的行為數據網路。
Eval的核心，則是RoboFinals評測體系。
它是業內首個難度足夠高、具備工業級標準、並支持前沿大模型的模擬評測平台，能夠以工業級標準，衡量機器人基礎模型的真實能力進展。
這並非三個孤立的demo，而是構建出了一套完整的Physical AI基礎設施。
此外，具身智能Infra的整套方法論，實際也開始被佈道。
在現場，光輪在GTC一口氣舉辦了六場演講，座無虛席，主題層層遞進，把自己構建整套Infra的方法論都講透了：
世界怎麼建——物理真實的模擬環境如何搭建；
數據怎麼來——規模化合成數據生產管線；
能力怎麼測——工業級評測標準與閉環驗證。
通過佈道演講，光輪逐步構建出一條完整的Physical AI基礎設施敘事：以物理真實的世界構建為基礎，以規模化數據生成為支撐，以工業級評測標準為閉環。
GTC的第一晚，光輪還辦了一場Physical AI的Party，參與人數超過了350人。
機器人公司的創始人、頂尖高校的教授、開源社區的核心貢獻者、一線工程師，紛紛齊聚一堂。
場面非常火爆，有跳舞的機器人，戰鬥的機器人，據說還有一台裝著機械臂的Cyber Truck（doge）。
Party結束後，還有很多人意猶未盡，紛紛在X上求照片……
這場Party的火爆，則是另一個信號：展現出光輪的行業號召力，正在聚攏整個Physical AI社區。
光輪正在連接模擬、模型、機器人與應用等多方角色，逐步形成一個圍繞其展開的行業生態網路。
春江水暖鴨先知，物理AI時代的航船已經啟航。
Physical AI的基礎設施正在被定義
LLM時代，大家拼的是GPU+數據——誰卡多、誰數據量大，誰就能煉出好模型。堆料就是正義。
但Physical AI時代，這套玩法行不通了。
你可以有世界上最好的大模型，但如果機器人分不清「摸到的是桌子還是牆」，搞不清「用多大力才不會捏碎雞蛋」，那它永遠走不出實驗室。
Physical AI能走多遠，還得看模擬的精度、數據的規模、評測的標準——這套基礎設施有多紮實。
這也是為什麼，GTC 2026釋放出了一個清晰的信號：行業競爭的主戰場，已經從「模型層」下沉到了「基礎設施層」。
在這個背景下，回頭看光輪在GTC上的表現，會更容易理解其意義。
當一家公司同時出現在GTC主舞台，進入模擬引擎治理層、打造完整系統、輸出工程方法，並構建起生態網路時，它的角色已經發生變化。
光輪智能不只是實力強，而是逐漸成為了行業生態中的一層「基礎設施」。
當Physical AI從概念走向工程、從願景走向產業，真正決定上限的底層基礎設施，正在被重新定義。
而這場變化，才剛剛開始。
-
-
-
-
-
-
-
-
-
-