Cadence and Nvidia Expand Partnership for Training Robots on More Accurate Simulations

Cadence и Nvidia решили зайти в одну из самых болезненных точек робототехники: разрыв между тем, чему робот учится в симуляции, и тем, как он потом ведёт себя в реальном мире. О расширении партнёрства компании объявили 15 апреля 2026 года на конференции CadenceLIVE Silicon Valley в Санта-Кларе. Их цель проста по формулировке и сложна по исполнению: сделать обучающие данные для роботов настолько реалистичными, чтобы физический ИИ быстрее доходил до реального внедрения, а не застревал между лабораторией и производством.

Для Nvidia это продолжение ставки на физический ИИ — класс систем, которые должны не просто генерировать текст или изображения, а действовать в пространстве, работать с объектами, перемещаться, учитывать сопротивление материалов, трение, столкновения и массу. Для Cadence это логичное расширение за пределы привычного образа компании как поставщика софта для проектирования чипов. Помимо EDA-инструментов, у неё есть сильные физические движки и мультифизические симуляторы, которые умеют моделировать деформацию металлов, течение жидкостей, контакт поверхностей и другие процессы, от которых в робототехнике зависит слишком многое.

Именно эти модели партнёры хотят встроить в контур обучения роботов. Проблема, которую они пытаются решить, хорошо известна всей отрасли. Обучать робота в реальном мире долго, дорого и часто небезопасно: нужно железо, пространство, инженеры, защита от поломок и огромное количество повторений.

Симуляция позволяет прогонять сценарии быстрее и дешевле, но только до тех пор, пока виртуальная среда достаточно точно отражает физику настоящего мира. Если объект в симуляции скользит не так, как в реальности, если поверхность слишком идеальна, а контакт захвата просчитан упрощённо, модель выучит неверное поведение. В итоге робот, который выглядел убедительно на экране, начинает ошибаться на складе, в цехе или на линии сборки.

Чем точнее синтетические данные, тем полезнее обучение — на этом и строится вся логика сделки. Технически совместный стек должен связать несколько слоёв в один рабочий конвейер. Со стороны Nvidia в него входят открытые библиотеки Isaac для симуляции и обучения роботов, модели Cosmos для моделирования мира, а также железо Jetson для вывода систем на периферию и в сами устройства.

Со стороны Cadence — высокоточные мультифизические симуляции и дополнительные среды тестирования вроде VTD и VTDx для сложных сценариев. В официальном описании партнёрства компании говорят об оркестрируемом ИИ-агентами конвейере: такие агенты будут координировать этапы от подготовки и оркестрации обучения до оптимизации политик, валидации, полевых данных и обратной связи после развёртывания. То есть речь не о красивой 3D-картинке, а о замкнутом цикле, где виртуальное обучение постоянно сверяется с реальным поведением машины.

На более широком уровне это ещё и сигнал о том, как меняется рынок инфраструктуры для ИИ. Nvidia последовательно строит связки между вычислениями, симуляцией, цифровыми двойниками и промышленным ПО: раньше компания уже углубляла партнёрства с Siemens и Dassault Systèmes, а теперь усиливает направление робототехники через Cadence. Для самой Cadence это шанс занять место не только в цепочке разработки микросхем, но и в растущем слое инструментов для физического ИИ.

В пресс-релизе о расширенном партнёрстве компании также говорят про агентный ИИ и цифровые двойники для AI-фабрик; в некоторых инженерных задачах Cadence обещает ускорение рабочих процессов до 100 раз, хотя в робототехнике ключевым фактором всё же остаётся не скорость сама по себе, а достоверность симуляции и уверенность при выводе систем в реальную среду. Главный вывод здесь такой: гонка в робототехнике всё меньше сводится к одной только модели и всё больше — к качеству данных, физике симуляции и непрерывной обратной связи после деплоя. Если связка Cadence и Nvidia действительно позволит сократить sim-to-real gap, производители роботов смогут быстрее тестировать новые навыки, реже ломать железо на ранних этапах и увереннее выпускать системы в реальные задачи.

Это не означает, что проблема решена окончательно: реальный мир всё ещё грязнее, шумнее и непредсказуемее любой цифровой копии. Но партнёрство показывает, куда движется рынок: к более точным симуляциям, более плотной связке софта и железа и более практичному пути от обучения модели к работающему роботу.