过去十年，英伟达从一家以显卡闻名的芯片公司成长为全球人工智能基础设施的核心供应商，市值一度跃居全球科技公司前列，成为最具影响力的科技公司之一。

　　在这个历程中，黄仁勋是英伟达最具象征意义的“代言人”。他身穿标志性的黑色皮衣，在各种发布会和媒体场合高频出现，与英伟达的AI叙事融为一体。

　　据最新消息，黄仁勋的女儿Madison Huang被任命进入Omniverse核心岗位。与此同时，其儿子Spencer Huang也在机器业务部担任产品线经理，参与Isaac平台、具身智能以及人形机器人生态的相关工作。

　　在加入英伟达之前，Madison和Spencer的职业背景并非典型的科技或工程路径。Madison曾在纽约与旧金山从事烘焙与餐饮工作，之后进入奢侈品集团从事品牌与市场相关职位，Spencer则曾在台湾经营鸡尾酒吧，从事饮品调制与店铺管理。两人都不是典型的“技术背景继任者”，而是在跨界转型后逐步进入英伟达核心业务线。

　　Omniverse最初出现，源于英伟达对一个核心问题的观察：随着虚拟现实、自动驾驶、工业建模等领域应用的发展，不同团队使用不同的软件在三维世界的协作，变得愈加困难。

　　传统二维文件协作方式（如CAD图纸共享、导入导出3D文件）已经无法应对企业在三维空间上的实时协同需求。尤其在影视制作、建筑可视化、工业设计等领域，一个模型往往需要在Maya、3ds Max、Unreal Engine、CATIA、SolidWorks 等不同软件中流转。每一步导入导出都会带来格式损坏、材质丢失、参数不一致等问题，严重影响效率。

　　影视制作公司、特效工作室、动画团队、工程设计公司等行业多年来一直面对这个痛点。英伟达意识到：图形协作的“基础设施”尚未出现，而缺乏基础设施会限制整个生态的发展。

　　因此，英伟达提出了Omniverse，一个旨在让所有3D工程师、设计师、机器人开发者、自动驾驶团队...在同一个“共享数字世界”中实时协作的平台。

　　在诞生之初，Omniverse的核心功能是跨平台、跨软件连接器，让不同3D软件可以实时同步。

　　影视制作团队的跨软件实时协同：如动画公司在Maya中调整人物动作，特效团队能在Houdini 中实时看到变化。

　　游戏引擎之间的数据同步：让美术可以跨 Unreal Engine和其他DCC软件实时协作。

　　建筑可视化中的大场景实时展示：建筑师、结构工程师、渲染师一起对同一模型进行调试。

　　这些场景验证了Omniverse的基础能力，不仅能打通数据格式，还能实时维护模型、材质、物理状态等参数的一致性。

　　如果回看Omniverse的产品演进，会发现它的变化并不是简单的功能堆叠，而是角色的变化。

　　2020年，Omniverse以Open Beta形式推出，核心目标非常明确：基于USD（后来的OpenUSD）标准，实现不同3D软件之间的实时协作，并结合RTX实时渲染与基础物理仿真能力，解决三维世界中长期存在的协同效率问题。此时的Omniverse，仍然更接近一个面向设计师与工程师的图形协作平台。

　　随着企业用户开始在真实生产环境中使用Omniverse，英伟达在2021年推出Omniverse Enterprise，将其从实验性工具升级为可部署、可维护、可扩展的企业级系统。Omniverse开始具备集中式部署、多GPU与集群支持，并逐步融入工业软件生态，完成了从“工具”到“平台”的转变。

　　最近两年的变化则更为关键。英伟达开始以Omniverse Cloud与API的形式，对外开放渲染、仿真与数字孪生能力，使其不再局限于一个独立平台，而是能够被嵌入到机器人、自动驾驶与工业软件的既有工作流中。到这一阶段，Omniverse的角色已经从平台进一步演化为基础设施。

