在近日红杉老本举办的 AI Ascent 2025 演讲中，NVIDIA 东说念主工智能总监 Jim Fan 先容了"物理图灵测试"的倡导，并阐明了大规效法真将怎么解锁机器东说念主时候的改日。咱们针对其演讲内容进行了梳理，并进行了编译：

Jim Fan：

几天前，我看到一篇博客著作，它引起了我的提神。著作说大模子依然通过了图灵测试，但却没东说念主提神到。图灵测试也曾是圣洁不可侵扰的，对吧？它是研究机科学的圣杯，其理念是，你无法分辩与你对话的是东说念主类照旧机器。

然后，咱们就这样悄无声气地通过了图灵测试。但当机器想考的时候多了几秒钟，或者云霄无法调试你恶运的代码时，东说念主们就会感到起火。每一次松弛齐在平凡无奇中渡过，就像又一个平素的周二。

我想提倡一个极端简便的倡导，叫作念 "物理图灵测试"。设计一下，周日晚上你举办了一场黑客马拉松派对，周一早上，你想找东说念主打理这一派缭乱，何况在晚餐时为你点上一支邃密的烛炬让你的伴侣怡悦起来。而当你回到家时，却无法分辨这一切是东说念主类照旧机器的精品。

这便是简便的物理图灵测试。但咱们当今进展到什么进度了呢？快完满了吗？望望这个近似的机器东说念主，准备去责任，收尾却没能作念好。再望望机器狗靠近香蕉皮的场景，还有被指示为你制作早餐麦片的机器东说念主呢？

它能正确识别牛奶，这少量我给它拼凑合格。它的意图是好的，或者说用勺子的体验就像是贵客级的。望望，我齐有点歧视了，齐没东说念主能给我这样的体验。这便是咱们现时的近况。那么，为什么处罚物理图灵测试这样贫穷呢？

全球齐知说念，商榷东说念主员时时挟恨。最近，有个叫 ilia 的东说念主挟恨说，预查察的数据快用结束。他以致把互联网比作主说念主工智能的 "化石燃料"，还说咱们用于查察齐集的数据行将耗尽。只好和机器东说念主大师相处一天，就知说念那些深度学习商榷东说念主员有多 "娇惯" 了。

咱们连 "化石燃料" 齐莫得。这是在英伟达总部的咖啡馆进行的数据采集场景。开采了东说念主形机器东说念主，通过操作它们来采集数据。

这便是采集到的数据，机器东说念主的重要要领信号，这些是随时候变化的相接值，无法从互联网上得回，在维基百科、YouTube 或其他任何处所齐找不到。东说念主们必须我方采集。那要怎么采集的呢？有一种极端复杂但也很激昂的智力，叫作念 "而已操作"。让东说念主戴上虚 VR 头盔，头盔能识别手部动作，并将动作信号传输给机器东说念主。

通过这种边幅，东说念主类不错教机器东说念主作念事，比如从烤面包机里拿出头包，然后在上头淋上蜂蜜。但不错瞎想，这是一个极端精真金不怕火且横祸的进程。

着实的机器东说念主数据是 "东说念主力燃料"，而这比化石燃料还恶运，因为这是在破费东说念主力。更恶运的是，每个机器东说念主每天最多只可运行 24 小时，以致本色进程中远远够不上这个时长，因为东说念主会累，机器东说念主比东说念主更容易累。

这便是近况，那该怎么办呢？怎么松弛这个阻截？机器东说念主边界的 "核能" 在那处？咱们需要清洁动力，弗成永远依赖 "化石燃料"。于是，模拟时候登场了。

必须离开执行宇宙，在模拟环境中作念点什么。是以尝试让机器东说念主的手在模拟环境中完成高出东说念主类机灵度的任务，比如转笔。对我来说这是超东说念主类的手段，因为我小时候就毁掉尝试转笔了。

我很本旨机器东说念主至少在模拟环境中比我作念得好。那么怎么查察机器东说念主的手完成这样复杂的任务呢？有两个想路。第一，模拟速率要比实时快 10000 倍，这意味着在单个 GPU 上并交运行 10000 个物理模拟环境。这是第少量。第二点是，这 10000 个模拟环境弗周密齐疏浚，必须改动一些参数，比如重力、摩擦力和分量，咱们称之为 "域随即化"。这便是模拟的旨趣。

为什么这样作念有用呢？瞎想一下，若是一个神经齐集概况要领机器东说念主在 100 万个不同的宇宙中完成任务，那么它很有可能也能搪塞第 100 万零一个宇宙，也便是执行宇宙。

换句话说，执行宇宙是这些查察场景的一部分。那么怎么愚弄呢？不错创建一个数字孪生体，也便是机器东说念主和执行宇宙 1:1 的复制体。然后在查察模拟中进行测试，再奏凯愚弄到执行宇宙，完满零样本学习。

