電子發(fā)燒友網(wǎng)報道（文/吳子鵬）在具身智能領域，人形機器人無疑是最值得期待的產(chǎn)品類別，有著更高的市場熱度和更大的發(fā)展?jié)摿ΑＰ聭?zhàn)略人形機器人產(chǎn)業(yè)研究所的統(tǒng)計數(shù)據(jù)顯示，截至 2025 年 4 月，全球人形機器人本體企業(yè)數(shù)量已超 300 家，中國企業(yè)數(shù)量占半壁江山。

隨著全球范圍內(nèi)越來越多企業(yè)涌入人形機器人賽道，市場預期持續(xù)攀升。根據(jù)高工機器人產(chǎn)業(yè)研究所（GGII）近期發(fā)布的《2025 年人形機器人產(chǎn)業(yè)發(fā)展藍皮書》，2025 年全球人形機器人市場銷量有望達 1.24 萬臺，市場規(guī)模 63.39 億元；2030 年銷量將接近 34 萬臺，市場規(guī)模超 640 億元；2035 年銷量將突破 500 萬臺，市場規(guī)模超 4000 億元。

數(shù)據(jù)來源：《2025 年人形機器人產(chǎn)業(yè)發(fā)展藍皮書》，電子發(fā)燒友網(wǎng)制圖

然而，要釋放人形機器人的市場潛力，研發(fā)企業(yè)仍需攻克諸多挑戰(zhàn)。尤其在數(shù)據(jù)與模型能力層面，人形機器人設計面臨多維度技術瓶頸，既涉及底層感知決策的精度問題，也關乎復雜物理系統(tǒng)與智能算法的協(xié)同效率。對于通用人形機器人而言，更需基于有限數(shù)據(jù)構建接近甚至超越人類的通用模型，多任務耦合、物理約束與場景泛化等挑戰(zhàn)尤為突出。

在應對上述挑戰(zhàn)的探索中，NVIDIA 發(fā)布的開源人形機器人基礎模型 Isaac GR00T N1 提供了高效解決方案。其在雙系統(tǒng)架構、合成數(shù)據(jù)生成、仿真訓練等方面的創(chuàng)新，大幅降低了通用人形機器人的開發(fā)門檻，標志著該領域進入全新發(fā)展階段。

數(shù)據(jù)多樣性與場景泛化的雙重桎梏

人形機器人產(chǎn)業(yè)有一句被廣泛認同的發(fā)展定律 ——“得數(shù)據(jù)者得天下”。這是因為人形機器人的智能化依賴 AI 大模型，而大模型的能力提升高度依賴數(shù)據(jù)規(guī)模與質(zhì)量。從這個角度看，數(shù)據(jù)堪稱人形機器人的 “靈魂”，但當前產(chǎn)業(yè)正面臨數(shù)據(jù)匱乏的痛點。

首先，數(shù)據(jù)采集場景復雜。通用人形機器人需適應家庭、工業(yè)、戶外等多元場景，不同場景的光照、地形、物體分布差異顯著，采集全場景數(shù)據(jù)需耗費大量時間與資源?，F(xiàn)階段，多數(shù)機器人數(shù)據(jù)僅來源于實驗室環(huán)境下的簡單動作（如行走、抓?。狈S物料分揀、老人居家護理等復雜動態(tài)場景的實時交互數(shù)據(jù)。

其次，多模態(tài)數(shù)據(jù)采集門檻高。人形機器人需融合視覺、聽覺、觸覺等多模態(tài)數(shù)據(jù)感知環(huán)境，這要求多種傳感器同步工作并保證時序一致性，技術難度極大。與整機構建不同，數(shù)據(jù)采集階段需依賴多模態(tài)感知系統(tǒng)保障質(zhì)量，醫(yī)療場景更需柔性傳感器，進一步制約了數(shù)據(jù)池擴展。

第三，數(shù)據(jù)標注難度與工作量雙高。標注人形機器人數(shù)據(jù)需掌握運動學、動力學及場景專業(yè)知識（如標注行走姿態(tài)需關節(jié)角度、運動軌跡等知識），標注人員需經(jīng)專業(yè)培訓。此外，數(shù)據(jù)量龐大且關聯(lián)復雜，需標注動作、姿態(tài)及環(huán)境交互信息，導致標注工作量呈指數(shù)級增長。

最后，數(shù)據(jù)孤島與標準缺失問題突出。企業(yè)將數(shù)據(jù)視為核心競爭力，擔心共享導致技術泄露，形成 “數(shù)據(jù)孤島”；同時，不同機構的數(shù)據(jù)采集設備、方法與格式缺乏統(tǒng)一標準，即便倡導開源，數(shù)據(jù)融合仍困難重重。

