导言

RAISE Week 2026 期间，巴黎塞纳河右岸的 Les Maquereaux 餐厅，一场名为 Nebius Robotour Paris的边会正在进行。

Jim Fan（NVIDIA AI 总监、杰出科学家、GR00T 模型核心推动者）主动站上了舞台，贡献了当周最精悍的三分钟发言。几天后，他在 Machina 2026 主舞台上做了完整版演讲。以下是两个版本的合辑。

三个数字

Jim Fan 用三个数字，为物理 AI 的当下与未来一锤定音。

–1.5%：万亿美元级的"零万亿生意"

全球老龄化加剧，劳动力缺口已成为拖累经济的关键变量。Fan 估算，因岗位空缺直接造成的损失高达 全球 GDP 的 1.5%，规模超过一万亿美元。

"我们正处在一门'零万亿美元'的生意里——今天是零，前方就是一万亿。"

宇树 G1 人形机器人已在沃尔玛标价 40,000 美元，仅相当于一辆普通家用车。而二十年前，本田 ASIMO 的单台成本约为 200 万美元。

二十年间，价格暴跌 98%。Fan 的判断是：4 万美元大约是人形机器人的价格天花板。从此只会继续下探，直至逼近原材料的物理成本极限。

你知道吗？从 ASIMO 的约 200 万美元到 G1 的 4 万美元，人形机器人的入门价格在二十年间下降了 98%——Fan 预计这条曲线将继续向原材料成本弯曲。

NVIDIA 开源的 GR00T 模型及物理 AI 数据集，全球下载量正式突破 1,000 万次。开发者和企业正以空前速度集结，整个社区正在共同构建物理 AI。

三项策略

如果说三个数字回答的是"为什么是现在"，那么三项策略回答的就是"如何构建物理 AI"——新的模型范式、两条新的数据引擎，以及从 LLM 领域借鉴的学习范式。

策略一：模型 · 世界行动模型（World Action Model）

下一代建模范式是世界行动模型：物理 AI 直接生成像素，从海量视频中学习物理规律，并预测下一帧画面。

策略二：数据 · 人类数据 + 仿真

两条引擎并行 feeding。

引擎一：人类自我中心数据（Egocentric Human Data）

将传感器穿戴在人身上，让机器人暂时退出数据采集闭环。Fan 称之为"新的 FSD"——以全自动驾驶车队规模采集数据的方式，收集第一人称视角的人类视频。

引擎二：仿真数据

仿真越来越真实、速度越来越快。Cosmos利用神经世界模型作为新一代仿真器。

策略三：学习 · 具身智能体（Agentic Robotics）

"LLM 那帮人把所有乐子都占了——所以我们也来拿点他们的玩具玩玩。"

将最新的智能体（Agent）技术注入机器人，使其能够自主学习新技能，构建不断膨胀的技能库——最终，实现物理世界中的完全自主研究。通用机器人是下一个学习范式。

Machina 2026 主舞台演讲

几天后，在 Station F 举办的 Machina 2026 上，Fan 做了完整版演讲。开场即抛出他称之为 "伟大并行线"（The Great Parallel）的时间轴：

• 2016 年

  ：第一台 DGX 交付，Jensen（黄仁勋）与 Elon（马斯克）同框

• 2020 年

  ：GPT-3 诞生

• 2022 年

  ：InstructGPT

• 2024 年

  ：o1超越模仿学习

• 2026 年

  ：AutoResearch

LLM 的终局派对已经开始——"他们在开派对。机器人领域也该找点乐子了。"

他的新押注是世界行动模型（World Action Model）。与传统 VLA 模型"看到画面→输出动作"不同，机器人会**"做梦"——它在内部生成未来几秒钟的视频。Fan 将其称为机器人领域的"GPT-2 时刻"，Cosmos 正在模拟浮力、反射与碰撞**。

关于数据：遥操作的黄金时代（2022–2025）受限于每天 24 小时——实际有效时长约 3 小时。NVIDIA 正全力押注自我中心数据，推出 EgoScale项目：99.99% 为人类视频，累计 20,000 小时，预训练阶段零机器人数据。只需再添加 50 小时手套数据与 4 小时遥操作数据，机器人即可掌握分拣卡片或操作注射器等精细技能。

接下来是物理强化学习（Physical RL）：用 iPhone 扫描真实 3D 世界，导入 Isaac Lab 进行仿真。终局是完全自主的机器人研究——已在 NVIDIA 实验室内完成初步演示。

"物理图灵测试：你再也无法分辨，完成这项任务的，究竟是人，还是机器人。"

来源：humanoid.guide 巴黎现场报道（2026年7月）