　　如果说早期的Omniverse解决的是“人如何在同一个三维世界中协作”，那么今天的Omniverse更关心的，是“AI是否拥有一个可以理解和训练现实世界的环境”。

　　换言之，Omniverse从桌面时代的图形工具，走向工业级数字孪生与物理AI的核心基础设施，这一变化就体现了英伟达在AI进入物理世界阶段的野心与战略选择。

　　如果把英伟达的发展历程与Madison Huang的个人经历放在同一条时间轴上，这一人事安排会显得并不突兀。它更像是随着Omniverse在英伟达内部定位的变化，自然浮现的一种选择。

　　在很长一段时间里，外界谈到英伟达，首先想到的仍是GPU：图形渲染、通用加速计算，以及CUDA 生态的扩张。彼时英伟达的优势主要体现在“如何把计算做得更强”，而“现实世界如何被系统性地建模与验证”尚未成为它最核心的表达主题。

　　而在英伟达之外，Madison Huang的轨迹起初并不指向技术体系。在加入英伟达之前，她曾在餐饮与消费相关领域工作，长期面对的是高度非结构化的现场：体验如何被设计、团队如何协作、运营如何在不确定中保持效率——这是一种更贴近现实运行方式的经验积累。

　　随着2016年后深度学习浪潮展开，英伟达的角色逐步发生变化：从“显卡公司”走向“AI算力基础设施提供者”。在这一转型大势中，自动驾驶、机器人与工业仿真等方向开始变得越来越重要。Omniverse也在这一背景下被提出：2019年首次推出/介绍，2020年进入Open Beta。当时它更容易被理解为一个服务于3D协作与内容生产的平台——重要，但还谈不上是“底座”。

　　一个更清晰的节点出现在2020年前后。英伟达一方面通过数据中心与AI平台继续巩固算力优势，另一方面逐步把叙事推进到“AI 进入物理世界”。Madison也在这一阶段进入英伟达，并在Omniverse/Physical AI平台相关工作中承担关键角色。

　　在这一阶段，“人物”与“平台”的路径开始交汇：一边是英伟达试图把AI推向现实世界，一边是Omniverse正在寻找从工具走向基础设施的语言与位置。

　　随后，Omniverse的平台化路径逐渐变得清晰。自2021年起，它逐步走向企业级形态；2022年宣布 Omniverse Cloud，并持续强化云端服务与API化交付。它不再要求所有人“进入同一个平台工作”，而是开始以基础设施的方式嵌入工业、机器人与城市系统的既有工作流——从协作工具走向“现实系统的虚拟副本”，更像是一种角色转换，而不仅是功能更新。

　　对Madison Huang的任命，它更像是英伟达在Omniverse上战略重心位移的一次阶段性信号。当英伟达开始计算现实世界，平台的关键就不再只是“更强”，而是“能落地”。

　　随着Omniverse的底层能力不断增强，它开始被广泛应用于工业制造和工业互联网场景，尤其是数字孪生（Digital Twin）。所谓数字孪生，是指为现实中的物理对象、工厂、设备或流程构建一个高精度的虚拟副本，使其能够在虚拟空间中进行实时映射、预测、推演与优化。

　　数字孪生通过实时数据、物理仿真以及AI模型实现对现实世界的可视化、九游娱乐中心可预测与可控化，是工业智能化与自动化的核心技术之一。

　　英伟达提出“工业元宇宙”的概念，并将Omniverse确立为该战略的底层平台。

　　这些转变使Omniverse不再是“内容协作工具”，而是一个具有高度战略性的工业基础平台。

　　Omniverse已经用于搭建工厂的数字孪生，有了这座虚拟工厂，就可以先在其中部署和测试机器人。以“工厂人形机器人”为例，更容易看清Omniverse在机器人领域的真实作用。

