在数字空间诞生的 NVIDIA BLUE

NVIDIA 于 2026 年 1 月在美国国际消费类电子产品展览会（CES 2026）上的主题演讲中，BD-1 机器人给人留下了深刻印象。

NVIDIA at CES 2026

NVIDIA 在 CES 2026 上正式宣布了 BlueField-4 数据处理单元（DPU），这是 BlueField 系列 的最新一代产品，定位于大规模 AI 推理与存储基础架构加速。它将作为关键组件推动下一代 AI 推论架构的发展。在这里面，给我留下深刻印象的就是 BLUE（或者叫 BD-1）。

NVIDIA 在 CES 2026 上的直播回顾地址为：https://www.nvidia.cn/events/ces（在约 46 分钟处开始 BD-1 的介绍）。

在数字空间诞生的 BLUE（BD-1）

这里面最让我感兴趣的就是 BD-1 的训练。它完全是在虚拟空间中完成训练，再被首次迁移部署到真实机器人平台上。通过仿真环境，BD-1 能够提前学习感知、动作规划和交互逻辑，把大量试错放在虚拟世界中完成，这在一定程度上绕开了真实机器人训练中成本高、风险大的问题。

NVIDIA 基于强大的芯片算力，在虚拟世界构建了真实世界的物理规则，然后再用 BD-1 的数字孪生体在虚拟世界学习，这恰恰就是数字孪生的思想（仿真）。

基于 NVIDIA Cosmos 构建的数字空间

黄仁勋演示了 NVIDIA Cosmos，该系统利用物理模拟来创建逼真的训练环境，BD-1 的训练空间正式由此构建。

灵巧的抓取工作流程可以改变重力、摩擦力和物体重量等方面，训练机器人在不可预测的环境中学习技能。这种方法意味着机器人在现实世界中尝试执行任务之前，可以利用逼真的物理环境虚拟练习数百万个场景，从而使学习过程更快、更安全。

Cosmos × Omniverse 数据驱动的 Sim-to-Real 路线

NVIDIA 在 CES 2026 展示的 Cosmos 与 Omniverse，其实是在重新定义 Sim-to-Real 的实现方式。传统机器人仿真更多依赖人工建模的物理规则和场景参数，而 Omniverse 提供的是一个高保真、可控的物理与渲染执行环境：包括刚体和柔体物理、传感器仿真、光照与材质一致性，以及可复现的时序控制。

而 Cosmos 关注的则是另一个层面，通过世界基础模型（World Foundation Models），Cosmos 从真实世界视频和多模态数据中学习环境的动态规律，用生成式模型去补全、扩展和预测场景变化。这使得仿真不再局限于少量手工搭建的环境，而是可以通过 AI 生成大量 “可能发生的世界”，显著提高训练分布的覆盖度。

两者结合后，Sim-to-Real 形成了一种闭环，即 Cosmos 负责生成和扩展训练数据分布，Omniverse 负责精确执行这些世界并与机器人控制系统交互。机器人策略（无论是基于强化学习、模仿学习，还是 VLA / policy 模型）在 Omniverse 中训练与验证，而 Cosmos 持续提供更复杂、更接近真实分布的场景变化，用来减少策略在现实部署时的分布偏移。

我的评论

从数字孪生的角度来看，Omniverse 本身已经具备了经典数字孪生的核心特征。它能够对真实机器人、传感器和物理环境进行高保真建模，并与现实系统保持结构与参数上的一致性，用于监控、验证和优化真实系统的行为。但 Cosmos 的加入让这套数字孪生不再是静态或规则驱动的。传统数字孪生更像是现实世界的一面 “镜子”，而 Cosmos 引入的世界基础模型，则让这面镜子具备了 “推演未来和生成可能性” 的能力。

通过从真实世界数据中学习环境的动态分布，Cosmos 可以在数字孪生之上生成大量未曾真实发生、但在物理上合理的场景变化，用于训练和评估机器人策略。这意味着数字孪生不再只用于复现和分析，而是演变为一个可学习并策略进化的世界模型。在这种框架下，Sim-to-Real 不再是一次性的迁移，而是以数字孪生为锚点、以世界模型为外推机制的持续闭环过程，机器人在虚拟与现实之间不断校准和进化。