不错用手来例如。这是能完成的最令东说念主印象潜入的任务之一。比如让机器狗站在球上，然后将查察效用愚弄到执行宇宙。这是在加州大学伯克利分校（UCB），有东说念主在操控机器狗行走。商榷东说念主员宗旨很奇特，这场景看起来就像《黑镜》里的情节。

本色上，这被称为 "尤里卡博士" 模样。有个商榷东说念主员让他的机器狗站在瑜伽球上，至少当今在机器狗的活泼性方面取得了很猛进展，不外着实的狗可作念不到。接下来，还不错将这种智力愚弄到更复杂的机器东说念主上，比如东说念主形机器东说念主。

这些东说念主形机器东说念主通过 2 小时的模拟查察，就掌抓了极端于执行中 10 年才能学会的行走手段，并不错将查察效用愚弄到执行中。不管机器东说念主的阵势怎么，只好有机器东说念主模子，进行模拟查察，就不错让它学会行走。

能作念的不啻是行走，对吧？当要领躯壳时，不错跟踪任何想要跟踪的点、任何干键部位，奴婢任何想要的速率向量。这便是东说念主形机器东说念主的全身要领问题。

这极端贫穷，但不错通过并交运行 10000 个模拟环境来进行查察。将查察效用零样本、无需微调地愚弄到执行机器东说念主上，这是在英伟达实验室。本色上，需要延缓视频播放速率。

第一个视频是实时播放的，下一个视频是延缓后的。不错看到机器东说念主动作的复杂性，它在保持均衡的同期作念出近似东说念主类的敏捷动作。猜猜完成这些动作需要多大边界的神经齐集？

只需要 150 万个参数，不是几十亿，150 万个参数就足以捕捉东说念主体的潜相识处理进程。这个系统的推理进程，150 万个参数就够了。若是将其放在速率与模拟各类性的图表中，我认为这不错称为 "模拟 1.0 "，也便是数字孪生范式，它使用经典的矢量化物理引擎。

然后不错将模拟速率普及到每秒 1 万到 100 万帧。但问题是，必须创建数字孪生体，需要有东说念主构建机器东说念主、搭建环境等等。这极端繁琐，而且需要多数手工操作。

能弗成运转生成模拟的部老实容呢？通盘这些 3D 资源齐是由 3D 生成模子生成的，通盘的纹理来自 Stable Diffusion 或其他扩散模子，通盘的场景布局由辅导词和言语模子生成，再编写 XML 将它们整合在一齐，构建了一个名为 " Robot-CASa " 的框架，这是一个大边界的合成模拟框架。

它用于模拟日常任务，除了机器东说念主，其他内容齐是生成的。不错组合不同的场景，它仍然依赖经典引擎运行，但依然不错完成许多任务。

当今，不错再次让东说念主进行而已操作，但此次是在模拟环境中，而不是在执行机器东说念主上。在模拟环境中重现操作轨迹，何况加入高大的硬件加快后光跟踪时候，让模拟场景愈加传神。

以致不错改动动作。比如在而已操作时将杯子从这里出动到那里，不需要反复演示相同的动作。空洞这些，在模拟环境中进行一次东说念主类演示，通过环境生成和动作生成，将数据量扩展 n 倍，再乘以 n 倍。我保证这是今天需要构兵的惟一数学研究。这便是膨胀数据的智力。第一列和第三列是执行机器东说念主的果然视频，第二列到第四列是 Robot-CASa 模拟生成的视频。

仍然不错看出这些纹理不是果然的，但依然宽裕接近了。把这种宽裕接近的情况称为什么呢？称之为 "数字表亲" 范式。它不是数字孪生体，但在一定进度上捕捉到了相似性。这种数字表亲模拟运行速率较慢，但它是一种搀杂生成物理引擎，生成部老实容，然后将其余部分交给经典图形管说念处理。

当今，模拟包含软体、流体等各式元素的场景，关于艺术家或图形工程师来说，要正确模拟这样的场景需要很万古候。望望图形时候的发展历程，从早期到当今花了 30 年时候。

而视频联结模子只用了 1 年时候，就完满了从模拟简便物体到模拟可变形物体（比如面条）的跨越。这里可能少了点有趣性，但这是我满足付出的代价。关于最新的 Sora 等战术模子，也只用了 1 年时候，这便是边界扩展和数据驱动进程的力量。

还铭记一运转给你们看的视频吗？这个视频里莫得一个果然像素，它全齐是由定制模子生成的。使用一个通用的开源 VR 视频生成模子，在执行机器东说念主实验室采集的边界数据上进行微调，然青年景了这些内容。当今，不错通过辅导词让模子瞎想不同的改日场景，模拟反事实情况。看，这两帧画面原来全齐疏浚，但证据不同的言语辅导，生成的视频会作念出正确的响应。

