英伟达Jim Fan揭秘人形机器人AI终局：抄LLM作业，押注视频模型，2040年通关物理图灵测试

摘要： 在近期红杉AI Ascent大会上，英伟达机器人研究负责人Jim Fan抛出重磅预判：机器人的突破路径将完整复刻大语言模型（LLM）的崛起史。他断言传统的视觉语言动作模型（VLA）已死，未来属于依托视频生成模型训练的“世界动作模型”；在数据获取上，耗时费力的遥操作将被人类第一视角视频预训练取代；而强化学习则将借道神经物理引擎突破环境限制。沿着这条“科技树”，Jim Fan预言机器人将在两三年内通过“物理图灵测试”，并于2040年前实现物理自动研究，迎来具身智能的真正终局。

2016年夏天，OpenAI的办公室里走来一位穿着亮皮夹克的人，他扛着一块刻有“献给Elon和OpenAI团队，献给计算与人类的未来”的金属托盘——那是世界上第一台DGX-1。当时的Jim Fan作为OpenAI的首位实习生，激动地冲上去签了名。谁能想到，那台即将进入计算机历史博物馆的机器，竟拉开了大模型席卷全球的序幕。

前OpenAI首席科学家Ilya Sutskever曾用一句话总结了那段狂飙突进的岁月：“如果你相信深度学习，深度学习也会相信你。”六年光阴，从GPT-3的预训练，到InstructGPT的对齐微调，再到用强化学习做推理——LLM蹚出了一条清晰的登顶之路。

如今，站在2026年的时间节点上，现任英伟达机器人研究主管的Jim Fan掷地有声地宣告：机器人可以完整复制这条路。

物理图灵测试：机器人的“大平行”革命

Jim Fan把这套跨领域的复刻逻辑称为“大平行”（The Great Parallel）。如果说LLM的三步走是预训练学规律、微调对齐任务、强化学习冲刺最后一公里；那么机器人只需依样画葫芦——将文本替换为物理世界的下一帧状态预测，将语言微调替换为动作微调，最后一公里同样交由强化学习。

为什么要抄作业？因为机器人目前实在太“笨”了。Jim Fan提出了一个直击灵魂的概念：物理图灵测试。想象一下，周日晚上你家刚办完派对一片狼藉，你吩咐“某人”去收拾并准备烛光晚餐。当你回家时，如果根本无法分辨这到底是人类保姆还是机器人干的，就算通过了测试。可现实呢？目前的机器狗踩到香蕉皮只会滑倒，做牛奶燕麦的机器人往往搞得一团糟。

阻碍机器人通过测试的最大桎梏，是数据。搞LLM的经常抱怨互联网的“化石燃料”要挖空了，但在Jim Fan看来，他们简直是被“宠坏了”。维基百科、YouTube里根本找不到机器人关节控制的连续数值信号，这些数据只能靠人类戴着VR头显、忍受着极低效的遥操作一点点喂给机器人。这种把人类当燃料的方式毫无扩展性可言。

VLA已死，世界动作模型接管赛博躯壳

过去三年，VLA（视觉语言动作模型）曾是机器人界的正统。但Jim Fan直言不讳：VLA本质上是个参数畸形的“LVAS”——绝大部分算力都给了语言理解，视觉和动作只能靠边站。这导致机器人听得懂“谁是泰勒·斯威夫特”，却搞不定物理世界的重力与摩擦。

既然旧的预训练范式走不通，新答案在哪？出乎所有人意料，解药竟然是AI视频生成模型。

当Sora、Veo这类视频模型在像素空间里预测下一帧时，物理规律并没有被硬编码进去，但重力、浮力、光影反射却在生成过程中自然涌现了。英伟达顺势推出了世界动作模型（WAM）——Dream Zero。它在推演几秒后的物理未来的同时，将高维的电机动作信号与视频帧同步解码。视觉和动作终于成了平起平坐的一等公民。视频预测准，动作就准；视频产生“物理幻觉”，动作就失败。Jim Fan当场宣判：VLA已死，世界动作模型长存。

遥操作末日，EgoScale开启第一视角飞轮

解决了模型架构，数据采集的古老沉疴怎么破？遥操作的黄昏已经降临。就算把机器人手直接戴在人手上（如UMI），或者穿上英伟达最新的外骨骼Dex-OOI，依然太过笨重且有侵入感。

真正的终局，藏在人类无感的行为中。就像驾驶特斯拉或Waymo的司机，不知不觉就为FSD贡献了海量物理数据。英伟达给出的终极答案是EgoScale——全面押注人类以自我为中心的第一视角视频。

在这个框架下，99.9%的训练数据来自野外人类第一视角视频，零机器人数据参与；微调阶段仅仅用了50小时动捕数据加4小时遥操作数据。更让人振奋的是，研究者发现了一个属于灵巧度的“神经缩放定律”：预训练时长与验证损失之间呈现干净的对数线性关系——这正是LLM缩放定律在物理世界的完美复现。Jim Fan断言，未来一两年，遥操作占比将暴跌至几乎忽略不计，第一视角视频将成为机器人训练的主食。

神经物理引擎与2040终局

到了强化学习的最后一公里，环境规模又成了拦路虎。前沿AI实验室能为写代码买上百万个沙箱，但谁也搭不起一百万个真实机器人工作站。

早期的解法是“仿真1.0”时代的数字孪生——在GPU上并行跑一万个物理环境，2小时灌完现实10年的训练量，再零样本迁移到现实。后来又演进出了无需1:1复刻的“数字表亲”和real2sim2real混合仿真模型（如让宇树机器人模仿C罗的ASAP框架）。

但下一步更疯狂：英伟达发布的Dream Dojo，直接把视频世界模型变成了一个神经物理引擎。不需要任何物理方程或图形引擎，输入动作信号，实时输出画面和状态，算力即环境，环境即数据。

沿着这张路线图，Jim Fan把机器人的未来比作《文明》游戏的科技树，还剩三大成就待解锁：

1. 物理图灵测试（预计2-3年）：单位能量输入对应单位劳动输出，真假难辨。
2. 物理API：机器人舰队像软件一样被API调用，成为“原子打印机”或自动化湿实验室。
3. 物理自动研究：机器人自主设计、制造、迭代下一代自己。

从2012年AlexNet勉强认出猫狗，到2026年AI探讨自动化研究，用了14年。再过14年，就是2040年。英伟达掌门人黄仁勋也曾明确指出：“AI的新一波浪潮是物理AI，由物理AI驱动的机器人技术将彻底改变行业。”

技术进步从来不是线性的，而是指数级跃迁。“如果你相信机器人，机器人也会相信你。”正如Jim Fan所言，我们这代人，生得太晚来不及探索地球，生得太早赶不上探索星空，但我们生得正是时候——去亲手解决机器人问题。

文章来源：
[1] 英伟达Jim Fan深度分享：揭秘具身智能路线与障碍_澎湃新闻
[2] 机器人的“物理图灵测试”，英伟达Jim Fan 17分钟演讲揭秘具身Scaling Law_澎湃新闻
[3] 机器人时代已来！黄仁勋指向AI下一波浪潮：物理AI_财联社
[4] 宇树机器人可模仿C罗、科比！英伟达新模型赋予更强行动力_财联社