kaiyun体育官方网站全站入口

在近日红杉成本举办的 AI Ascent 2025 演讲中，NVIDIA 东谈主工智能总监 Jim Fan 先容了"物理图灵测试"的意见，并阐明了大规师法真将若何解锁机器东谈主技艺的明天。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，它引起了我的凝视。著作说大模子如故通过了图灵测试，但却没东谈主凝视到。图灵测试也曾是圣洁不可滋扰的，对吧？它是计较机科学的圣杯，其理念是，你无法分离与你对话的是东谈主类如故机器。

然后，咱们就这样悄无声气地通过了图灵测试。但当机器想考的时期多了几秒钟，或者云霄无法调试你糟糕的代码时，东谈主们就会感到发火。每一次冲破都在鄙俚无奇中渡过，就像又一个浩繁的周二。

我想建议一个相等浅陋的意见，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，你想找东谈主打理这一派缭乱，而况在晚餐时为你点上一支致密的烛炬让你的伴侣应承起来。而当你回到家时，却无法分辨这一切是东谈主类如故机器的极品。

这等于浅陋的物理图灵测试。但咱们当今进展到什么进度了呢？快终明晰吗？望望这个肖似的机器东谈主，准备去使命，扫尾却没能作念好。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谈主呢？

它能正确识别牛奶，这少许我给它拼麇集格。它的意图是好的，或者说用勺子的体验就像是稀客级的。望望，我都有点忌妒了，都没东谈主能给我这样的体验。这等于咱们现时的近况。那么，为什么处罚物理图灵测试这样费事呢？

人人都知谈，意想东谈主员每每怀恨。最近，有个叫 ilia 的东谈主怀恨说，预考试的数据快用结束。他致使把互联网比作主谈主工智能的 "化石燃料"，还说咱们用于考试会聚的数据行将耗尽。只有和机器东谈主行家相处一天，就知谈那些深度学习意想东谈主员有多 "娇惯" 了。

咱们连 "化石燃料" 都莫得。这是在英伟达总部的咖啡馆进行的数据采集场景。开荒了东谈主形机器东谈主，通过操作它们来采集数据。

这等于采集到的数据，机器东谈主的要津规定信号，这些是随时期变化的畅达值，无法从互联网上获得，在维基百科、YouTube 或其他任何地点都找不到。东谈主们必须我方采集。那要奈何采集的呢？有一种相等复杂但也很腾贵的方法，叫作念 "良友操作"。让东谈主戴上虚 VR 头盔，头盔能识别手部动作，并将动作信号传输给机器东谈主。

通过这种形式，东谈主类不错教机器东谈主作念事，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，这是一个相等松弛且恶运的经由。

实在的机器东谈主数据是 "东谈主力燃料"，而这比化石燃料还糟糕，因为这是在糜费东谈主力。更糟糕的是，每个机器东谈主每天最多只可运行 24 小时，致使本色经由中远远够不上这个时长，因为东谈主会累，机器东谈主比东谈主更容易累。

这等于近况，那该奈何办呢？若何冲破这个覆盖？机器东谈主范围的 "核能" 在那里？咱们需要清洁动力，不成恒久依赖 "化石燃料"。于是，模拟技艺登场了。

必须离开施行全国，在模拟环境中作念点什么。是以尝试让机器东谈主的手在模拟环境中完成突出东谈主类聪慧度的任务，比如转笔。对我来说这是超东谈主类的技巧，因为我小时候就遗弃尝试转笔了。

我很怡然机器东谈主至少在模拟环境中比我作念得好。那么若何考试机器东谈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 上并走运行 10000 个物理模拟环境。这是第少许。第二点是，这 10000 个模拟环境不成都备疏导，必须改动一些参数，比如重力、摩擦力和分量，咱们称之为 "域立时化"。这等于模拟的旨趣。

为什么这样作念灵验呢？瞎想一下，淌若一个神经会聚玩忽规定机器东谈主在 100 万个不同的全国中完成任务，那么它很有可能也能支吾第 100 万零一个全国，也等于施行全国。