即使这些动作在执行宇宙中从未发生过，也能完满。视频扩散模子并不在乎场景有多复杂，也不在乎是否有流体或软体。

相同地，不错让它提起不同的东西，它会用正确的手抓取物体并放入篮子里。这些齐是生成的，莫得一个像素是果然的。它还能正确模拟出各式反射效果，对吧？

通盘这些交互效果齐能正确模拟。我最可爱的一个场景是机器东说念主在那边弹尤克里里。基本上，视频模子可能看过数百万东说念主类弹尤克里里的画面，然后它就能模拟机器东说念主的手指作念出相应动作，即使硬件本色上并不赞成。视频生成模子就能作念到这少量。从这个角度来看，这便是 "模拟 2.0 "。

它具有很高的各类性，但现时运行速率可能较慢。没东说念主给它起名字，但我叫它 "数字游牧民"，它就像是在视频扩散模子的黑甜乡空间里漫游。

什么是视频扩散模子呢？它就像是将数亿个互联网视频压缩成一个多元寰宇的模拟场景。很神奇，对吧？在这个黑甜乡空间里创建机器东说念主，机器东说念主当今不错与任何处所的物体进行交互，无处不在，无所弗成。

詹森之前离开了，但我认为他会很可爱这个。要扩展经典模拟，需要多数的研究资源，这亦然 1.x 系列的情况。问题是，跟着边界的扩大，它会遭遇瓶颈，因为手工制作的系统在各类性方面存在截止。

而神经宇宙模子，也便是模拟 2.0，将跟着研究资源呈指数级扩展。这便是神经齐集高出经典图形工程师的处所。两者相加，将成为扩展下一代机器东说念主系统的 "核能"。

那些一运转就说研究机景色会改善而不是恶化的东说念主，把这句话刻在视网膜上，再好好想想吧。把通盘这些数据输入到所说的视觉言语动作模子中，这个模子输入像素和指示，输出电隐秘领信号。

在 3 月英伟达 GTC 大会约翰逊（Johnson）的主题演讲中开源了一个名为 Groot 的模子。在机器东说念主上运行这个模子，巧合候会有很神奇的效果。无法瞎想在查察进程入网帐了若干数据。它概况完满地提起香槟，作念得极端好。

它还能完成一些工业任务，比如提起工场里的物品，也能完满多机器东说念主迎合。Groot 模子是全齐开源的，本色上，改日的一系列模子也将开源，因为校服约翰逊的开源理念，极力于让物理东说念主工智能愈加普及。

那么接下来呢？在看到物理东说念主工智能的发展后，下一步是什么？我认为是物理 API。纵不雅东说念主类历史，5000 年来，咱们领有了更好的器具，社会也在举座上有了很大越过。但作念晚餐以及进行许多手工服务的边幅，从埃实时期到当今，或多或少齐莫得太大变化。

在东说念主类历史的 99% 时候里，一直校服这样的模式：从原材料启航，通过东说念主类服务构建时髦。而在以前的 1%，也便是大要 50 年里，东说念主类服务占比冉冉减少，出现了高度专科化、高度复杂的机器东说念主系统，它们一次只可完成一项任务。

编程成本极端高，但它们仍然在社会中发达着述用。这便是近况。改日是要把代表机器东说念主服务占比的区域扩展到各个边界，就像言语模子 API（LLM API）处理数字和比特一样，物理 API 将处理原子。

基本上不错给软件配备物理膨胀器，让它改动物理宇宙。在物理 API 之上，将会出现新的经济模式和新的范式，比如物理辅导。怎么指示这些机器东说念主？怎么查察它们？

巧合候言语是不够的。还会有物理愚弄商店和手段经济。比如说，米其林星级厨师无须每天齐去厨房，他不错查察机器东说念主，然后将提供米其林星级晚餐作为一种服务。再援用一次约翰逊的话：改日，一切可出动的物体齐将完满自动化。

有一天，回到家，会看到干净的沙发和点着烛炬的晚餐，伴侣会浅笑着欢迎，而不是因为没洗穿着而高唱大叫，这少量每天齐激勉着我。上个月买了两个东说念主形机器东说念主，它们运行追究。

这些机器东说念主就像环境智能一样融入配景，以致不会提神到通过物理图灵测试的那一刻。而那一天，也只会被行动又一个平素的周二被东说念主们记着。谢谢全球。

🦄开云集团「中国」Kaiyun·官方网站✅开云推荐✅我们为您提供:开云集团*开云官网*开云官方*开云网址*开云网站*开云注册*开云开户*开云电子*开元官网*开元在线