-
日期: 2026-01-06 | 來源: 華爾街見聞 | 有0人參與評論 | 專欄: CES | 字體: 小 中 大
接下來是物理AI（Physical AI）。這是壹個你們看我談論了幾年的領域。事實上，我們已經為此努力了八年。問題是，你如何將計算機內部的智能，那些通過屏幕和揚聲器與你互動的智能，轉變為可以與世界互動的智能，意味著它可以理解世界運作的常識。
物體恒存性。如果我看向別處再看回來，那個物體還在那裡。因果關系。如果我推它，它會倒下。它理解摩擦力和重力。它理解慣性。壹輛重型卡車沿路滾下需要更多時間停下來，而壹個球會繼續滾動。
這些概念對壹個小孩子來說都是常識，但對AI來說完全未知。所以我們必須創建壹個系統，允許AI學習物理世界的常識，學習其定律，當然也要能夠從數據中學習。數據非常稀缺，並且要能夠評估那個AI是否在工作，意味著它必須在環境中進行模擬。如果AI沒有能力模擬物理世界對其行動的反應，它怎麼知道它正在執行的行動是否符合它應該做的？對其行動反應的模擬對於評估非常重要。否則，就沒有辦法評估它。每次都不壹樣。所以這個基本系統需要叁台計算機。壹台計算機，當然是我們知道英偉達制造的用於訓練AI模型的。另壹台計算機是用於推理模型的，推理計算機本質上是壹台機器人計算機，運行在汽車裡或機器人裡或工廠裡，運行在邊緣的任何地方。
但必須有另壹台設計用於模擬的計算機。模擬幾乎是英偉達所做壹切的核心。這是我們最舒適的地方，模擬真的是我們用物理AI所做幾乎壹切的基礎。所以我們有叁台計算機和運行在這些計算機上的多個堆棧，這些庫使它們變得有用。Omniverse是我們的數字孿生、基於物理的模擬世界。Cosmos，如我之前提到的，是我們的基礎模型，不是語言的基礎模型，而是世界的基礎模型，並且也與語言對齊。你可以說像“球發生了什麼？”它會告訴你球正滾下街道。所以是壹個世界基礎模型。然後當然是機器人模型。我們有兩個。壹個叫GR00T，另壹個叫Alpamayo，我現在要告訴你們。
我們對物理 AI 必須做的最重要的事情之壹是創建數據來首先訓練 AI。數據從哪裡來？與其像語言那樣因為我們創建了大量文本作為 AI 學習的“基准真理（Ground Truth）”，我們如何教 AI 物理的基准真理？有很多很多視頻，但很難捕捉到我們需要的多樣性和交互類型。所以這就是偉大的頭腦聚集在壹起，將曾經的計算轉化為數據的地方。
現在使用以物理定律為基礎和條件、以基准真理為基礎和條件的合成數據生成（Synthetic Data Generation），我們可以選擇性地、巧妙地生成我們可以用來訓練 AI 的數據。例如，進入左邊這個 Cosmos AI 世界模型的是交通模擬器的輸出。現在這個交通模擬器對於 AI 學習來說遠遠不夠。我們可以把它放入 Cosmos 基礎模型中，生成基於物理且在物理上合理的環繞視頻，AI 現在可以從中學習。這方面有很多例子。讓我向你們展示 Cosmos 能做什麼。
“物理AI的ChatGPT時刻即將到來。”
Cosmos是世界領先的基礎模型，世界基礎模型。它已被下載數百萬次，在世界各地使用，讓世界為這個物理AI的新時代做好准備。我們也自己使用它。我們自己使用它來創建我們的自動駕駛汽車，用於場景生成和評估。我們可以擁有讓我們有效行駛數拾億、數萬億英裡，但在計算機內部完成的東西。我們取得了巨大的進步。今天，我們宣布Alpamayo，世界上第壹款會思考、推理的自動駕駛汽車AI。
Alpamayo是端到端訓練的，字面意思是從攝像頭輸入到執行輸出。攝像頭輸入大量由它自己駕駛的裡程，或是我們人類駕駛的，使用人類演示。我們還有大量由Cosmos生成的裡程。除此之外，成千上萬的例子被非常仔細地標記，以便我們可以教汽車如何駕駛。
Alpamayo做了壹些非常特別的事情。它不僅接收傳感器輸入並激活方向盤、刹車和加速，它還推理它將要采取的行動。它告訴你它將要采取什麼行動，它得出那個行動的理由，當然還有軌跡。所有這些都直接耦合，並由大量人類訓練以及Cosmos生成的數據非常具體地訓練。結果真的令人難以置信。你的車不僅像你期望的那樣駕駛，而且它駕駛得如此自然，因為它直接從人類演示者那裡學習。但在每壹個場景中，當它遇到場景時，它會推理，它告訴你它要做什麼，並推理它將要做什麼。
為什麼這如此重要？因為駕駛的長尾效應。我們不可能簡單地為每個國家、每種情況、所有人口可能發生的每壹件可能的事情收集每壹個可能的場景。然而，每種場景很有可能分解成壹大堆其他較小的場景，這對你來說理解起來很正常。因此，這些長尾將被分解成汽車知道如何處理的相當正常的情況，它只需要對其進行推理。
讓我們來看壹下。你們即將看到的壹切都是壹次通過，不需動手。- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見