　　设想一家汽车工厂希望部署一批人形机器人，让后者在总装车间中完成拧螺丝、搬运部件、检测工位安全等任务。传统做法需要在真实产线边上搭建试验区，一边开发算法一边实地试错，不仅成本高、周期长，还难以覆盖各种异常工况（设备故障、地面积水、灯光不足、人员误入等）。

　　第一步：构建数字孪生工厂。 在Omniverse中，真实工厂的产线布局、工位设备、物流设施和环境条件被完整还原为虚拟场景，并由统一物理引擎赋予真实的动力学约束。机器人在举起重物、行走、与设备或人类工人交互时可能遇到的稳定性与安全问题，都可以在虚拟环境中提前暴露和修正。

　　第二步：在虚拟工厂中训练感知与动作能力。 依托合成数据与可微物理，工程师可以在数字孪生工厂中同时训练人形机器人的感知与动作策略，使其逐步学会识别工位状态、人类姿态和安全区域，并在复杂、受限的工位环境中完成稳定动作。

　　第三步：在Isaac平台上完成策略训练与验证。 通过Isaac Sim / Isaac Lab，开发者能够在同一虚拟工厂中定义具体任务流程，并并行训练大量虚拟人形机器人。在这一过程中，路径规划、调度逻辑和多机器人协作策略可以同步迭代，从而验证系统在高峰时段或异常工况下的整体表现。

　　第四步：将验证后的策略迁移到真实工厂。 当策略在虚拟工厂中稳定后，模型被部署到基于Jetson / Thor等平台的人形机器人上。由于仿真环境与真实工厂在几何、物理和传感器建模上的高度一致，Sim2Real的差距被显著缩小，机器人能够以接近虚拟表现的方式进入真实产线，并在后续产线调整中持续形成闭环优化。

　　从这个流程可以看到，Omniverse的核心价值并不在于“替代现实”，而在于让现实中的试错尽可能先发生在虚拟世界中。

　　Omniverse在其中提供的是一个可反复试错、可持续进化的虚拟工厂，使机器人行业可以以前所未有的效率，把AI能力从代码和模型真正带入复杂的物理生产环境。

　　从当前的产品形态来看，Omniverse已经不再局限于最初的3D协作与可视化工具，而是逐步演变为一个通用平台。这些应用场景看似分散，但对Omniverse的需求高度一致：都需要一个能够承载真实物理规则、并支持反复试错的虚拟世界。

　　围绕这一共同需求，Omniverse为不同行业提供了相对清晰的能力边界：

　　在机器人领域，它提供高精度的虚拟训练环境，并与Isaac、Jetson等平台结合，用于动作学习、路径规划与多机器人协作；

　　在自动驾驶和智能交通中，它作为城市级仿真底座，与Drive平台联动，支撑感知算法验证、极端工况测试以及交通策略评估；

　　在制造业和物流行业，它支撑工厂布局、产线节拍设计以及仓储与调度优化，配合数字孪生工厂和虚拟仓库的建设，减少实地试错成本；

　　在建筑、能源与城市基础设施方面，它提供统一的三维表达与可视化框架，帮助相关部门或企业在同一套空间模型上协同规划与评估方案。

　　今天的Omniverse更像是一个把现实系统搬到虚拟空间中，用于观察、修改和训练的基础平台。它已经具备了面向“物理世界计算”的平台雏形，并正沿着成为事实意义上的行业操作层和标准接口的方向加速演化。未来越来越多与自动驾驶、机器人和数字孪生相关的项目，可能都会在Omniverse上完成。

　　如果说GPU和数据中心是英伟达过去十年的核心增长引擎，那未来十年，英伟达押注的则是一个更具野心的方向：让AI不再停留在屏幕和云端，而是真正进入物理世界。

　　要完成这一步，仅仅有强大的算力是不够的，英伟达需要为“数字智能”和“物理世界”之间搭建一整套中间层。

　　大模型训练、推理服务、多模态AI、生成式应用，都依赖新一代Blackwell、Rubin等架构持续提供更高的性能密度和能效比。英伟达通过数据中心GPU、DGX服务器以及面向云厂商的完整解决方案，牢牢占据了“数字智能”这一层的制高点。但从公司的公开表述来看，这一层已经不再被视作终点，而更像是为上层“物理 AI”提供燃料的基础设施。

