英伟达GTC大会上的隐形AI巨头：背后支撑老黄机器人演示的是谁？
衡宇光轮智能，正在为Physical AI奠定基础。
GTC 2026，热度空前。
大模型、机器人以及Physical AI，成为本次大会的热门话题。
每个人都在思考同一个问题：AI如何真正走进现实世界？
黄仁勋在台上发表演讲，而场下各家公司则争相展示自家产品。
但在今年的GTC上，有一家公司尤其引人注目，它既不造机器人，也不开发大模型。
光轮智能在会场内外无处不在，无论是演讲台上还是展台上，它的身影都随处可见。
老黄的主题演讲中展示的多个机器人仿真演示，背后的技术支持就是光轮智能。
在光轮智能的展位上，不仅位置显眼，而且参观者络绎不绝，热度持续攀升。
光轮智能的合作名单涵盖了从大模型公司到基础设施供应商，从具身智能企业到汽车制造商，几乎无所不包。
连“AI教母”李飞飞的世界实验室也与光轮智能建立了合作关系。
人们开始意识到，光轮智能在Physical AI领域的重要性，成为了不可或缺的基础设施提供商。
Physical AI迎来爆发：基础设施成为新焦点
在过去几年，GTC的焦点一直围绕着大模型和机器人本身。
从ChatGPT引发的生成式AI热潮，到各类人形机器人的展示，大家都关注的是模型的聪明程度和机器人的能力。
但今年的GTC大会，这一趋势发生了转变。
黄仁勋在演讲中公布了一个数字，预计2025年至2027年间，新一代AI计算平台将带来约1万亿美元的收入机会。
这一消息让现场气氛沸腾。
Physical AI首次成为GTC的核心主题，与生成式AI并驾齐驱。
简单来说，AI的发展可分为三个阶段：
第一阶段是感知，AI学会了视觉和听觉，开始理解世界。
第二阶段是生成，ChatGPT等工具的出现使AI能够创作和绘画。
现在我们进入了第三阶段，即Physical AI，AI不再只是理解世界，而是要进入世界，真正发挥作用。
然而，要让机器人在工厂中拧螺丝，不能让它们在现实中反复试错，这样成本太高，风险太大。
机器人需要在仿真环境中先进行训练，然后再落地应用。
这就是Physical AI的基础逻辑：在数字孪生中生成无限场景，进行无限策略测试，积累行为数据，然后将训练好的“大脑”下载到实体机器人上。
因此，关键的变化在于，决定行业发展的不再是模型本身，而是仿真、数据和评测验证的基础设施。
没有高精度的物理仿真，机器人无法学习力反馈；没有大规模的数据生成，模型缺乏训练所需的燃料；没有闭环的评测迭代，能力无法持续提升。
Physical AI时代的竞争，已经从“谁拥有最好的模型”，变成了“谁拥有最好的训练场”。
光轮智能正是构建这套面向Physical AI的数据与仿真基础设施的公司。
其底层能力已经被广泛采用，国际主要具身智能团队超过80%的仿真资产和仿真合成数据都来自光轮智能。
在GTC现场，光轮智能低调但影响力巨大，占据了Physical AI的多个关键位置。
实际上，它已成为这个领域的隐形巨头。
老黄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全部来自光轮智能。
比如Peritas AI训练的手术室辅助机器人，它可以轻松从架子上拿取物品，这背后的物理引擎同样是由光轮智能提供的。
在涉及接触力学、柔体建模、材料属性等关键环节时，没有经过真实测量与校准的物理参数体系，仿真结果无法迁移到真实世界。
这套Physical AI系统本身建立在光轮智能提供的物理世界建模能力之上。
隐形基础设施已经出现
更重要的是，光轮智能正在从“使用工具的人”转变为“定义规则的人”。
最近，光轮智能正式加入了Newton的技术指导委员会（TSC）。
Newton是NVIDIA、Google DeepMind和Disney Research合作开发的开源物理仿真引擎，也是Linux基金会的顶级项目。
GTC舞台上的雪宝（Olaf）机器人背后的物理引擎就是Newton。
而TSC是Newton的核心技术决策层。
加入该委员会后，光轮智能创始人兼CEO谢晨博士与其他大佬平起平坐，共同决定Newton的未来发展。
这意味着，光轮智能不仅使用引擎，还参与定义引擎。
与其他参与者不同，光轮智能不仅覆盖某一个技术点，而是同时打通世界建模、数据生成、物理测量、参数校准与评测闭环。
就像CUDA定义了AI计算，Linux定义了操作系统，光轮智能正在定义Physical AI时代的基础设施。
在GTC上，光轮智能不仅展示了多个演示，还构建了一套完整的Physical AI基础设施。
此外，光轮智能还在现场举办了六场演讲，主题层层递进，讲述如何构建整套Physical AI基础设施。
通过这些演讲，光轮智能逐步构建起一条完整的Physical AI基础设施叙事。
GTC的第一晚，光轮智能还举办了一场Physical AI的Party，吸引了超过350人参加。
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。
Party现场非常热闹，有跳舞的机器人，战斗的机器人，甚至还有装着机械臂的Cyber Truck。
Party结束后，许多参与者还在社交媒体上分享照片和讨论。
这场Party的火爆，显示了光轮智能的行业号召力，正在聚拢整个Physical AI社区。
光轮智能正在连接仿真、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。
Physical AI时代的基础设施正在被重新定义。
在LLM时代，大家拼的是GPU和数据量，但在Physical AI时代，这套玩法不再适用。
即使拥有世界上最好的大模型，如果机器人无法分辨桌子和墙壁，无法掌握适当的力道，那么它永远无法走出实验室。
Physical AI的发展距离，取决于仿真的精度、数据的规模、评测的标准——这些基础设施是否扎实。
GTC 2026释放了一个清晰的信号：行业竞争的主战场已经从“模型层”下沉到了“基础设施层”。
回顾光轮智能在GTC上的表现，可以更容易理解其重要性。
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。
光轮智能不仅是实力强大的公司，还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。
而这一变化，才刚刚开始。
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。