數(shù)據(jù)匱乏直接制約 AI 大模型性能提升。如上所述，通用人形機器人需覆蓋家庭、辦公、戶外等復雜場景，小規(guī)模數(shù)據(jù)難以捕捉場景多樣性，導致模型無法學習足夠模式，在新場景中表現(xiàn)欠佳。為保證安全性，開發(fā)人員不得不為機器人添加大量物理約束，將規(guī)范嵌入控制系統(tǒng)，但這反而限制了場景泛化能力。

比數(shù)據(jù)缺乏更嚴峻的是數(shù)據(jù)質(zhì)量問題：錯誤標注、缺失值或偏差會使模型學習錯誤模式，導致機器人決策失誤。例如，在養(yǎng)老護理場景里，訓練物體識別時，錯誤標注可能導致機器人拿錯藥物，引發(fā)嚴重后果。

為破解數(shù)據(jù)困局，機器人行業(yè)嘗試引入動作捕捉技術 —— 通過高精度傳感器采集人類關節(jié)軌跡、肌肉發(fā)力模式，將人類動作轉(zhuǎn)化為機器人控制指令。這一技術試圖打通人類運動經(jīng)驗與機器人控制的壁壘，但仍存在局限：高精度動捕系統(tǒng)需在特定場地部署大量設備，成本高昂；視覺動捕易受光照與遮擋干擾，慣性動作捕捉可能受電磁干擾漂移；若 AI 模型基礎能力不足，示教動作可能引入誤差，限制復雜環(huán)境應用。

GR00T N1為人形機器人帶來通用技能和推理

GTC 2025期間，NVIDIA 推出一系列全新技術，助力人形機器人開發(fā)，其中包括全球首個開源且完全可定制的基礎模型 NVIDIA Isaac GR00T N1。NVIDIA 創(chuàng)始人兼 CEO 黃仁勛表示，“借助 NVIDIA Isaac GR00T N1 以及新的數(shù)據(jù)生成和機器人學習框架，全球機器人開發(fā)者將開啟 AI 時代的全新篇章?！?/p>

GR00T N1是NVIDIA Isaac GR00T平臺推出的首個用于通用人形機器人推理和技能的可完全定制模型，其擁有兩大突出的優(yōu)勢：GR00T N1基于龐大的人形數(shù)據(jù)集訓練而來，且創(chuàng)新性地采用了雙系統(tǒng)架構，可幫助解決當前通用人形機器人開發(fā)遇到的挑戰(zhàn)，保證了通用人形機器人性能的“基本盤”。

GR00T N1的訓練數(shù)據(jù)既包含了真實獲取的數(shù)據(jù)，也有使用 NVIDIA Isaac GR00T Blueprint 組件生成的合成數(shù)據(jù)，以及互聯(lián)網(wǎng)級視頻數(shù)據(jù)。其中，用于合成運動生成的 NVIDIA Isaac GR00T Blueprint 是基于 NVIDIA Omniverse 和 NVIDIA Cosmos 構建的參考工作流，它可以從少量的人類演示中創(chuàng)建大量的合成運動軌跡，用于機器人操作。列一組簡單的數(shù)據(jù)對比，GR00T Blueprint能夠在11 小時內(nèi)生成 780,000 個合成軌跡，相當于 6,500 小時或連續(xù)九個月的人類演示數(shù)據(jù)。同時，GR00T Blueprint生成的數(shù)據(jù)還能夠和真實世界數(shù)據(jù)結(jié)合，進一步提升了數(shù)據(jù)的質(zhì)量和規(guī)模。

GR00T Blueprint工作流，圖源：NVIDIA

如此吸引人的訓練數(shù)據(jù)集該如何獲取呢？NVIDIA也回應了人形機器人開發(fā)人員關切的問題。GTC 2025上，該公司發(fā)布了大型開源數(shù)據(jù)集，助力構建下一代物理 AI。初始數(shù)據(jù)集包含15 TB 數(shù)據(jù)，有超過 320,000 條機器人訓練軌跡，以及包含 SimReady 資源集合在內(nèi)的高達 1,000 個通用場景描述（OpenUSD）資源，開發(fā)人員可通過 Hugging Face 平臺下載。從數(shù)據(jù)規(guī)模來看，已發(fā)布的 GR00T N1 數(shù)據(jù)集是更大的開源物理 AI 數(shù)據(jù)集的一部分。事實上，這些高質(zhì)量數(shù)據(jù)不僅可用于預訓練，也可用于后訓練，以對AI模型進行調(diào)優(yōu)。

