黄仁勋在CES 2026宣告物理AI的ChatGPT时刻到来，英伟达的完整技术栈正将自动驾驶汽车和机器人从概念推向大规模部署的前夜。

2026年1月，英伟达CEO黄仁勋在CES演讲中17次提及“物理AI”，并明确表示“物理AI的ChatGPT时刻即将到来”。这一宣告引发了行业对AI发展新阶段的广泛关注。

物理AI与传统生成式AI有本质区别：它使自主系统能够感知、理解、推理，并在物理世界中执行复杂动作。这一转变的核心在于，AI正从生成内容的能力转向在现实世界中执行任务的能力。

01 物理AI：从虚拟生成到物理执行的新范式

物理AI代表着人工智能发展的根本性转变。与主要处理文本、图像和音频的生成式AI不同，物理AI融入了对物理世界的深刻理解。

物理AI具备三维空间感知和物理规律理解能力。它不仅能处理图片、视频和语音，还能接收现实世界中传感器的温度、距离等真实数据，最终转化为机器人能直接执行的动作指令。

这种能力的实现依赖于三大核心要素：数据、平台和模型。物理AI在应用到现实场景前会经过虚拟训练平台：首先为真实空间创建数字孪生体，然后将现实中传感器收集的数据同步到这个虚拟空间，模拟各种操作，最后通过模型对生成数据进行处理，使AI能快速学习物理世界的规律。

物理AI的成熟意味着AI不再仅仅是生成内容的工具，而是成为能够在制造业、物流、交通等每个环节执行实际任务的智能体。据估计，物理AI相关市场规模将在2030年达到数万亿美元。

02 英伟达的物理AI全栈布局

英伟达为迎接物理AI时代构建了完整的技术栈。在2026年CES上，黄仁勋介绍了英伟达的全栈物理AI平台，其核心是“三台计算机”架构。

第一台计算机专注于训练AI模型，以英伟达GB300为代表；第二台是用于推理模型的计算机，涵盖在汽车、机器人、工厂等边缘环境运行的设备；第三台则是为仿真设计的计算机，黄仁勋强调“仿真是英伟达所做的一切物理AI工作的基础”。

作为这一架构的具体实现，英伟达推出了Vera Rubin计算平台。该平台集成了六种不同的芯片，包括Vera CPU、Rubin GPU、NVLink 6交换机芯片等。与前代Blackwell相比，Rubin GPU在推理任务中的速度提升5倍，在训练工作负载处理方面快3.5倍。

值得一提的是，Rubin平台还专门优化了KV缓存的管理，这是长时间运行AI交互所需的上下文内存。随着AI智能体长期维持状态，GPU内存成为稀缺资源，英伟达因此推出了推理上下文内存存储平台，在GPU和传统存储之间创建了一个专门为推理优化的新型内存层。

03 自动驾驶：物理AI的首要战场

自动驾驶是物理AI最重要且最先成熟的应用领域之一。英伟达将其视为物理AI的核心战场，并推出了专门面向自动驾驶的开源模型Alpamayo。

Alpamayo是业界首个开源的视觉-语言-行动推理模型系列。与传统基于感知的系统不同，它能将复杂的自动驾驶边缘情况（如交通信号灯故障）分解为步骤，遍历每种可能性以选择最安全的路径。

该模型的创新之处在于将思维链AI推理与路径规划技术深度融合。它能接受文本、摄像头馈送和导航历史等输入，然后输出轨迹和推理轨迹，并能向乘客解释自动驾驶汽车采取某项行动的原因。

英伟达宣布，首款搭载Alpamayo系统的奔驰CLA车型将于2026年上路。该车型采用双Orin处理器，下一代将升级为双Thor处理器，标志着英伟达的自动驾驶技术正式进入商业化部署阶段。

为确保安全，英伟达在这一系统中采用了两套技术栈：一套是以端到端方式训练的Alpamayo技术栈，另一套则是更强调安全性的可追溯自动驾驶技术栈。车辆可以在两个技术栈中切换，黄仁勋强调，“所有安全系统都应该具备多样性和冗余性”。

04 机器人领域：物理AI的另一个关键赛道

除了自动驾驶，机器人是物理AI的另一个关键应用领域。英伟达通过GR00T通用基础模型布局人形机器人和具身智能。

物理AI让机器人从执行固定程序的自动化设备，升级为能感知环境、判断状况、灵活应变的智能体。例如，仓库中的自动搬运机器人现在可以在复杂环境中绕开障碍物；工业机械臂能够根据零件摆放自动调整抓握力度和姿势。

英伟达的布局包括在2024年3月GTC大会上发布的Project GR00T人形机器人通用基础模型，以及基于NVIDIA Thor的新型人形机器人计算机Jetson Thor。这些技术使机器人能够更好地理解和适应人类环境，执行更为复杂的任务。

黄仁勋认为，自动驾驶汽车本身就是一种机器人，制造汽车的公司未来都将非常擅长制造机器人。这一观点揭示了英伟达在自动驾驶和机器人领域协同布局的战略思路。

05 物理AI面临的挑战与约束

尽管物理AI前景广阔，但其发展仍面临多重挑战。高精度物理仿真环境的构建成本高昂，需要融合材料属性、动力学参数等多源数据。

不同行业的物理规律差异显著，如工业机器人与医疗手术机器人的力学特性不同，通用模型开发难度大。尽管模拟环境中的视觉图像已相当逼真，但与现实世界仍存在细微差异，导致模拟训练的效果无法完全对应现实情况。

在物理系统中，即便是微小错误也可能引发连锁反应：从浪费原材料、产生次品，到损坏设备甚至引发安全事故。如果AI系统产生“幻觉输出”，生成不符合真实情况的错误信息，这类错误会在整个生产批次中持续扩散放大。

网络安全也是物理AI面临的潜在风险。互联性增加了网络攻击面，漏洞可能导致未经授权的访问、数据泄露，甚至恶意控制机器人。当安全漏洞可能影响物理安全和运营连续性时，风险会进一步加剧。

06 物理AI将如何重塑产业格局

物理AI的到来将重塑多个行业的竞争格局。在黄仁勋的规划中，物理AI相关市场规模将在2030年达到数万亿美元，覆盖制造业、物流、医疗、智能驾驶等领域。

物理AI正在将传统自动化设备升级为能感知环境、判断状况、灵活应变的智能体。在工业领域，这一转变意味着生产线将具备更强的自适应能力和灵活性。

对英伟达而言，物理AI是其从芯片供应商向“全栈AI体系”构建者转型的关键。通过开源模型、数据及开发库，英伟达正通过“三台计算机”（训练、推理、模拟）的架构，为全球提供构建物理AI的底座。

物理AI也将改变企业的采购模式。过去的AI采购更多围绕云端模型或单点设备，而未来，端到端物理智能系统将成为企业采购的新标配。包括机器人、无人车、自动化设备在内的整体物理智能系统，会成为大企业新的长期采购项目。

物理AI的“ChatGPT时刻”标志着人工智能正从内容生成走向物理世界交互的新阶段。英伟达通过全栈式布局——从Vera Rubin硬件平台到Alpamayo和GR00T等开源模型，正在为这一转变构建基础设施。

当自动驾驶汽车和机器人在现实世界中大规模部署时，它们将不再是执行预设程序的工具，而是能够理解环境、做出判断并自主行动的智能体。这一转变不仅将重塑制造业、物流和交通等行业，更将重新定义人与机器的关系。