在NVIDIA GTC 2026上，真實世界數據正成為 Physical AI 的關鍵入口

follow us

AING硬跡

在 NVIDIA GTC 2026 上，Physical AI、機器人訓練和世界模型再次成為產業討論的焦點。在主會場展位上，英偉達官方上有?個很特別的展示：迪士尼和英偉達合作的機器?“ Blue ”，正在數字世界中學習如何理解空間、規劃路徑和在復雜環境中行動。這個空間智能技術路徑，是由深圳的一家科技公司其域創新提供的。隨著智能體逐步從實驗室走向真實環境，行業開始重新面對一個更基礎的問題：當AI不再只處理文本、圖像和視頻，而要進入真實物理世界時，它究竟需要什么樣的數據基礎和訓練環境？

這個問題的重要性，正在迅速上升。

過去幾年，人工智能領域最引人注目的突破，主要集中在大模型對語言、圖像和視頻的理解與生成能力上。但對機器人、自動駕駛、空間智能體等 Physical AI 系統而言，僅靠二維信息并不足以支撐其在現實環境中穩定運行。它們面對的是一個有尺度、有結構、有遮擋、有物理約束的三維世界。對這類系統來說，理解真實空間，正在成為比“看懂一張圖”更重要的能力。

也正是在這樣的背景下，空間智能公司其域創新在 NVIDIA GTC 2026 的亮相，呈現出了一條值得關注的技術路徑：通過真實世界數據構建世界模型，再將其接入仿真訓練流程，讓 AI 在更接近真實部署環境的條件下完成訓練與驗證。這一路徑被概括為Real2Sim，即 Real World to Simulation。

仿真訓練并不新穎，真正困難的是“接近真實”

在機器人和具身智能的發展過程中，仿真訓練一直是關鍵環節。行業通常的思路是，先構建三維環境，再讓機器人或智能體在仿真中進行大量訓練，最后把能力遷移到真實系統中。這個邏輯聽起來非常清晰，但真正落地時，問題往往出現在訓練環境本身。

原因在于，仿真環境與真實世界之間長期存在“仿真到現實差距”，也就是 sim-to-real gap。

這種差距并不只是某個單點問題，而是訓練環境與真實部署環境之間的整體偏差。比如光照是否真實，紋理是否足夠細致，空間尺度是否準確，物體布局是否符合現實規律，交互邏輯是否接近真實物理條件。只要其中某一層出現明顯偏差，模型在仿真中學到的能力，遷移到現實環境時就可能失效。

這也是為什么，機器人行業這些年雖然高度依賴仿真，但始終沒有把“仿真問題”真正視為已經解決。傳統人工建模方式可以搭建訓練環境，但通常存在三個明顯問題：

·構建成本高，周期長

·場景與真實部署環境存在差異

·難以持續更新，更難規模化生產

當 Physical AI 開始進入真實產業場景，這些問題就不再只是工程細節，而開始影響系統訓練效率、部署效果以及產業化速度。

真實世界的數據，正重新被重視

行業重新重視真實世界數據，并不是因為“真實采集”聽起來更先進，而是因為機器人和具身智能系統正在越來越依賴高可信度的空間環境。

一個真正適合訓練機器人策略的環境，通常至少要滿足三層要求：

·視覺真實：紋理、材質、光照、細節足夠接近現實

·結構真實：空間幾何、尺度關系、場景布局準確

·物理真實：交互方式、運動約束和物體關系符合現實規律

只有當這三者盡可能統一，訓練環境才更接近真實部署條件，模型的遷移效果才更有保障。

因此，行業關注點也在發生變化。過去，很多三維技術更偏向展示、可視化或內容生成；而現在，越來越多三維能力開始被放進 AI 訓練體系中重新審視。它們的價值，不再只是“做出一個逼真的三維場景”，而是“能否把真實空間變成一個可計算、可訓練、可驗證的世界模型”。

這正是 Real2Sim 路徑的核心意義。

Real2Sim，將真實世界送進訓練系統

在 GTC 2026 上，其域創新展示的 Real2Sim 方案，展示了在前幾年爆火的瓦力機器人Blue在英偉達辦公室內自由活動的場景。這套方案，本質上是在回答這樣一個問題：當智能體需要在現實世界中行動時，訓練環境如何盡可能接近真實世界？

其域給出的答案是，從真實空間出發，通過多模態空間感知與高保真三維重建，把現實環境快速數字化，再轉化為可進入仿真平臺的空間模型，最終服務于 AI 訓練、任務驗證和系統部署。