發(fā)展至今，GR00T N1背后的數(shù)據(jù)集和數(shù)據(jù)合成方法已經(jīng)不只是一個解決方案，而是一種適用于自主機器人或自動駕駛的數(shù)據(jù)生態(tài)。一方面，人形機器人公司、自動駕駛方案商和領先的科研機構在積極使用這些數(shù)據(jù)；另一方面這些機構和單位也在基于此構建新的數(shù)據(jù)和方法論。比如，智元機器人利用 GR00T-Teleop 打造了更加高效易用的仿真遙操作方法，GR00T-Teleop 是NVIDIA Project GR00T 的核心模塊之一，支持基于 Apple Vision Pro 的遠程操作。因此，用戶可以通過佩戴 VR 設備，利用手柄實時控制 Isaac Sim 中智元 AgiBot G1 機器人的手臂、腰部和底盤運動，然后再借助GR00T-Mimic，實現(xiàn)少量示教到海量數(shù)據(jù)的泛化，實現(xiàn)數(shù)據(jù)采集規(guī)模的指數(shù)級上升。這一方法，以及與之類似的方法實際上也解決了我們上述提到的動作捕捉技術的痛點和難點，以少量的人類示范就可以構建大量人形機器人動作的“金標準”。

Genie Sim 基于 GR00T-Teleop 的仿真遠程操作架構，圖源：NVIDIA

除了龐大的數(shù)據(jù)支撐，GR00T N1模型還采用了雙系統(tǒng)架構，以提供類似人類大腦的認知模式。如下圖所示，系統(tǒng) 2是一個視覺-語言模型，基于 NVIDIA-Eagle 和 SmolLM-1.7B，是一個方法論思考系統(tǒng)，通過視覺和語言指令解釋環(huán)境，使機器人能夠?qū)ζ洵h(huán)境和指令進行推理，并規(guī)劃正確的行動；系統(tǒng)1是擴散 Transformer，這個動作模型生成連續(xù)動作以控制機器人的運動，將系統(tǒng) 2 制定的動作計劃轉(zhuǎn)化為精確、連續(xù)的機器人運動，如在倉庫場景中，系統(tǒng)1能規(guī)劃自主導航路徑并完成多步驟貨物分揀。

GR00T N1模型的雙系統(tǒng)架構，圖源：NVIDIA

因此，GR00T N1模型能夠讓通用人形機器人開發(fā)人員從一開始就不必受到數(shù)據(jù)規(guī)模和場景泛化的牽絆，它可以輕松適應和應對各種通用任務，比如單手或雙手抓取、移動物體，或者是將物品從一只手臂轉(zhuǎn)移到另一只手臂，當然它也能夠勝任需要較長背景和常規(guī)技能組合的多步驟任務，比較典型的場景是物料的搬運和檢查。

針對特定場景，開發(fā)人員還可以使用真實數(shù)據(jù)或合成數(shù)據(jù)對GR00T N1模型進行后訓練，進一步提升人形機器人的場景適應性；針對復雜任務，開發(fā)人員也可以通過開源物理引擎 Newton提升人形機器人精度以處理復雜任務。該引擎基于 NVIDIA Warp 框架構建，針對機器人學習進行優(yōu)化，并與 Google DeepMind MuJoCo 和 NVIDIA Isaac Lab 等仿真框架兼容。

正如1X Technologies 首席執(zhí)行官 Bernt B?rnich 所言，“人形機器人的未來開發(fā)重點在于適應能力和學習能力?！盙R00T N1模型的出現(xiàn)精準契合行業(yè)發(fā)展的大趨勢，通過高效、高質(zhì)量的數(shù)據(jù)集、預訓練、后訓練和推理，GR00T N1模型讓人形機器人研發(fā)全面換擋提速。當前，優(yōu)先使用 GR00T N1 的領先機器人公司包括1X Technologies、Agility Robotics、波士頓動力、Mentee Robotics 和 NEURA Robotics等。

Blackwell 架構為智能體提供強勁動能

如上所述，GR00T N1是NVIDIA 一系列可完全定制模型中的首個模型，也是GR00T平臺更新的重要成果。除了基礎模型和數(shù)據(jù)流水線，NVIDIA Jetson為人形機器人模型部署提供可擴展且性能強大的計算平臺。

GR00T工作流程圖，圖源：NVIDIA

NVIDIA Jetson平臺已有多款針對機器人部署的芯片方案。例如，Jetson Orin系列為不同規(guī)格的人形機器人模型提供 7 個具有相同架構的模組，包括Jetson AGX Orin、Jetson Orin NX和Jetson Orin Nano等，最高可提供每秒高達 275 萬億次運算 (TOPS) 的算力，性能是上一代多模態(tài) AI 推理的 8 倍，可支持訓練好的人形機器人模型進行快速推理。

