英伟达科学家Jim Fan：AI正迈向「物理图灵测试」| 淼翰视野

当生成式大语言模型已经让「图灵测试」（Turing Test）沦为历史性符号，而人工智能的下一个边界正在物理世界悄然形成。

英伟达 AI 机器人总监、杰出研究科学家 Jim Fan 在红杉资本 2025 年 AI 峰会发表主题演讲，系统阐述了 AI 如何从数字对话走向物理交互。他还在演讲中提出了「物理图灵测试」（Physical Turing Test）概念，并预言这将在未来成为 AI 领域的下一个圣杯。

图灵测试已成常规

AI 挑战转向现实世界

Fan 开场直言当前 AI 行业已进入「图灵测试通过后的平淡期」。

「我们通过了图灵测试，但没人注意。」就如 o3-mini 思考慢了几秒、Claude 调试代码失败，都不再让人产生惊讶，因为 AI 大语言模型已经完全融入目前的生产生活当中。

在他看来，真正值得期待的 AI 突破，应当是让机器人能在现实生活中完成家务、烹饪等复杂任务，并让人类无法分辨这些成果究竟出自机器还是人类——这便是「物理图灵测试」的标准。

他以家庭场景为例：「你在周日举办黑客马拉松后家里一团糟，周一希望有人能打扫干净并做一顿烛光晚餐，让伴侣满意。当你回家，发现一切井井有条，却分不清到底是人还是机器做的，这才是真正的 AI 时代。」

数据瓶颈：

机器人采集能力远逊于大模型

Fan 指出，对于眼下 AI 机器人领域，最稀缺的资源并非「算力」，而恰恰是「数据」。

他调侃道当大模型领域的研究员们，如 Ilya Sutskever 在抱怨预训练数据枯竭，称互联网是 AI 的「化石燃料」时，机器人团队却连最基本的「化石燃料」都没有。

「我们只能靠人类遥操作（teleoperation）为机器人采集数据——这是烧人力燃料，比化石燃料还难得。」

他介绍了英伟达总部的真实数据采集流程：在公司咖啡厅架设人形机器人，研究员戴上 VR 头显，手势实时传递给机器人，采集连续的关节控制信号（robot joint control signals）。这些数据无法通过互联网爬取，也不可能从维基百科、YouTube、Reddit 获得，只能靠人工一点点录制。

Fan 坦言，这个过程极其低效且难以扩展：「每台机器人一天理论上顶多采集 24 小时数据，但实际远低于此，因为人和机器人都会疲劳。」

仿真突破：

数字孪生（Digital Twin）

和领域随机化（Domain Randomization）

面对数据瓶颈，英伟达选择大规模仿真（simulation）作为「核能」突破口。

Fan 强调，仿真平台让机器人手在虚拟世界中以真实速度的 1 万倍训练，并通过「领域随机化」（domain randomization）不断调整重力、摩擦等环境参数，从而大幅提升泛化能力。

Fan 幽默自嘲：「我小时候就放弃了旋转钢笔，但我的机器人手在仿真中可以做到超人类水平。」

他进一步指出，只要有数字孪生（digital twin），即机器人与环境的一比一数字复制体，训练成果就能实现「零样本迁移」（zero-shot transfer），直接部署到真实机器人上。

例如，英伟达团队让机器狗在球上保持平衡，还让人形机器人仅用 2 小时仿真，完成相当于 10 年量的步行训练。Fan 直言，完成这些复杂运动的神经网络只需 1.5M 参数，远小于主流 LLM 规模。

自动生成，数据扩增：

Robocasta

与「数字表亲」（Digital Cousin）范式

Fan 称，传统仿真最大瓶颈在于场景和资产构建需大量人工。

为此，英伟达引入 3D 生成模型 (3D gener model）、扩散模型（Diffusion Model）、大语言模型（LLM）自动生成 3D 资产、纹理和场景布局（layouts），并开发了组合式仿真平台 Robocasta。

通过这一平台，研究员只需在仿真中演示一次操作（如遥控杯子移动），系统即可通过环境与动作的组合扩增，轻松获得数百倍数据量（数据扩增公式：M * N）。

Fan 援引了他的导师李飞飞所率领团队在去年提出的「数字表亲」（digital cousin）概念，强调这种仿真虽不完全等同于数字孪生，但已足够逼真，开发效率极高。

这一混合生成物理引擎（hybrid generative physics engine），部分依赖生成模型，部分仍用传统图形管线，让成本与多样性实现平衡。

视频扩散模型：

「数字游牧民」（Digital Nomad）

与反事实仿真

更具前瞻性的突破来自视频扩散模型（video diffusion model）。Fan 展示，英伟达可用真实机器人实验室数据微调开源视频生成模型，实现全流程自动生成仿真视频。

研究员仅需给定自然语言提示（prompt），即可生成「反事实」场景（counterfactuals）：比如同一帧画面，模型根据不同指令演绎出不同动作——即便这些动作现实中从未发生。

Fan 进一步演示了机器人弹尤克里里（ukulele）、抓取物体等复杂行为，指出这些生成视频「没有一个像素是真的」，但交互、反射、动作细节都高度拟真。

他形象地称这一阶段为「仿真 2.0」，数据多样性极高但速度较慢，是 AI 模型在虚拟多元宇宙（simulation of the multiverse）中自由推演现实。他将其命名为「数字游牧民」（digital nomad），强调 AI 模型正以前所未有的自由度探索物理世界的所有可能。

计算规模定律（Scaling Law）：

神经世界模型与传统仿真融合

但 Fan 也向大家警告说，传统的仿真扩展方法（Simulation 1.x）现在还需要巨量的算力资源，但多样性仍将遇到瓶颈。

而神经网络世界模型（Neural World Models, Sim 2.0) 可随算力指数级扩展，最终超越人类手工构建系统。他强调，「这两者结合，就是下一代机器人系统的『核能』。」Fan 还提醒业界，认为算力将会过剩完全大错特错。

开源与「物理 API」：

AI 机器人走向服务与新经济

所有数据与能力，最终汇聚到视觉-语言-动作模型（Visual Language Action Model），输入像素与指令（instruction），输出马达控制信号（motor control）。英伟达已开源 GR00T N1 模型，能让机器人执行家务、工业、多人协作等多场景任务。

Fan 也透露，英伟达的相关后续系列模型也将坚持开源，来践行 CEO 黄仁勋「开源物理 AI，普惠社会」的承诺。

Fan 展望更远未来，提出「物理 API」新范式：要像大模型 API 能操作数字比特，物理 API 将让软件直接控制现实世界原子。在此基础上，将诞生「物理提示」（physical prompting）、物理应用商店（physical app store）、技能经济（skill economy）等新业态。

例如米其林大厨可教机器人烹饪，实现「米其林晚餐即服务」，让物理技能数字化、商品化。

最后，引用黄仁勋的预言——「未来，所有能移动的事物都将实现自主。」他畅想，未来人类回家，沙发洁净、晚餐丰盛，伴侣微笑不再抱怨家务。这一刻或许不会成为头条新闻，只是又一个普通星期二，但物理智能（Physical AI）已然融入日常生活，成为「环境智能/泛在智能」（Ambient Intelligence）的一部分。