大家早安，我們來談 2025 年 GTC 的第三個訊號：AI 正離開螢幕，開始在現實世界「動起來」。如果前兩篇討論誰擁有算力與誰重組了基礎設施，這一篇聚焦 AI 如何在物理世界成為一股新型勞動力。當 NVIDIA 以 Omniverse、Cosmos、Newton 與 Groot 串起一條鏈，它做的不只是軟硬體整合，而是把虛擬工廠轉成現實中的生產系統。
（延伸閱讀：GTC 2025 - 1/3：黃仁勳在華盛頓，重新定義智慧、政治與勞動、GTC 2025 - 2/3: 從雲端到邊緣，AI 基礎設施的重組）
從虛擬工廠到物理世界：Omniverse × Cosmos × Newton
Omniverse 早期被視為 3D 模擬平台，今年正式成為「物理 AI 的起點」。Cosmos 生成具有統計多樣性的世界資料，Newton 以高保真物理引擎重建重力、摩擦與流體阻力，讓模型能從「看得見」進化到「理解得了」。過去的視覺模型會做分類、偵測與分割，卻難以處理因果關係。Newton 的加入，讓機器手臂在推箱子時不只完成軌跡，還能推理為什麼箱子會倒，並預判需要多少力道與角度。這一步，把統計學習帶進了物理智慧。
Groot N1：AI 的身體
Groot 是人形機器人的基礎模型，結合語意理解、動作規劃與環境感知，能把自然語言指令轉為可執行的多段動作。當語言模型擁有身體，AI 不再是輸出文字與圖片的生成器，而是能在真實世界中完成任務的行動者。
目前 Tesla、Boston Dynamics、Foxconn 參與訓練聯盟，協助累積跨場域的動作資料；Nokia 的 Edge Site 則作為現場控制節點，承接邊緣側的即時決策。雲端 GPU、邊緣控制與工業機械，在這樣的生態中被重新編排，形成可複製的 AI 勞動力。
工廠落地：從單機自動化到AI 值班表
物理 AI 的真正價值在落地。以電子組裝與第三方物流為例，Omniverse 先建立數位分身，Cosmos 生成多變的工況，Newton 校準力學回饋，再以 Groot 訓練跨機種的動作模板。
現場的排程不再只是人與機台的工時，而是新增 AI 勞動時數與任務服務等級。當產線需求波動，系統能在雲與邊緣之間調度算力與模型，像替 AI 排班一樣彈性換線。這就是從單點自動化邁向AI 值班表的關鍵差異。
當 AI 進入物理世界，供應鏈也被重新排序。
- 運算與網路：GPU、邊緣運算、工業乙太網路與時脈同步。
- 感測與致動：多模態感測器、力回饋手爪、伺服驅動與減速機。
- 系統整合：數位分身、工廠 MES 與安全控制回路。
- 可靠度與責任：人機協作安全標準、韌體 OTA、任務追溯與保固。
當前瓶頸從晶片製程外溢到「感測器品質、致動器精度與邊緣網路的確定性」。誰能把這些零散的要素收斂成一套可部署、可維護、可追溯的生產系統，誰就掌握新一輪競爭力。
從賣 GPU 到售任務完成
這一波物理 AI，讓商業模式從賣硬體與租算力，轉向按任務計價與按可用性收費。廠商開始談「每小時 AI 勞動」、「每次任務成功率」與「安全停機時間」。
資料權與安全也被重新定義。工廠會分離產品資料與動作資料，前者歸客戶，後者以受限條件回流供應商，用於更新通用動作模型。這種「資料分層回流」能兼顧隱私、效能與持續學習。