更讓人形機器人開發(fā)者興奮的是最新的Jetson Thor系列，其是NVIDIA專為人形機器人設計的計算平臺。Jetson Thor集成高性能CPU、高算力內(nèi)核、功能安全模塊和100 GB以太網(wǎng)帶寬，使人形機器人能夠運行復雜的多模態(tài) AI 模型，高效處理實時的多模態(tài)傳感器數(shù)據(jù)并支持復雜處理任務，是下一代通用人形機器人部署的理想平臺。此前，NVIDIA 機器人與邊緣計算副總裁Deepu Talla透露，Jetson Thor平臺計算性能可達到1050 TOPS。

Jetson Thor計算平臺的出色性能源于背后的NVIDIA Blackwell 架構的強大支持，該架構為生成式 AI 和加速計算帶來突破性進步?；贐lackwell 架構的GPU具有 2080 億個晶體管，采用專門定制的臺積電 4NP 工藝制造。所有 NVIDIA Blackwell 產(chǎn)品均采用雙倍光刻極限尺寸的裸片，通過 10 TB/s 的片間互聯(lián)技術連接成一塊統(tǒng)一的 GPU。

除了計算性能的提升，Blackwell 架構還有非常多的優(yōu)化，能夠提升基于該架構的計算芯片在人形機器人市場的表現(xiàn)。比如，Blackwell 架構搭載第二代 Transformer 引擎，該引擎將定制的 NVIDIA Blackwell Tensor Core 技術與 NVIDIA TensorRT-LLM 和 NeMo 框架的創(chuàng)新進行結(jié)合，加速大語言模型 (LLM) 和多專家模型 (MoE) 的推理和訓練。GR00T N1數(shù)據(jù)集和模型等一系列新的方案發(fā)布之后，全球通用人形機器人在預訓練、后訓練和部署推理方面的芯片需求將顯著提升，而這些任務對算力芯片的算力精度和算力規(guī)模有著不一樣的要求，Blackwell Tensor Core 新增了由社區(qū)定義的新型微縮放格式作為新的精度選項，這一改進不僅提升了計算的準確性，還可在必要時輕松切換至更高的精度級別，這種能力保障了人形機器人的訓練和推理。

對于第二代 Transformer 引擎，還有一點對于人形機器人是非常重要的，那就是微張量縮放的細粒度縮放技術。這項技術可以優(yōu)化性能和準確性，從而實現(xiàn) 4 位浮點 (FP4) AI。這一技術在保持高精度不變的同時，將內(nèi)存能夠支持的下一代模型的性能和規(guī)模均提升了 1 倍。這使得人形機器人能夠?qū)崟r處理視覺識別、自然語言交互、力控反饋等多維度數(shù)據(jù)，決策能力顯著提升。同時，通過 FP4 精度和硬件級解壓縮引擎，Blackwell架構可以降低人形機器人推理的功耗。通用人形機器人主要依賴電池供電，有限的身體空間導致電池容量無法像汽車一樣擴大，因此能效是非常重要的指標。

此外，Blackwell 內(nèi)置 NVIDIA 機密計算技術，可通過基于硬件的強大安全性保護敏感數(shù)據(jù)和 AI 模型，使其免遭未經(jīng)授權的訪問，能夠增強人形機器人等AI智能體的數(shù)據(jù)安全特性。因此，Blackwell 架構不僅是算力的升級，而是帶來了算力、效能、安全性等方面的全面提升，推動人形機器人從實驗室走向工業(yè)、服務、特種作業(yè)等場景。

結(jié)語

從數(shù)據(jù)孤島到生態(tài)協(xié)同，從場景局限到通用泛化，NVIDIA Isaac GR00T N1數(shù)據(jù)集和模型的出現(xiàn)，使得研發(fā)通用人形機器人不再受困于數(shù)據(jù)缺失，并帶來了“數(shù)據(jù)合成 + 智能推理”的高效范式，僅需要少量的示范數(shù)據(jù)就能模擬人類大腦的決策邏輯，讓通用人形機器人在家庭服務、工業(yè)分揀、醫(yī)療護理等復雜場景中更快落地。在此過程中，Jetson AGX Thor 計算平臺與 Blackwell 架構的創(chuàng)新賦能價值凸顯，為人形機器人裝上了高性能的“智能引擎”。

未來，隨著物理 AI 與生成式 AI 的深度耦合，人形機器人將從 “定制化工具” 邁向 “通用化智能體”，真正融入人類生活的每個角落，開啟人機協(xié)作的全新時代。