読書リサーチレーダー投資フレームワーク
ログイン / 新規登録
← 読解に戻る
トピックDisconfirmAI 編集部更新日 2026-10-25 03:39

英伟达机器人训练流

3 ステップ2 件4 ソース

英伟达(NVIDIA)于2026年10月下旬展示了基于多AI智能体协作的机器人训练新工作流,旨在解决通用机器人开发中工具链割裂的问题。该流程利用Hermes和Nemotron 3.5 Bolt进行任务规划,通过Astra生成3D资产,并在Isaac Sim中组装环境,最终使用Isaac Lab在RTX PRO 6000 GPU上并行运行4096个仿真环境以训练强化学习策略。【背景】这一技术演示与Agile Robots发布的Agile ONE SN人形参考平台同步推出,该平台预装了Isaac GR00T和Jetson Thor,计划于2027年初上市。争议焦点在于“仿真到现实”(Sim-to-Real)的迁移效率:英伟达强调通过域随机化和执行器模型优化来缩小差距,但承认物理部署仍需进一步校准;而部分开发者社区关注本地算力(如RTX Spark)在验证环节的作用是否足以替代云端大规模训练后的复杂调试。读者应关注2027年初Agile ONE SN的实际交付情况以及后续开源工作流对非英伟达硬件的支持程度。

経緯

  1. 2026-10-21

    英伟达CEO黄仁勋在GTC柏林大会上介绍Microduck机器人,并宣布Agile Robots推出基于Isaac GR00T和Jetson Thor的人形参考平台Agile ONE SN。

    neoteo.com ↗
  2. 2026-10-23

    英伟达发布技术博客,详细拆解了使用Hermes、Nemotron和Astra等AI智能体协作训练Microduck机器人的分阶段工作流,涵盖从提示词到仿真验证的全过程。

    developer.nvidia.com ↗
  3. 2026-10-24

    英伟达发布视频及技术文档,展示如何利用RTX Spark进行本地规划与验证,并结合Isaac Lab在云端完成大规模强化学习训练,最后通过Agile ONE SN部署至物理机器人。

    youtube.com ↗

未解決の問題

  • Agile ONE SN在2027年初正式交付后,其实际集成时间与官方宣称的“从数周缩短至数天”是否相符?
  • 英伟达提出的Better Actuator Models和域随机化技术在复杂动态环境中的Sim-to-Real迁移成功率具体数据是多少?
  • 除了英伟达推荐的RTX Spark和DGX Station,第三方硬件能否无缝接入这套多智能体协作训练工作流?

ソース

ログイン / 新規登録
読書リサーチレーダー投資フレームワーク
  • developer.nvidia.comNVIDIA Technical Blog: Using AI Agents to Teach Robots↗
  • nvidianews.nvidia.comNVIDIA Newsroom: Isaac Platform Expansion & Agile ONE SN↗
  • neoteo.comNeoTeo: NVIDIA details RTX Spark’s role in Microduck training↗
  • agile-robots.comAgile Robots: Launches Agile ONE SN↗
  • このトピックでのカバー範囲

    • NVIDIA Demonstrates Phased Workflow for Training Robots with AI Agents2026-10-24ニュース

      NVIDIA released a video detailing how frontier AI agents build training worlds, replay real-world motion, and tune physics using open libraries, culminating in skill deployment via Agile ONE on robots powered by Isaac GR00T and Jetson Thor.

    • NVIDIA Demonstrates a Phased Workflow for AI Agent Collaborative Training of Robots2026-10-24ニュース

      The NVIDIA team used three AI agents—Hermes, Nemotron 3.5 Bolt, and Astra—to start from a single prompt and sequentially complete simulation environment planning, 3D asset creation, Isaac Sim environment assembly, Isaac Lab reinforcement learning training (with 4,096 parallel environments), and local policy validation, demonstrating the specific practices for structured handoff packages between multi-agents.