摘要：前段时间Madison首次公开直播访谈，她现在是英伟达Omniverse与物理AI高级总监，和光轮智能的CEO谢晨、增长负责人穆斯塔法一起，聊怎么让机器人从虚拟世界顺畅跑到现实里。

黄仁勋在科技圈露脸次数多到数不清，但他女儿Madison聊具身智能，这还是头一回。

前段时间Madison首次公开直播访谈，她现在是英伟达Omniverse与物理AI高级总监，和光轮智能的CEO谢晨、增长负责人穆斯塔法一起，聊怎么让机器人从虚拟世界顺畅跑到现实里。

光轮智能专做仿真合成数据，跟搞大模型的不一样，核心就是帮AI搞懂物理世界，现在主要盯具身智能和自动驾驶两个方向。

主持人一上来就问，英伟达和光轮怎么凑到一块儿的？Madison说，英伟达内部好多项目都靠光轮撑着，比如GearLab做通用智能体模型，西雅图机器人实验室搞精密装配，都需要光轮的支持。

这里得说个关键问题：搞语言模型的人能扒整个互联网的数据训练，但机器人不行，得手动采数据，所以才有那么多数据采集工厂。

英伟达觉得仿真才是出路，需要个合成数据工厂，还得找认同OpenUSD愿景的伙伴这是种3D资产通用格式，能做仿真要用的“仿真就绪资产”。

光轮2023年刚成立，目标就是用合成数据和仿真破机器人的数据瓶颈。

不过那时候机器人领域还太早期，他们先从自动驾驶的合成数据入手，后来合作慢慢扩展到英伟达各个团队。

有意思的是，光轮CEO谢晨以前就是英伟达自动驾驶仿真负责人，等于兜了圈又回来帮老东家，彼此知根知底，合作起来少了很多麻烦。

聊到机器人从虚拟到现实的难题，谢晨说得特别实在。

自动驾驶还好办，主要靠看；但机器人要碰东西，比如抓个杯子、拉个抽屉，都涉及物理接触，还得靠灵巧手和触觉传感器配合，问题就复杂多了。

核心就是物理得准比如拉开冰箱门，能感觉到磁吸密封条的劲儿；拉抽屉，能摸出那几层摩擦，这些都得跟真的一样。

要做到这么准，数据是关键，谢晨还提了个“数字金字塔”的说法，具身智能要的data比大语言模型还多，现实里根本凑不够。

你想啊，马路上有那么多车和司机，但工厂、家里的机器人没多少，哪来那么多现实数据？所以合成数据肯定是主要来源。

他们用了不少物理设备采数据，还得对比现实和仿真里的力，确保俩能对上。

除了数据，谢晨还说高效也很重要，强化学习对机器人挺关键，但要大规模搞，仿真得算得快。

他们用了个简单办法，比如用基本几何体和凸包检测碰撞，既能保证准头，又能省不少计算资源，这样好多仿真环境能同时跑。

还有个特别难的点是电缆仿真电缆有时候像软的，有时候又像硬的，仿起来特别费劲。

为了让机器人会摆弄电缆，光轮跟Newton、英伟达一起做了个求解器，还搞了仿真就绪资产来搭这种仿真场景。

机器人会不会用工具，才是真本事，比如让机器人在仿真里切黄瓜，不只是为了采数据，更要支持强化学习，这活儿特别难。

光轮已经跟英伟达IsaacSim实验室合作，专门解决这个从仿真到现实的迁移问题。

最后谢晨还提到，他们跟英伟达一起搭了个IsaacLabArena平台，能做基准测试、采评估数据，还能搞大规模强化学习，已经在CoRL大会上发布了。

聊完技术，不得不提Madison和她哥哥Spencer的跨界路子。

Madison今年34岁，2020年以营销实习生进的英伟达，现在都做到高级总监了。

你敢信？她最早学的是烹饪，在美国烹饪学院拿了学位，还去蓝带学做甜点和葡萄酒，在纽约、旧金山当过厨师。

后来又去LVMH做营销，还学了数据科学的短期课，2019年跟哥哥一起去MIT学AI高管课，2021年拿了伦敦商学院MBA，那时候她已经是英伟达正式员工了。

她哥哥Spencer更有意思，今年35岁，2022年进英伟达做机器人产品线经理，负责机器人的AI模型和仿真软件。

他以前是酒吧主理人，2012年从芝加哥哥伦比亚学院毕业，学的国际市场和文化研究，之后还回老家学了一年中文，开了家叫R&DCocktailLab的酒吧，一干就是八年，还入选过亚洲50佳酒吧，不过现在已经关了。

他也学了MIT的AI课，还多学了人机交互，后来拿了纽约大学MBA，2022年毕业就进了英伟达。

本来想，这种科技巨头的核心岗位，肯定得是纯技术背景的人才能干。

后来发现Madison和Spencer的跨界经验反而成了优势Madison懂奢侈品营销，能帮Omniverse拉车企合作；Spencer开酒吧练出的用户思维，能把复杂的仿真软件改得更好用。

如此看来，英伟达和光轮的合作，不只是技术上的互补，更给具身智能找了条破数据瓶颈的路。

而黄氏兄妹的转型，也让大家看到，科技行业不一定只认纯技术背景，懂用户、懂场景的跨界人才，反而能带来不一样的视角。

来源：法之生活一点号