【新智元导读】AI终极挑战——物理图灵测试。这一年，英伟达Jim Fan领导的GEAR实验室，正用一套完整的技术栈，向这堵高墙发起总攻。
机器人「物理图灵测试」距离真正通关，仍需时日。
英伟达杰出科学家Jim Fan表示，他正全身心投入一个单一使命：为机器人攻克「Physical Turing Test」（物理图灵测试）。这是AI的下一个挑战，甚至可能是「终极挑战」。
当前，人类仅凭文本字符串实现的超级智能，已足以问鼎诺贝尔奖；而机器人尚不具备黑猩猩级别的灵活度与操作能力。
「莫拉维克悖论」（Moravec's paradox）是一道必须打破的诅咒，一堵必须撕碎的高墙。没有任何事物，应阻碍人类在地球乃至其他星球上实现指数级物理生产力。
2025年，Jim Fan在英伟达创立GEAR实验室，30人团队已初具规模。其产出与影响力远超团队体量，覆盖基础模型、世界模型、具身推理、仿真、全身控制及各类强化学习（RL），构成机器人学习的完整技术栈。
GR00T基础模型：一年三代
GR00T是英伟达提出的「通用机器人基础模型体系」，目标是让机器人像大语言模型一样，具备跨任务、跨场景、可迁移、可学习的能力。其中最具代表性的成果是GR00T VLA模型——将视觉、语言、动作三模态统一于端到端架构，使机器人能理解环境、听懂指令，并生成连续可控动作。
2025年，GR00T VLA高频迭代：3月开源N1，6月发布N1.5，12月推出N1.6。
GR00T N1
3月首发，仅20亿参数即验证VLA架构在真实机器人任务中的可行性。开源后成为全球机器人生态的重要基础模型。
支持多步骤任务泛化，如单臂/双臂抓取、物体移动与双手传递。
GR00T N1.5
在架构、数据与建模层面全面升级：采用更强视觉语言模型Eagle VLM，提升语义理解与视觉感知；引入FLARE损失函数，增强未来动作预测一致性。在仿真基准任务中成功率显著优于N1。
GR00T N1.6
集成更优架构与推理能力，显著提升机器人在复杂环境下的智能性与鲁棒性。
GR00T Dreams：机器人「做梦」学习
DreamGen是一种基于视频世界模型的机器人学习框架，通过生成合成训练数据（即「数字梦境」），从视频中提取动作信号，驱动策略训练，实现新任务与新环境的高效泛化。
实验表明：仅需1个动作示例，机器人即可在10个新环境+22种新行为中成功泛化。
SONIC：通用人形机器人运动系统
SONIC是面向人形机器人的通用运动控制系统，目标是让人形机器人像「角色」一样被编程、学习与驱动。
其核心思想是：只要机器人能稳定、精准跟踪任意人类动作，行走、转身、抬手、抓取、全身协调等复杂行为，均可纳入同一控制框架。
团队以超大规模数据（9000+ GPU小时、1亿+动作帧）训练，覆盖丰富人体动作分布，使SONIC掌握人类运动整体结构，并衍生出多种交互与控制方式。
该系统为通用人形机器人提供了可扩展、可编程、可落地的运动基础设施。
其他重磅成果
除上述项目外，GEAR团队还在VLA强化学习后训练与Sim-to-Real实践方向取得突破：
PLD（Probe, Learn, Distill）：真实世界自举式学习
针对机器人高精度操作易失败的问题，PLD引入残差强化学习（Residual RL），不推翻主策略，而是在已学动作基础上微调「纠错残差」，专用于恢复与补偿；再通过监督微调（SFT）将现场经验蒸馏回VLA主模型，转化为长期能力。
Jim Fan指出：该方法使GPU插入等高精度任务鲁棒性接近100%，是工业部署「最后一公里」的关键进展。
VIRAL：纯视觉Sim-to-Real长时任务框架
