英偉達為什么會選中五一視界？

英偉達于3月16日GTC新聞稿中宣布，旗下Omniverse NuRec與五一視界SimOne已實現深度融合。而這項合作正是基于神經渲染技術，用于解決智駕行業真實采集場景數據不可交互的痛點，進而加速以VLA、世界模型為代表的推理型自動駕駛開發，賦能全球L4級汽車合作伙伴。

消息出來后，五一視界(6651.HK)一度漲超27%，成交額放大至4.9億港元。

據悉，五一視界是英偉達在此次GTC大會中官宣的智駕仿真領域唯一的中國合作伙伴，為什么英偉達會選中五一視界？通過各方資料及業內人士處獲悉，背后有三大理由：

理由一、五一視界53.5%市占率背后的“客戶轉化器”

據國際知名咨詢機構Frost & Sullivan近期發布的《2026年中國物理AI仿真及數據平臺研究報告》稱，五一視界旗下51Sim，以53.5%的市場份額位居中國端到端高階智能駕駛仿真及數據平臺市場第一。

這意味著，中國超過一半的高階智駕產業鏈上下游都在使用五一視界的仿真產品及服務。對于英偉達而言，五一視界不僅僅是一個技術伙伴，更是一個擁有龐大存量客戶的超級轉化器。

英偉達的核心戰略目標，是推動GPU算力在更多垂直場景落地。通過與五一視界的深度合作，英偉達找到了一條最高效的轉化路徑：

要想更好地使用最新的“NuRec+SimOne”數據驅動仿真體系，必須構建能夠支撐神經渲染和高并發仿真的算力基礎設施。而該體系是基于英偉達Omniverse和GPU加速構建的，這天然地引導了五一視界的現有和潛在用戶群轉向英偉達的算力生態。

換言之，與其說英偉達選中了五一視界，不如說英偉達是看中了五一視界在主機廠、檢測機構、Tier 1及科技機構的行業客戶網絡，借此英偉達實現從“仿真軟件用戶”到“英偉達算力用戶”的自然延伸。

理由二、五層蛋糕中，英偉達做“底層”，五一視界做“上層”

此外，要理解這次合作，不妨回到黃仁勛提出的英偉達“AI五層蛋糕”戰略。

這五層蛋糕從下至上分別是：

第一層：能源層

第二層：芯片層

第三層：基礎設施層

第四層：模型層

第五層：應用層

五層蛋糕理論不僅適用于英偉達的整體戰略，也指引著英偉達在每個細分領域的戰場打法。

1. 英偉達的“下半截蛋糕”：芯片與基礎架構

比如在智駕仿真領域，英偉達的核心優勢在于“下半截蛋糕”，即算力層、基礎設施層，以及部分通用模型層，這包括底層的GPU芯片、Omniverse平臺、神經渲染庫（如NuRec）及COSMOS世界模型等。

這些是通用的“水電煤”，提供了強大的算力和重建真實世界的工具能力。

然而智駕行業客戶構成較為多元，雖然個別技術能力強的客戶，可基于英偉達底層工具直接落地，但大多數客戶需要更為直接的仿真產品和服務。要讓技術生態真正覆蓋這一行業縱深，英偉達必然要聯合最具客戶基礎和技術深度的合作伙伴。而五一視界正是這個被英偉達挑中的在智駕仿真領域上層蛋糕的核心合作方。

1. 五一視界的“上半截蛋糕”：場景、數據與閉環應用

五一視界的能力在于智駕仿真的"上半截蛋糕"中，已有Dataverse和SimOne兩大平臺形成了從路測數據處理、神經場景編輯與泛化、到閉環仿真驗證的產品化能力，且已在多家車企研發流程中實際落地。

此次合作中，英偉達將NuRec這一"底層重建能力"與五一視界的"上層編輯、泛化與閉環仿真能力"深度整合，正是這一戰略分工的具體體現。雙方由此實現了智駕仿真領域從算力基礎設施到行業閉環應用的貫通，各自專注，協同作戰。

理由三、技術突破：解決智駕行業真實采集場景數據不可交互的痛點

從技術角度看，此次合作的核心價值在于雙方共同攻克了數據驅動仿真中的一個重大行業痛點：真實場景的可交互性。

隨著端到端成為高階智駕的主流技術路線——即讓AI直接從攝像頭畫面輸出駕駛決策，取代過去分模塊拼接的開發方式——新一代仿真必須同時滿足兩個條件：一是場景必須具備高置信度，盡可能還原真實道路環境——簡單來說，只有讓算法"看到"的仿真畫面足夠接近真實世界，訓練和測試的結果才有意義；二是場景必須可編輯、可交互，而非只能回放固定的采集數據——也就是說，不能只是"看錄像"，還要能在錄像里"改劇本"，比如讓前車突然變道、行人突然橫穿，才能測試算法在各種意外情況下的反應。傳統仿真架構難以同時滿足這兩點。

本次合作中， NVIDIA Omniverse NuRec 與五一視界旗下 Dataverse 數據管理平臺及 SimOne 智駕仿真平臺進行了產品級的深度融合，使真實車隊數據能夠被重建為可交互的神經場景，可直接用于自動駕駛系統的閉環仿真運行，為車企和自動駕駛算法公司提供了一條可落地的數據驅動仿真路徑——車隊采集的真實道路數據不再只是離線數據資產，而可以持續轉化為可運行的仿真環境，實現從真實道路到仿真驗證的高效閉環。

數據閉環仿真技術架構圖

本次基于 NuRec 的數據驅動閉環仿真流程從技術上包含五個關鍵環節：

環節一：真實數據導入與預處理

環節二：NVIDIA Omniverse NuRec 場景與資產重建

環節三：神經場景在線預覽與管理

環節四：測試用例生成與配置

環節五：神經場景仿真測試執行

從技術分工看，雙方各自攻克了上述兩個條件中的核心難題：

1. 場景重建和修復

英偉達NuRec負責高置信度重建—— 將輸入數據轉換為基于 Gaussian 表示的三維或四維神經場景模型，在訓練過程同時完成靜態背景的重建以及動態目標的建模，并結合深度先驗和語義信息提升重建穩定性和幾何一致性。

然而在閉環仿真運行過程中，自車軌跡往往會偏離原始采集路徑，需要從訓練數據未覆蓋的新視角進行渲染。在這種情況下，神經場景容易出現幾何不連續、紋理缺失或局部渲染偽影，從而影響仿真的穩定性。為此，英偉達提供了基于Diffusion Transformer的 Fixer 生成式修復模型，可在訓練和運行兩個階段對新視角渲染結果進行修復——訓練階段提升模型對視角變化的魯棒性，運行階段實時填補缺失信息并保持視覺連續性。

1. 場景編輯和泛化

51Sim負責場景編輯與泛化—— 將單個真實場景擴展為更多測試變體，包括改變交通參與者軌跡、增加測試車輛以及構造原始數據中不存在的交互場景。動態資產既可以在原始場景中調整運動軌跡生成新的交互變體，也可以替換為 SimOne 資產庫中的模型，或者注入全新的交通參與者以構造新的測試場景。

在仿真運行中， SimOne 負責交通參與者行為建模和仿真時間推進，NuRec 負責神經場景渲染與傳感器數據生成，雙方各司其職，構建了邏輯可控且視覺逼真的閉環仿真系統。

這次合作，標志著智駕仿真從“人工構建”正式邁入“數據驅動”的新階段。對于致力于加速自動駕駛落地的行業而言，這無疑是一個務實且關鍵的里程碑。