　　物理世界的复杂性远超纯数字环境：机器人需要在不确定的地面上行走、在有限空间内保持平衡并完成装配动作；自动驾驶系统必须在多变的天气和交通条件下做出稳定决策；工厂管理者既要考虑设备布局，又要兼顾物料流转和人员安全。如果没有一个可计算、可模拟、可反复试错的虚拟环境，AI很难在这些场景中被大规模、安全地应用。

　　Omniverse提供的，正是这样一个面向物理世界的“训练场”和“沙盒”。在这里，工厂、城市、道路、电网都可以被重建为数字孪生，AI可以在虚拟世界里先经历上千次失败，再把成熟的策略带入现实。

　　前者面向机器人，后者面向自动驾驶，它们把“世界模拟”转化为“可运行的产品能力”：在Isaac中，开发者可以构建机器人感知、规划和控制的完整软件栈，并在Omniverse搭建的虚拟工厂或仓库中训练和验证这些算法；

　　在Drive中，汽车厂商和出行公司能够在城市级仿真环境中测试感知系统、决策逻辑以及整车控制策略。再加上Jetson、Orin、Thor等边缘计算硬件，这些平台构成了一条从“云端训练—虚拟验证—终端部署”的完整路径。

　　上层则是以Isaac、Drive及各类机器人和自动驾驶系统为代表的 智能体应用层。

　　第一层解决“算得快不快”的问题，第二层解决“世界是不是可被计算”的问题，第三层则直接面向“AI 在现实世界能不能完成任务”。

　　通过这种分层设计，英伟达试图把自己的角色从“芯片供应商”提升为“虚实融合时代的基础设施提供者”。在互联网时代，操作系统和通信协议决定了整个生态的权力结构；在AI走向物理世界的时代，谁掌握了算力、世界模型和智能体三者之间的连接方式，谁就有机会定义下一代计算的平台规则。

　　对英伟达而言，GPU只是起点，Omniverse才是它走向“物理 AI”的加速器。

　　Omniverse的价值，已经体现在真实的产业应用中。奔驰利用Omniverse创建数字孪生工厂，提升新工厂的爬坡速度；Figure AI使用Omniverse和Issac让机器人进入工厂前完成训练和测试。

　　2023年，奔驰与英伟达开启全面合作，使用Omniverse、OpenUSD、RTX渲染与统一物理仿真来构建新一代电动车工厂的数字孪生。双方的合作最早落地在德国拉施塔特、匈牙利凯奇凯梅特以及北京工厂，这些工厂承担奔驰下一代电动车平台的生产任务。

　　与传统工厂建设依赖“实地试错”不同，奔驰通过Omniverse能够提前在虚拟工厂中完成设备布局优化、物料路线仿真、工位安全分析以及产线节拍设计。

　　同时，奔驰自有的MO360工厂数据平台可以将实时数据写入Omniverse中，使虚拟工厂具备“随生产实时更新”的能力。

　　公开信息显示，这种方法帮助奔驰大幅减少了工厂的产能拉升时间，并在规划阶段提前规避了多项设备冲突和物料瓶颈问题，为其全球电动化扩张提供了关键的数字化支撑。

　　相比其他企业更偏向“局部试点”的做法，奔驰的意义在于：它把Omniverse当作全球工厂体系的共同底座，用数字孪生同步指导布局、节拍、能耗管理与工人培训，是典型的“系统级数字化转型”案例。

　　如果说奔驰展示了整车厂如何使用Omniverse提升制造体系效率，那么Figure的案例则展示了“机器人如何借助Omniverse成为真实可用的工厂劳动力”。

　　2024年起，Figure与英伟达在机器人训练、数字孪生工厂构建、动作学习及部署体系方面建立了全面合作，并在多个公开场合展示了成果，包括在宝马美国斯帕坦堡工厂的落地测试。

