在今年的GTC 2026上，与会者们对人工智能技术的讨论热度达到了前所未有的水平。
会场内座无虚席，三万多名现场观众和线上数百万观众共同见证了这一盛况。
从大模型到机器人，再到Physical AI，几乎所有参会者都在探讨同一个核心问题：人工智能如何真正融入现实世界？
本届GTC大会上，英伟达的黄仁勋在台上分享了他的见解，而众多AI公司则在台下展示了各自的创新成果。
然而，一家专注于Physical AI的公司却成为了本次大会的一个亮点，尽管它既不制造机器人，也不开发大型模型。
在GTC的舞台上和展台上，几乎无处不见光轮的身影。
黄仁勋在主题演讲中展示的多个机器人仿真演示中，就包含了光轮的技术。
而光轮的展位Booth 1406则位于入口处，紧邻三星和美光等知名存储芯片制造商，以及Together AI、Lambda和Global AI等AI基础设施领域的重量级玩家。
开幕当天，光轮展台就吸引了大量参观者，现场人流如织。
在整个大会期间，光轮的影响力无处不在，不仅在主舞台上有展示，还在产品展区和主题演讲中频频出现。
光轮智能的合作名单涵盖了大模型公司、基础设施公司、具身智能企业乃至汽车制造商，展现了其广泛的业务范围。
即使是对世界模型公司，例如AI教母李飞飞的World Labs，光轮也有着密切的合作关系。
随着时间的推移，人们逐渐认识到，在Physical AI领域，光轮智能所提供的数据和仿真基础设施已成为不可或缺的一部分。
Physical AI时代的到来：基础设施成为焦点
近年来，GTC的焦点始终集中在大型模型和机器人本身。
从ChatGPT引发的生成式AI热潮到各种人形机器人的展示，观众们关注的主要是模型的智能程度和机器人的功能。
然而，在今年的GTC上，这一趋势发生了转变。
黄仁勋在演讲中宣布，预计在2025年至2027年间，由Blackwell和下一代Rubin等新一代AI计算平台所带来的收入机会将达到约1万亿美元的规模。
这一宣布引发了现场的热烈反响。
Physical AI首次成为GTC的核心主题，与生成式AI并驾齐驱。
AI的发展可以分为三个阶段：
第一阶段是感知阶段，AI学会了观察和聆听；人脸识别和语音助手的出现标志着AI开始理解世界。
第二阶段是生成阶段，以ChatGPT和Midjourney为代表，AI不仅能够观察，还能创造文本和图像，成为超级“键盘侠”。
现在，我们进入了第三阶段——Physical AI，AI要从理解世界转向进入世界，真正去执行任务。
然而，当一个人形机器人需要在工厂里拧螺丝时，不可能让它在现实中摔几千次跤来学习。
因此，它需要在仿真环境中预先训练，然后再在实际环境中应用。
这就是Physical AI的基本逻辑：在数字孪生中生成无限场景，测试无数策略，积累行为数据，然后将训练好的“大脑”下载到实体机器人中。
这种变化也带来了新的挑战：决定行业上限的不再是模型本身，而是仿真、数据与评测验证的基础设施。
缺乏高精度的物理仿真，机器人就无法学习受力反馈；没有大规模的数据生成，模型就缺乏训练的“燃料”；没有闭环的评测迭代，能力也无法持续提升。
Physical AI时代的竞争已经从“谁拥有最好的模型”转变为“谁拥有最好的训练场地”。
光轮智能正是这样一家公司，它构建了一套面向Physical AI的数据和仿真基础设施。
这套基础设施已经被国际主要的具身智能团队广泛采纳，其中超过80%的仿真资产和合成数据都来自光轮。
在GTC现场，会发现一个显著的现象：光轮虽然低调，却在Physical AI的多个关键领域占据着重要位置。
可谓是“隐形”的巨头。
黄仁勋在演讲中展示的多个机器人仿真演示，背后所使用的仿真训练技术几乎都是光轮提供的。
例如，Peritas AI训练的手术室辅助机器人可以轻松从架子上拿取物品，Isaac Lab Arena的多机器人训练场景和机械臂的精细操作等，背后都采用了光轮的技术。
隐形基础设施已经出现
这些系统并非“可以使用光轮，也可以不用”，它们在关键环节中必须依赖光轮所提供的物理世界建模能力。
这些技术之所以可行，正是基于光轮所提供的高精度物理仿真能力。
更重要的是，光轮正在从“使用工具的人”转变为“制定规则的人”。
几日前，光轮正式加入Newton的技术指导委员会（TSC）。
Newton是由英伟达、DeepMind和迪士尼研究公司共同开发的开源物理仿真引擎，也是Linux基金会的一个顶级项目。
那个在GTC舞台上与黄仁勋对话的可爱机器人角色雪宝（Olaf），背后使用的物理引擎就是Newton。
TSC是Newton的核心技术决策层，汇聚了众多行业内的顶尖专家，包括Google DeepMind的仿真负责人Erik Frey、MuJoCo的核心开发者Yuval Tassa以及NVIDIA的仿真技术负责人Miles Macklin等。
