NVIDIA на GTC 2026 объявила «момент ChatGPT» для беспилотных авто и роботов

NVIDIA на GTC 2026 перевела разговор о physical AI из демонстраций в план развертывания. Компания заявила, что для беспилотных автомобилей наступил «момент ChatGPT», и одновременно показала, как собирается масштабировать тот же стек на роботакси, промышленных роботов и цифровые двойники.

Поворот для автопрома

Главный тезис NVIDIA звучит максимально амбициозно: автономное вождение перестает быть бесконечным R&D-проектом и становится коммерческой платформой. На GTC 2026 компания сообщила, что BYD, Geely, Isuzu и Nissan строят L4-ready программы на базе NVIDIA DRIVE Hyperion, а Uber расширяет партнерство с NVIDIA для запуска полностью AI-управляемого флота роботакси в 28 городах на четырех континентах к 2028 году. Старт намечен на Лос-Анджелес и район залива Сан-Франциско в первой половине 2027 года.

Важный акцент здесь не только на вычислениях, но и на безопасности. NVIDIA продвигает Halos OS как единую safety-архитектуру для AI-автомобилей и связывает ее с открытой моделью Alpamayo 1.5, которая должна помогать машинам разбирать редкие и сложные дорожные сценарии.

Это попытка уйти от старой схемы, где каждая команда отдельно решает задачи сенсоров, планирования и валидации, и вместо этого собрать унифицированный стек под серийный запуск.

«Революция автономного транспорта уже началась — это первая многотриллионная робототехническая индустрия», — заявил глава NVIDIA

Дженсен Хуанг.

Инструменты для роботов

Помимо автопрома NVIDIA расширила и робототехническую часть своего physical AI-стека. Компания показала Cosmos 3 для генерации и моделирования миров, Isaac Lab 3.0 для масштабного обучения роботов в симуляции и **GR00T N1.

7 как открытую модель для универсальных роботизированных навыков. На сцене также анонсировали будущую модель GR00T N2**, которая, по словам NVIDIA, справляется с новыми задачами в новых средах более чем вдвое успешнее ведущих vision-language-action систем. Смысл этих релизов в том, что NVIDIA продает уже не отдельный чип и даже не только SDK, а полный путь от обучения до деплоя.

Производители вроде ABB Robotics, FANUC, KUKA, YASKAWA, Figure, Agility и Boston Dynamics используют Omniverse, Isaac и Jetson, чтобы сначала прогонять роботов через физически точные цифровые двойники, а потом переносить модели в реальное железо. Для индустрии это снижает цену ошибок: дорогие эксперименты уходят из цеха в симуляцию.

Ставка на данные Отдельный слой анонсов посвящен тому, как обучать physical AI быстрее и дешевле.

NVIDIA представила Physical AI Data Factory Blueprint — открытую референсную архитектуру, которая объединяет сбор данных, синтетическую генерацию, аугментацию и оценку моделей в одном пайплайне. Логика простая: реального мира мало, он слишком хаотичен, а самые опасные кейсы для беспилотников и роботов как раз встречаются редко. Значит, данные нужно не только собирать, но и массово производить.

В этот слой входят сразу несколько компонентов: Alpamayo 1.5 для reasoning-based автономного вождения и разбора long-tail сценариев Omniverse NuRec для восстановления и уточнения сцен при обучении AV-систем Cosmos 3 для генерации синтетических миров и симуляции действий Isaac Lab 3.0 и Jetson Thor для перехода от обучения к реальному исполнению * Облачные развертывания через Microsoft Azure и Nebius для масштабирования data factory Эта стратегия хорошо объясняет, почему NVIDIA все чаще говорит не о GPU отдельно, а об инфраструктуре.

Если выиграет подход, в котором compute превращается в данные, а данные — в готовые политики для машин, компания сможет забирать ценность сразу на нескольких слоях: модели, симуляция, orchestration, edge-компьютеры и партнерские облака.

Что это значит NVIDIA пытается закрепиться как базовый поставщик

physical AI так же, как раньше закрепилась в генеративном AI. Если компания выполнит план по Uber, автопартнерам и робототехническому стеку, рынок получит не еще одну витрину с демо, а рабочую инфраструктуру для массового вывода автономных систем в дороги, склады, фабрики и сервисную робототехнику.