　　Figure在该项目中使用了Omniverse、Isaac Sim、Isaac Lab以及英伟达数据中心级GPU等一整套“虚拟训练—现实部署”链路。

　　机器人在进入真实工厂前，首先在Omniverse搭建的数字孪生工厂中完成行走、避障、抓取、搬运、工位协作等全流程动作训练。借助可微物理和强化学习框架，Figure能让虚拟机器人经历上万次试错并快速迭代策略，再将训练好的模型迁移到线上，显著降低了现场部署成本和调试时间。

　　截至2025年，Figure 02已在宝马位于南卡罗来纳州斯帕坦堡的装配线上完成了数万次零件装配任务，累计装载零件超过90,000件，所参与生产的汽车数量超过30,000辆。

　　不同于传统只适合固定路径、重复动作的工业机器人，Figure 02展示出较强的适应性和灵活性——它能在宝马复杂、动态变化的生产环境中执行装配任务，为人形机器人在高可变性、非结构化工业场景中的应用提供了现实基础。

　　进入2024–2025年，Omniverse的产业合作明显提速，应用路径也逐渐清晰，开始在几类具体场景中落地。

　　人形/服务机器人：1X在GTC 2025演示NEO在厨房完成日常任务，背后是Omniverse虚拟空间 + Isaac/GR00T N1训练的“先仿真试错、再迁移落地”范式。

　　数字城市：都柏林等项目用Omniverse做交通数字孪生，实时数据持续注入，用于风险识别与改造方案评估，让城市孪生从静态模型走向“可演化系统”。

　　物流仓储：通过“虚拟仓库”预演货架布局、路线与调度策略，把高峰期试错尽量留在仿真里，再把验证方案部署到真实仓库。

　　自动驾驶仿真：Drive与Omniverse联动，在虚拟城市中规模化覆盖极端天气、复杂路口与信号策略评估，把“经验积累”前置到虚拟世界。

　　从机器人到城市、仓储与自动驾驶，Omniverse正以更明确的行业形态嵌入现实基础设施，成为AI落地过程中不可或缺的连接层。

　　回望过去几十年的技术史，真正能够改变计算范式的往往不是某一个硬件产品或单一的软件工具，而是那些能够重新定义“人如何与世界互动”的基础设施。

　　从操作系统到互联网协议，再到云计算平台，每一次技术迁移都伴随着一个新的抽象层的建立，让技术从少数专家的工具，变成整个社会的底层能力。

　　在英伟达的规划中，Omniverse便扮演着这样一个角色——它不是一个独立的应用，而是一个面向未来的“物理世界计算层”。

　　GPU和数据中心解决了“智能如何被计算”的问题，而Omniverse则解决了“世界如何被计算”的问题。机器人、自动驾驶、数字孪生工厂、智慧城市等场景之所以能够以指数级速度演进，正是因为虚拟世界和现实世界之间，开始出现一个可以相互映射的通用空间。

　　而在这些场景中，AI的能力是否真正可落地，很大程度上取决于它能否在一个足够真实、足够可控、足够可扩展的环境中进行训练与验证。这恰恰是 Omniverse的战略价值：它为AI提供了进入物理世界之前的“试炼场”。

　　对英伟达而言，Omniverse提供的是一条不同于GPU的增长路径：一端是算力，支撑大模型与云端智能；另一端是世界模型与虚实融合，面向机器人、自动驾驶与工业系统。前者奠定了英伟达在当下AI浪潮中的位置，后者则决定它在下一阶段能否继续掌握平台话语权。

　　Omniverse不是英伟达的下一款产品，而是它试图为虚实融合时代建立的一种“世界级语言”。而英伟达，也正在借助这一统一的语言，为虚实融合的时代奠定基础。