簡化來看，這條鏈路可以被概括為：

真實空間 → 三維重建 → 世界模型 → 仿真訓練環境

與傳統依賴人工建模的方式相比，這一路徑的價值主要體現在三個方面：

第一，訓練環境更接近真實部署條件。

訓練場景來自真實空間數據，這意味著尺度關系、空間結構、環境細節和物體分布都更貼近實際應用環境，能夠縮短訓練世界與現實任務之間的距離。

第二，環境可以持續更新。

如果訓練環境建立在真實空間采集和重建流程之上，它就不是一次性靜態搭建的結果，而可以隨著現實環境變化不斷更新。這對于復雜工業現場、動態空間和長期迭代的機器人系統尤其重要。

第三，有機會降低高擬真訓練環境的生產成本。

過去高質量三維場景的生產高度依賴人工建模，流程重、成本高、難復制。而真實采集驅動的環境生產方式，則更接近一種可工程化、可規模化的基礎設施能力。

從這個角度看，Real2Sim 的意義并不局限于“三維重建更真實了”，而是為 Physical AI 提供了一種更接近真實世界的數據入口。

為什么是空間智能，而不是三維建模？

如果只從表面看，Real2Sim 很容易被理解為一種三維重建方案。但更準確地說，它背后體現的是“空間智能”的能力，而不只是建模能力。

空間智能的重要性在于，它并不止步于把環境掃描出來，而是要把現實空間進一步轉化為 AI 可以理解、可以推理、可以調用的模型輸入。也就是說，空間數據不再只是被“看見”，而是被納入決策、訓練與部署體系之中。

在這條路徑上，空間智能解決的并不是一個單一問題，而是三個連續問題：

·環境感知：獲取真實環境結構

·環境理解：構建可計算的三維空間模型

·環境訓練：把真實環境轉化為可用于 AI 訓練的仿真世界

對于機器人系統而言，這種能力的實際價值非常明確。它可以支持導航與路徑規劃，支持復雜環境中的任務執行，也可以幫助縮小仿真訓練與現實部署之間的遷移差距。

這也是為什么，隨著具身智能和機器人技術的發展，空間智能開始被越來越多地視為一種基礎能力，而不再只是某個垂直環節中的工具。

GTC 釋放出的信號：AI 訓練正在轉向基礎設施競爭

相比單點功能演示，其域創新此次在 GTC 上更值得關注的地方，在于它展示的并不是一個孤立產品，而是一條更完整的系統鏈路：從真實空間采集，到三維重建，到世界模型生成，再到仿真訓練接入，最終進入產業生態平臺。

在本屆 GTC 上，其域創新的能力以多種形式呈現，包括公開主題演講、機器人相關展示內容，以及與 AWS 聯合呈現的 Real2Sim 方案。這種多場景集中亮相，本身就說明空間智能能力正在進入更核心的 AI 技術討論區，而不再只是邊緣性的三維展示技術。

這背后反映出的，其實是 AI 產業競爭重心的一次變化。

過去，大模型時代的關鍵資源是文本、圖像和視頻語料；而面向 Physical AI，新的關鍵資源正在變成高質量、可訓練、可計算的真實三維環境。誰能持續、規模化地生產這類環境，誰就更有可能在下一階段的機器人訓練和世界模型構建中占據優勢。

從這個意義上說，行業正在從“模型能力競爭”，逐步走向“訓練基礎設施競爭”。

如果把視角再拉高一些，GTC 2026 上這類展示釋放出的信號已經很明確：當 AI 開始走向真實物理世界，空間智能的角色正在從“輔助工具”轉向“基礎設施”。

對具身智能來說，訓練不再只是模型調參的問題，也不再只是算力和數據量的問題，而是訓練環境本身是否足夠接近真實世界的問題。誰能更快、更穩定、更規模化地把真實空間轉化為世界模型，誰就更有機會參與下一階段 Physical AI 的基礎能力建設。

其域創新此次在 GTC 的亮相，提供的正是這樣一種觀察窗口。它所展示的，不僅是一套面向 Real2Sim 的技術方案，更是一條由真實世界數據驅動的空間智能路徑：讓現實環境進入仿真訓練體系，讓三維空間成為 AI 可理解、可推理、可訓練的基礎輸入。

在具身智能逐步走向產業落地的當下，這條路徑的重要性，正在被越來越多的人重新認識。

AING硬跡正在打造AI硬件社區，對加入社群感興趣的讀者，歡迎掃碼下方二維碼加入【AING硬跡產業交流群】。

AING硬跡

AING，取自“AI+ING”的縮寫，中文諧音“硬跡”，寓意著“人工智能正當其時”，致力于追尋硬科技發展的足跡，不斷探索人工智能與智能硬件的深度融合。

未來，AING硬跡將不斷發布AI大模型技術、AI產業生態、AI硬件產品等行業資訊、發展趨勢與市場動態，我們相信大多數硬件都值得用AI重做一遍，AING硬跡期望與AI大模型廠商、與AI硬件廠商共同成長，迎接AI時代的來臨。

人工智能正當時

一起追尋AI+硬件的足跡