换句话说，施行全国是这些考试场景的一部分。那么若何欺诈呢？不错创建一个数字孪生体，也等于机器东谈主和施行全国 1:1 的复制体。然后在考试模拟中进行测试，再径直欺诈到施行全国，终了零样本学习。

不错用手来例如。这是能完成的最令东谈主印象真切的任务之一。比如让机器狗站在球上，然后将考试扫尾欺诈到施行全国。这是在加州大学伯克利分校（UCB），有东谈主在操控机器狗行走。意想东谈主员主张很奇特，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" 容貌。有个意想东谈主员让他的机器狗站在瑜伽球上，至少当今在机器狗的纯真性方面取得了很猛进展，不外实在的狗可作念不到。接下来，还不错将这种方法欺诈到更复杂的机器东谈主上，比如东谈主形机器东谈主。

这些东谈主形机器东谈主通过 2 小时的模拟考试，就掌抓了非常于施行中 10 年智商学会的行走技巧，并不错将考试扫尾欺诈到施行中。无论机器东谈主的形态若何，只有有机器东谈主模子，进行模拟考试，就不错让它学会行走。

能作念的不啻是行走，对吧？当规定肉体时，不错跟踪任何想要跟踪的点、任何干键部位，奴隶任何想要的速率向量。这等于东谈主形机器东谈主的全身规定问题。

这相等费事，但不错通过并走运行 10000 个模拟环境来进行考试。将考试扫尾零样本、无需微调地欺诈到施行机器东谈主上，这是在英伟达实验室。本色上，需要减速视频播放速率。

第一个视频是实时播放的，下一个视频是减速后的。不错看到机器东谈主动作的复杂性，它在保持均衡的同期作念出肖似东谈主类的敏捷动作。猜猜完成这些动作需要多大范畴的神经会聚？

只需要 150 万个参数，不是几十亿，150 万个参数就足以捕捉东谈主体的潜签订处理经由。这个系统的推理经由，150 万个参数就够了。淌若将其放在速率与模拟种种性的图表中，我认为这不错称为 "模拟 1.0 "，也等于数字孪生范式，它使用经典的矢量化物理引擎。

然后不错将模拟速率进步到每秒 1 万到 100 万帧。但问题是，必须创建数字孪生体，需要有东谈主构建机器东谈主、搭建环境等等。这相等繁琐，而且需要多数手工操作。

能不成初始生成模拟的部老实容呢？总计这些 3D 资源都是由 3D 生成模子生成的，总计的纹理来自 Stable Diffusion 或其他扩散模子，总计的场景布局由领导词和言语模子生成，再编写 XML 将它们整合在全部，构建了一个名为 " Robot-CASa " 的框架，这是一个大范畴的合成模拟框架。

它用于模拟日常任务，除了机器东谈主，其他内容都是生成的。不错组合不同的场景，它仍然依赖经典引擎运行，但如故不错完成好多任务。

当今，不错再次让东谈主进行良友操作，但此次是在模拟环境中，而不是在施行机器东谈主上。在模拟环境中重现操作轨迹，而况加入雄伟的硬件加快光芒跟踪技艺，让模拟场景愈加传神。

致使不错改动动作。比如在良友操作时将杯子从这里出动到那里，不需要反复演示相通的动作。概述这些，在模拟环境中进行一次东谈主类演示，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战斗的独一数学计较。这等于膨胀数据的方法。第一列和第三列是施行机器东谈主的简直视频，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简直的，但如故敷裕接近了。把这种敷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，但它是一种搀和生成物理引擎，生成部老实容，然后将其余部分交给经典图形管谈处理。

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期。望望图形技艺的发展历程，从早期到当今花了 30 年时期。

而视频会聚模子只用了 1 年时期，就终明晰从模拟浅陋物体到模拟可变形物体（比如面条）的跨越。这里可能少了点敬爱性，但这是我自得付出的代价。关于最新的 Sora 等计谋模子，也只用了 1 年时期，这等于范畴扩展和数据驱动经由的力量。