光轮在GTC上一口气举办了六场演讲，主题涵盖了物理真实的世界构建、规模化数据生成以及工业级评测标准，吸引了众多参会者的关注。
这些演讲展示了光轮构建整套Physical AI基础设施的方法论。
GTC的第一晚，光轮还举办了一场Physical AI Party，吸引了超过350人的参与。
机器人公司的创始人、顶尖高校的教授、开源社区的核心贡献者以及一线工程师齐聚一堂。
场面非常热烈，有跳舞的机器人、战斗的机器人，甚至有一台装着机械臂的Cyber Truck（doge）。
Party结束后，许多人还在社交媒体上求照片。
这场活动的火爆反映了光轮的行业号召力，正在聚拢整个Physical AI社区。
光轮正在连接仿真、模型、机器人与应用等多方角色，逐步形成一个围绕其展开的行业生态网络。
春江水暖鸭先知，Physical AI时代的航船已经启航。
Physical AI的基础设施正在被重新定义
在LLM时代，公司之间的竞争主要体现在GPU和数据的规模上——谁有更多的硬件，谁的数据量更大，谁就能炼出更好的模型。
但在Physical AI时代，这种策略已经不再适用。
即便你拥有世界上最好的大模型，但如果机器人无法区分“摸到的是桌子还是墙”，或者无法掌握“用多大力才能不捏碎鸡蛋”的技巧，那么它永远无法走出实验室。
Physical AI的发展前景取决于仿真的精度、数据的规模以及评测的标准——基础设施的扎实程度将决定其上限。
GTC 2026向业界释放了一个明确的信号：行业竞争的重心已经从“模型层”下沉到了“基础设施层”。
在这个背景下，光轮在GTC上的表现更加引人注目。
它不仅出现在GTC主舞台，还进入了仿真引擎治理层，打造了完整的系统，输出了工程方法，并构建起了生态网络。
光轮智能已不再仅仅是实力强大的公司，而是逐渐成为了行业生态中的基础设施之一。
当Physical AI从概念走向工程化，从愿景走向产业，决定其上限的底层基础设施正在被重新定义。
这场变化，才刚刚开始。
它是业内首个难度足够高、具备工业级标准、并支持前沿大模型的仿真评测平台，能够以工业级标准，衡量机器人基础模型的真实能力进展。
这并非三个孤立的demo，而是构建出了一套完整的Physical AI基础设施。
此外，具身智能Infra的整套方法论，实际也开始被布道。
在现场，光轮在GTC一口气举办了六场演讲，座无虚席，主题层层递进，把自己构建整套Infra的方法论都讲透了：
世界怎么建——物理真实的仿真环境如何搭建；
数据怎么来——规模化合成数据生产管线；
能力怎么测——工业级评测标准与闭环验证。
通过布道演讲，光轮逐步构建出一条完整的Physical AI基础设施叙事：以物理真实的世界构建为基础，以规模化数据生成为支撑，以工业级评测标准为闭环。
GTC的第一晚，光轮还办了一场Physical AI的Party，参与人数超过了350人。
机器人公司的创始人、顶尖高校的教授、开源社区的核心贡献者、一线工程师，纷纷齐聚一堂。
场面非常火爆，有跳舞的机器人，战斗的机器人，据说还有一台装着机械臂的Cyber Truck（doge）。
Party结束后，还有很多人意犹未尽，纷纷在X上求照片……
这场Party的火爆，则是另一个信号：展现出光轮的行业号召力，正在聚拢整个Physical AI社区。
光轮正在连接仿真、模型、机器人与应用等多方角色，逐步形成一个围绕其展开的行业生态网络。
春江水暖鸭先知，物理AI时代的航船已经启航。
Physical AI的基础设施正在被定义
LLM时代，大家拼的是GPU+数据——谁卡多、谁数据量大，谁就能炼出好模型。堆料就是正义。
但Physical AI时代，这套玩法行不通了。
你可以有世界上最好的大模型，但如果机器人分不清“摸到的是桌子还是墙”，搞不清“用多大力才不会捏碎鸡蛋”，那它永远走不出实验室。
Physical AI能走多远，还得看仿真的精度、数据的规模、评测的标准——这套基础设施有多扎实。
这也是为什么，GTC 2026释放出了一个清晰的信号：行业竞争的主战场，已经从“模型层”下沉到了“基础设施层”。
在这个背景下，回头看光轮在GTC上的表现，会更容易理解其意义。
当一家公司同时出现在GTC主舞台，进入仿真引擎治理层、打造完整系统、输出工程方法，并构建起生态网络时，它的角色已经发生变化。
光轮智能不只是实力强，而是逐渐成为了行业生态中的一层“基础设施”。
当Physical AI从概念走向工程、从愿景走向产业，真正决定上限的底层基础设施，正在被重新定义。
而这场变化，才刚刚开始。