NVIDIA 机器人掌门人放话：大模型的终局，其实是机器人

当所有人都在追逐大语言模型的“最终形态”时，NVIDIA 机器人负责人 Jim Fan 给出了一个反直觉答案：真正的 End Game 不在语言里，而在物理世界。一次演讲，把机器人、世界模型和 AGI 的关系彻底讲透。

当大模型打到“最终 Boss”，机器人还在新手村？

Jim Fan 一上来就抛出一个刺痛行业的问题：语言模型已经在“速通 AGI”，为什么机器人还像个旁观者？

他用一个极具画面感的对比点破现状——LLM 的进化路径已经清晰得像游戏攻略：预训练学“语法”，指令微调学“做事”，强化学习学“推理”，再用自动化研究把整个循环加速到超越人类极限。Andre Karpathy 口中的“Final Boss Fight”，几乎所有顶级实验室都已入场。

而机器人呢？它们依然困在“能看、能说、但不会真正动”的阶段。Jim 的不满非常直接：如果 AGI 的终点真的是理解并改变世界，那为什么最贴近物理世界的机器人，却没能共享这场盛宴？

这不是情绪化的吐槽，而是 NVIDIA Robotics 的战略起点。Jim 给这个判断起了个名字：Robotics’ End Game——机器人必须复刻、甚至超越大模型的成功路径。

从 Token 到物理世界：一个“大胆但抄作业”的类比

Jim Fan 承认，他的核心灵感几乎是“照抄”大模型。

在语言模型里，我们预测的是下一个 token；那在机器人世界里，为什么不能预测“下一个物理世界状态”？

他把这套方法称为 The Great Parallel：
- 语言模型：模拟字符串的演化
- 机器人模型：模拟物理世界的演化

先通过大规模仿真学会世界的基本规律，再通过少量、但极其关键的真实动作数据做 action fine-tuning，最后用强化学习跑完“最后一公里”。

这个类比的狠点在于：它把机器人问题从“机械控制”直接拉升到了“世界建模”的高度。机器人不再是执行器，而是一个在内部运行世界模型、不断做预测与修正的智能体。

Jim 的一句话几乎可以当作宣言：“如果你打不过大模型，就加入它们。”机器人不是另一条路，而是同一条路的下一个关卡。

为什么 VLA 模型不够？问题不在聪不聪明，而在‘偏科’

过去三年，机器人领域的主流是 VLA（视觉-语言-动作）模型：在强大的视觉语言模型上，接一个动作头。

Jim Fan 的评价非常尖锐：这些模型本质上是 LVAs——Language-first。

语言占据了最多参数，视觉其次，动作最少。结果是什么？它们擅长名词，不擅长动词；擅长知识，不擅长物理。

他举了一个经典例子：让模型把可乐罐移动到一张 Taylor Swift 的照片旁边。模型确实能泛化、能理解指令，但这并不是机器人真正需要的能力。它缺的不是“看懂世界”，而是“预测世界如何变化”。

于是 Jim 提出了第二种预训练范式：世界模型（World Models）。不是再堆语言，而是让模型在仿真中学习物理、因果、动力学——哪怕看起来有点“physics slop”，但这是机器人必须咽下去的那一口苦药。

他的结论几乎是送别词：“VLA models，感谢你们的贡献。Rest in peace. Long live World Action Models.”

真正的瓶颈不是模型，是数据：如何打破‘24 小时诅咒’

如果说模型路线已经逐渐清晰，那数据，才是机器人真正的生死线。

Jim Fan 点出一个残酷现实：一台机器人，一天只有 24 小时，全年无休也跑不出互联网级别的数据量。这就是机器人版的“数据天花板”。

NVIDIA 的解法分三层：

第一层，是仿真和合成数据，把时间从线性变成并行。
第二层，是人类遥操作（teleoperation）与“传感化人类数据”，让人类动作成为可规模化的训练信号。
第三层，也是最激进的一层：训练出在零遥操作数据下也能 rollout 的策略，彻底降低真实世界采集的依赖。

Jim 甚至半开玩笑地说：‘Buy more robots， the more you save.’ 这句话背后，其实是 NVIDIA 一贯的系统级思维——算力、仿真、数据、模型，必须同时 scale。

2040 不是科幻：机器人版 AGI 的三项隐藏成就

演讲后半段，Jim Fan 把研究路径包装成“解锁游戏成就”，但内容一点都不轻松。

他明确提到，机器人距离真正的 End Game，还有至少三项关键成就需要解锁：
- 更通用的世界模型
- 更高效的行动对齐机制
- 超越人类示范速度的数据闭环

当有人质疑这是否太像科幻时，Jim 的回应非常克制：不是明年，不是五年内，但到 2040 年，这条路线是清晰可见的。

他用一句呼应开场的话收尾：“If you believe in robotics， robotics will believe in you.” 这不是鸡汤，而是对长期主义的明确下注。

总结

Jim Fan 这场演讲真正的价值，不在于某个具体模型或技术细节，而在于他把机器人问题，重新放回了 AGI 的主叙事里。对 AI 从业者来说，这意味着三件事：第一，语言不是智能的终点，物理世界才是；第二，世界模型和数据闭环将成为下一个主战场；第三，如果你现在做的工作无法接入这条“大并行”，它迟早会被边缘化。一个值得反问自己的问题是：你的模型，真的理解世界会怎么变吗？

关键词： NVIDIA Robotics， 世界模型， 强化学习， 机器人 End Game， 通用人工智能

事实核查备注： 需要核查：Jim Fan 的职位与头衔；DGX-1 赠送 OpenAI 的时间（2016 年）；Andre Karpathy、Ilya Sutskever 的引用原话；2040 年时间判断是否为演讲中明确表述；VLA 与 World Action Models 的术语使用。