还谨记一初始给你们看的视频吗？这个视频里莫得一个简直像素，它都备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，在施行机器东谈主实验室采集的范围数据上进行微调，然青年景了这些内容。当今，不错通过领导词让模子瞎想不同的明天场景，模拟反事实情况。看，这两帧画面蓝本都备疏导，但把柄不同的言语领导，生成的视频会作念出正确的反映。

即使这些动作在施行全国中从未发生过，也能终了。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。

相通地，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。这些都是生成的，莫得一个像素是简直的。它还能正确模拟出各式反射效果，对吧？

总计这些交互效果都能正确模拟。我最心爱的一个场景是机器东谈主在那边弹尤克里里。基本上，视频模子可能看过数百万东谈主类弹尤克里里的画面，然后它就能模拟机器东谈主的手指作念出相应动作，即使硬件本色上并不接济。视频生成模子就能作念到这少许。从这个角度来看，这等于 "模拟 2.0 "。

它具有很高的种种性，但现时运行速率可能较慢。没东谈主给它起名字，但我叫它 "数字游牧民"，它就像是在视频扩散模子的梦乡空间里漫游。

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天地的模拟场景。很神奇，对吧？在这个梦乡空间里创建机器东谈主，机器东谈主当今不错与任何地点的物体进行交互，无处不在，无所不成。

詹森之前离开了，但我以为他会很心爱这个。要扩展经典模拟，需要多数的计较资源，这亦然 1.x 系列的情况。问题是，跟着范畴的扩大，它会际遇瓶颈，因为手工制作的系统在种种性方面存在铁心。

而神经全国模子，也等于模拟 2.0，将跟着计较资源呈指数级扩展。这等于神经会聚突出经典图形工程师的地点。两者相加，将成为扩展下一代机器东谈主系统的 "核能"。

那些一初始就说计较机现象会改善而不是恶化的东谈主，把这句话刻在视网膜上，再好好想想吧。把总计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，输出电机规定信号。

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。在机器东谈主上运行这个模子，恐怕候会有很神奇的效果。无法瞎想在考试经由中清算了些许数据。它玩忽齐备地提起香槟，作念得相等好。

它还能完成一些工业任务，比如提起工场里的物品，也能终了多机器东谈主攀附。Groot 模子是都备开源的，本色上，明天的一系列模子也将开源，因为解任约翰逊的开源理念，极力于于让物理东谈主工智能愈加普及。

那么接下来呢？在看到物理东谈主工智能的发展后，下一步是什么？我认为是物理 API。纵不雅东谈主类历史，5000 年来，咱们领有了更好的器具，社会也在全体上有了很猛向上。但作念晚餐以及进行好多手工服务的形式，从埃实时间到当今，或多或少都莫得太大变化。

在东谈主类历史的 99% 时期里，一直解任这样的模式：从原材料起程，通过东谈主类服务构建好意思丽。而在曩昔的 1%，也等于纯粹 50 年里，东谈主类服务占比松弛减少，出现了高度专科化、高度复杂的机器东谈主系统，它们一次只可完成一项任务。

编程成本相等高，但它们仍然在社会中推崇着述用。这等于近况。明天是要把代表机器东谈主服务占比的区域扩展到各个范围，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实行器，让它改动物理全国。在物理 API 之上，将会出现新的经济模式和新的范式，比如物理领导。若何指示这些机器东谈主？若何考试它们？

恐怕候言语是不够的。还会有物理欺诈商店和技巧经济。比如说，米其林星级厨师不消每天都去厨房，他不错考试机器东谈主，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：明天，一切可出动的物体都将终了自动化。

有一天，回到家，会看到干净的沙发和点着烛炬的晚餐，伴侣会含笑着招待，而不是因为没洗一稔而大呼大叫，这少许每天都激勉着我。上个月买了两个东谈主形机器东谈主，它们运行精良。

这些机器东谈主就像环境智能一样融入布景，致使不会凝视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浩繁的周二被东谈主们记取。谢谢人人。

kaiyun体育官方网站全站入口