目前NVIDIA中国注册开发者已经超过170万，占据NVIDIA全球总注册量的1/5，并且过去一年中活跃开发者达到30万，NVIDIA中国开发者活动成为行业趋势的理想观察点。就在上周，2026 NVIDIA中国开发者日在苏州举行，共有2000余名开发者参会，围绕开源AI 生态、物理AI、世界模型、AI基础设施等方向展开深入谈论。

物理AI与世界模型

传统大语言模型处理的是文本和图像这类数字信息，而物理AI（Physical AI）的目标是创造能在真实物理世界中感知、理解并行动的系统，其中典型代表就是机器人、自动驾驶汽车、无人机、工业机械臂。而物理AI的核心难题是，真实世界的试错成本极高。让机器人直接在现实中学习抓取，摔坏一批硬件、耗时数月是常态。这就是世界模型（World Model）要解决的问题，它相当于给物理AI提供了一个模拟宇宙来不断验证。

这就意味着，这个模拟宇宙需要理解物理环境，AI需要像人一样建立对物理规律的心智模型，知道物体不会凭空消失、水往低处流、碰撞会改变运动轨迹。同时AI还必须预测演化，给定当前状态，它能推演下一步。最后是规划动作，让机器人在模型中完成完整的行动路径，选出最优解再付诸实施。

在这个过程中，数据生成是世界模型的杀手锏。很大的原因是训练机器人物理AI数据实际上是稀缺的。互联网上有海量文本和图片，却没有海量的机器人操作视频和精确的动作标注。真实采集机器人数据需要昂贵硬件和专业人员，效率极低。而真实数据分布有限，长尾场景，例如极端天气驾驶、罕见物体抓取也几乎采不到。

这里NVIDIA Cosmos世界基础模型的解法是从视频、仿真数据中学习物理规律，然后程序化地生成无限量的合成训练数据，程师可以指定场景、光照、物体属性、相机视角，批量产出带完美标注的数据。

之类真实数据、仿真与生成模型构成了完整的闭环。真实数据提供模型物理规律的真实性，传统仿真提供精确物理表现，但场景表达有限。所对应的生成式世界模型则可以无限逼近真实与多样性，缺点是存在小物理偏差。

因此在工程实践中，常用生成模型扩展仿真场景的真实感，用仿真提供物理约束校准生成模型，再用真实数据做最终验证。这样机器人可以先在合成世界里练熟动作，再迁移到真实世界，大幅降低实机测试的成本与风险，从而实现加速开发并降低实机测试的成本与风险的实质。

打通开源模型全链路

在现场NVIDIA应用深度学习研究副总裁Bryan Catanzaro分享了开源模型全链路理念。Bryan Catanzaro是Nemotron系列模型的主要负责人，Nemotron被用于对标Llama、Qwen的开源模型，在近段时间NVIDIA活动中出现频率很高。

这里先要了解全链路的概念。一般开源模型只放出最终权重，而NVIDIA强调的全链路开放包括五个层次，即架构、训练数据、权重、后训练配方与评测。

架构（Architecture）：公开完整的技术报告和模型设计细节。以 Nemotron 为例，其架构演进方向包括分组查询注意力（GQA）等优化，目的是在推理效率与模型能力间取得平衡。

训练数据（Training Data）：开放预训练数据配比，甚至开放合成数据管线。Nemotron的一个重要特色是大量使用合成数据。用大模型生成高质量训练语料再筛选。

权重（Weights）：开放模型权重是最基本的，Nemotron提供从超小参数，因此也适合端侧/机器人到数千亿规模的多个尺寸模型。

后训练配方（Post-training Recipes）：这是差异化最大的部分。Nemotron以公开其推理模型（reasoning model）的后训练方法著称，包括用可验证奖励做强化学习，类似RLVR的思路，在数学、代码任务上自动验证对错，以及蒸馏（Distillation）等技术。开发者可以复现甚至改进这些配方，而不必把它当黑盒。

评测（Evaluation）：开放评测基准和结果，保证透明度。

至于为什么强调开放。Bryan Catanzaro在演讲中点明了开放的三重价值，透明度可以让研究者可以审查模型如何工作，而不是盲目信任；监管合规可满足金融、医疗等强监管行业要求模型可解释、可审计的需求；生产部署则是企业基于开源模型深度定制的前提，成本也更为可控。

无论是物理AI、生物、科学与机器人，这些行业往往数据敏感、无法上云，且需要深度定制，通过开源模型、本地算力构建成的路径，可以很好的解决实际的落地场景。例如用小型Nemotron模型做机器人的端侧规划器，或用大模型做蛋白质分析、材料科学的推理引擎。这也是NVIDIA GPU搭配CUDA软件栈最擅长的地方。

在现场，NVIDIA还围绕大模型训练与推理、开源模型与运行时、物理AI与机器人、AI基础设施展开讨论，内容涵盖MoE、KV Cache 压缩、Cosmos 3、Isaac Lab、Dynamo工程实践。

世界模型Cosmos解决了AI如何在物理世界中获得数据和学习的问题，相当于给智能体造了一个可无限试错的训练场。开源模型Nemotron提供了解决了AI模型本身如何被开发者掌控和定制的问题，供从数据到部署的全套可控工具。随着CUDA 13.4开放下载，整条开放AI开发生态也赋予了更为完整的含义。而当算力、模型与数据不再设限，开发者所能抵达的，便是AI应用的全部想象空间了。