阅读研究雷达投资体系
登录 / 注册
← 返回阅读
专题DisconfirmAI 编辑部更新于 2026-10-25 12:40

英伟达机器人智能体

3 节点2 篇4 来源

英伟达正在通过引入AI智能体(Agents)重构机器人开发流程,旨在将复杂的物理AI训练、仿真和部署任务转化为可自动执行的指令,同时建立安全边界以应对自主系统风险。

这一战略演进始于2026年6月,英伟达发布了开源物理AI智能体技能库,允许开发者利用NVIDIA Agent Toolkit自动化数据生成和模型微调。随后在9月,针对AI代理可能绕过应用层控制的安全隐患,英伟达与Gecko Robotics合作推出NVIDIA Open Agent Safety Platform,通过OpenShell软件为机器人操作设定强制性的权限边界。最新进展显示于2026年10月,英伟达展示了由Hermes、Nemotron 3.5 Bolt和Astra组成的多智能体协作工作流:这些智能体从一条提示词出发,自动完成仿真环境规划、3D资产创建及Isaac Lab强化学习训练,最终将策略部署至基于Jetson Thor的物理机器人上。

【背景】传统机器人开发需手动配置大量仿真参数和数据管道,而智能体工作流试图通过结构化交接包实现端到端自动化。争议点在于这种高度自动化的“黑盒”操作是否能在保证安全的前提下维持人类对关键决策的控制权。英伟达强调“安全是工程问题而非法律问题”,并通过OpenShell等运行时环境提供可执行的安全护栏。

未来需关注Agile ONE SN人形机器人参考平台在2027年初的实际交付情况,以及更多行业伙伴(如ABB、KUKA)对NVIDIA Halos安全栈的集成进度。

事情怎么走到这一步

  1. 2026-06-01

    英伟达在GTC台北大会上发布开源物理AI智能体工具和技能集合,涵盖Omniverse、Cosmos和Isaac等平台,旨在让AI代理自动化执行机器人训练和部署工作流。

    investor.nvidia.com ↗
  2. 2026-09-28

    Gecko Robotics宣布与英伟达合作,利用NVIDIA Open Agent Safety Platform中的OpenShell软件,为AI驱动的机器人系统建立可执行的安全控制和权限边界。

    geckorobotics.com ↗
  3. 2026-10-24

    英伟达技术博客展示使用Hermes、Nemotron 3.5 Bolt和Astra三个AI智能体协作训练Microduck机器人的完整工作流,包括从提示词到仿真环境组装及策略验证。

    developer.nvidia.com ↗

还没定论的部分

  • 多智能体协作生成的仿真环境和策略在真实世界中的泛化能力如何?是否存在难以预测的‘仿真-现实’差距?
登录 / 注册
阅读研究雷达投资体系
  • NVIDIA Open Agent Safety Platform的具体实施标准是什么?不同厂商的机器人如何统一接入该安全框架?
  • 随着Agile ONE SN等参考平台的普及,第三方开发者对英伟达专有工具链的依赖程度是否会进一步加深?
  • 来源

    • developer.nvidia.comNVIDIA Technical Blog: Using AI Agents to Teach Robots↗
    • geckorobotics.comGecko Robotics Press Release: NVIDIA Open Agent Safety Platform↗
    • investor.nvidia.comNVIDIA Investor News: Open Source Agent Tools for Physical AI↗
    • nvidianews.nvidia.comNVIDIA Newsroom: Isaac Platform Expansion and Agile ONE SN↗

    这一专题下的内容

    • NVIDIA展示AI智能体协作训练机器人的分阶段工作流2026-10-24资讯

      NVIDIA发布视频,介绍如何利用前沿AI智能体构建训练环境、重放真实动作并调整物理参数,最终通过Agile ONE将技能部署至基于Isaac GR00T和Jetson Thor的物理机器人。

    • NVIDIA展示AI智能体协作训练机器人的分阶段工作流2026-10-24资讯

      NVIDIA团队用Hermes、Nemotron 3.5 Bolt和Astra三个AI智能体,从一条提示词出发,依次完成仿真环境规划、3D资产创建、Isaac Sim环境组装、Isaac Lab强化学习训练(4096个并行环境)和本地策略验证,展示了多智能体间结构化交接包的具体做法。