VIRAL是面向人形机器人的纯RGB视觉Sim-to-Real框架，首次在Unitree G1上实现零样本、无真实微调的54次连续loco-manipulation循环（走+站+操作）。
DoorMan：零样本开门策略
英伟达首个完全在仿真中训练、仅依赖RGB输入、可零样本迁移至真实世界的开门策略。在行走+操作+交互复合任务中，性能超越人类遥操员。其突破在于摆脱对力觉、位姿等特权状态的依赖，实现「仿真直出真实」。
FLARE：隐式未来表征预测算法
FLARE不预测未来像素，而是学习预测对动作决策有用的未来潜变量，提升机器人“提前思考”能力。
通过在标准VLA模型中嵌入少量未来token，实验在4个真实操作任务（各100条轨迹）中，GR-1平均成功率达95.1%。
三个教训：重注「视频世界模型」
Jim Fan总结2025年机器人领域三大关键认知：
1. 硬件跑在软件前面，但硬件可靠性严重拖慢软件迭代
Optimus、e-Atlas、Figure、Neo、G1等前沿硬件工程成果频出，但最强AI仍未充分释放其潜力。机器人「身体」能力远超「大脑」调度范围。问题在于：机器人无法自愈，过热、马达故障、固件异常每日频发，高度依赖人工看护，规模化瓶颈突出。
2. 机器人基准测试仍是「史诗级灾难」
行业缺乏共识：硬件平台不一、任务定义模糊、评分标准缺失、仿真器与真实搭建方案各异。结果导致——每个人都在自建基准上宣称SOTA；每个演示都是百次重试中挑出的最佳样本。2026年亟需重建可复现性与科学严谨性。
3. 基于VLM的VLA路线存在根本错位
VLA主流做法是嫁接动作模块至预训练VLM。但VLM本身高度优化于视觉问答类任务：其多数参数服务于语言知识，视觉编码器则刻意丢弃底层细节（因高层语义已够答题）。而机器人灵巧操作恰恰依赖这些细微物理特征。因此，VLA性能并不必然随VLM参数增长而提升。
相比之下，以视频世界模型为预训练目标更具合理性。Jim Fan已在此方向重点投入。
物理图灵测试，还有多远？
「物理图灵测试」概念由Jim Fan在红杉资本闭门演讲中首次提出：周末派对后家中一片狼藉（左）；回家却发现一切已整理如新，烛光晚餐已备好（右）——你无法分辨这是人类还是机器所为。
机器人真实数据采集成本极高：关节信号随时间连续变化，无法从互联网获取，只能靠实操收集。遥操（识别人手姿态→流式传输控制信号）是当前主要方式，例如教机器人从面包机取面包并淋蜂蜜——过程缓慢且痛苦。
Jim Fan指出：真实数据无法满足Scaling Law，必须构建「无限能源」——虚拟世界。
仿真世界可实现万倍加速训练，并通过「域随机化」增强泛化能力，使仿真所学策略零样本迁移到真实环境。
Jim Fan提出仿真演进三阶段：
- Simulation 1.0（数字孪生）：精确建模物理环境与机器人，快、可控、可迁移；缺点是人工建模成本高。
- Simulation 1.5（数字表亲）：结合AI生成3D资产、场景与纹理 + 传统物理引擎，在真实与仿真间取得工程级「足够接近」。
- Simulation 2.0（神经物理引擎）：用视频扩散模型直接生成「可交互的未来」，无需显式物理建模；可处理软体、液体等复杂现象，并支持语言生成反事实世界，Jim Fan称之为「数字游牧者」。
所有仿真与真实数据最终汇聚至统一VLA模型：输入语言+视觉，输出动作控制——即GR00T系列模型持续演进的底层逻辑。
Jim Fan强调：物理AI的未来不仅是更聪明的机器人，更是一种新型基础设施——包括Physical API、物理APP Store，使技能可像软件一样分发与调用。
谷歌工程师Logan Kilpatrick预测：2026年将成为具身AI的关键之年。不久之后，现实世界将涌现更多实用机器人。
