迪士尼雪寶走上 GTC 舞台：輝達的實體 AI 從模擬走進真實世界

本文整理自 NVIDIA GTC 2026 主題演講，2026 年 3 月 16 日發表。

{{< youtube jw_o0xr8MWU >}}

---

雪寶登場：GTC 史上最萌的技術展示

GTC 2026 的舞台上有很多令人印象深刻的投影片和數字，但沒有任何一張投影片比得上一個活生生的雪寶走上舞台。這個 35 吋高、15 公斤重的機器人，就是迪士尼電影《冰雪奇緣》裡那個愛說話的雪人角色，但它不是穿著戲服的演員，也不是遙控玩具，而是一台用 AI 學會走路的真實機器人。

黃仁勳（Jensen Huang）在台上和雪寶互動時，雪寶的動作流暢自然。它調整平衡、適應舞台地面的微小不平整，甚至轉彎時都展現出一種很難用傳統機器人學解釋的靈活度。這背後是三家公司的合作：Walt Disney Imagineering 負責機械設計和角色表演，輝達提供計算平台和物理模擬引擎，Google DeepMind 貢獻強化學習的技術。

最令人驚訝的數字是訓練效率。Disney Imagineering 用他們自己開發的 Kamino 模擬器（名字來自《星際大戰》的複製人工廠星球），在模擬環境裡同時訓練 10 萬個虛擬雪寶。這 10 萬個虛擬角色在各種地形和擾動條件下反覆嘗試走路、跌倒、再站起來。彼此的經驗還會互相分享。整個訓練過程只用了一張 RTX 4090 顯示卡，耗時兩天。一張消費級顯示卡、48 小時、10 萬個平行訓練實例，就讓一個機器人學會了在真實世界裡走路。

從 Kamino 到迪士尼樂園：模擬到真實的跨越

訓練好的模型要從模擬世界轉移到真實世界，這個過程在機器人學裡叫做 sim-to-real transfer，一直是整個領域最困難的挑戰之一。模擬器裡的物理和真實世界永遠有差距：地面的摩擦力不同、空氣阻力的分布不同、機械零件的公差不同。一個在模擬器裡走得很好的機器人，放到真實世界裡可能馬上就摔倒。

雪寶能成功跨越這個鴻溝，關鍵在於輝達的 Newton 物理引擎。Newton 是一個 GPU 加速的可微分物理模擬器，「可微分」的意思是：模擬器不只能算出「這個動作會造成什麼結果」，還能反向算出「要達到這個結果，動作應該怎麼調整」。這讓強化學習的訓練效率大幅提升。模型不需要靠隨機嘗試來找到正確動作，物理模擬器會直接告訴它梯度方向。

Newton 的核心是建在輝達的 Warp 框架上，與 Disney 和 DeepMind 聯合開發。它和輝達既有的 Isaac Lab（機器人訓練和評估平台）整合，讓開發者可以在同一套工具鏈裡完成從模型訓練到模擬驗證到真實部署的完整流程。

這個技術展示的商業落地已經有了明確時間表。2026 年 3 月 29 日，就是 GTC 結束後不到兩週，這個機器人雪寶將在巴黎迪士尼樂園的冰雪奇緣園區正式亮相，在船上表演。黃仁勳在台上說了一句很有畫面感的話：想像未來的迪士尼樂園裡，AI 驅動的角色機器人會在園區裡自由走動，和遊客互動。那不再是科幻小說的場景，而是已經在測試的現實。

自動駕駛擴大陣營：比亞迪、現代、日產加入

機器人雪寶是 GTC 2026 最有戲劇性的展示，但從商業規模來看，自動駕駛才是輝達物理 AI 策略中最大的一塊。黃仁勳宣布了四個新的 RoboTaxi 平台合作夥伴：比亞迪（BYD）、現代（Hyundai）、日產（Nissan）和吉利（Geely）。

這四家車廠加入後，輝達自動駕駛平台的合作夥伴陣容已經涵蓋了 Mercedes-Benz、Toyota、GM 等全球主要車廠，合作夥伴的年產量合計達到 1,800 萬輛。比亞迪尤其值得關注，它已經是全球電動車銷量冠軍，在中國市場的滲透率極高。如果比亞迪的車輛開始搭載輝達的自動駕駛平台，那代表輝達的物理 AI 技術將觸及全球最大的電動車市場。

黃仁勳還宣布了和 Uber 的合作。Uber 的叫車平台將整合搭載輝達自動駕駛平台的車輛，在多個城市部署無人計程車服務。這個合作的意義在於：Uber 提供的是「最後一哩」的商業化通路。很多自動駕駛公司有技術但缺乏大規模載客的營運經驗和法規許可，Uber 剛好可以補這個缺口。

他還特別提到了 Alpamayo（輝達的自動駕駛推理模型），稱之為「自動駕駛的 ChatGPT 時刻」。傳統的自動駕駛系統是靠規則和感知模型來做決策，Alpamayo 則加入了類似大型語言模型的推理能力，讓車輛可以在遇到從未見過的場景時進行邏輯推理，而不只是查找預設的規則表。比方說，一輛車遇到倒在路中間的路障，旁邊有施工人員在揮手。傳統系統可能只能停下來，Alpamayo 卻可以推理出施工人員的手勢是在引導繞行。

110 台機器人和一個 50 兆美元的市場

除了雪寶和自動駕駛，GTC 2026 的展場裡有 110 台機器人。黃仁勳在演講中提到，輝達目前和全球幾乎所有的機器人公司都在合作。他列出的名單涵蓋了工業機器人的主要玩家：ABB、Universal Robotics、KUKA、Caterpillar。還有一批新興的 AI 機器人公司：Peritas AI（手術室助手）、Skilled AI（強化學習）、Hexagon Robotics、Noble Machines。鴻海（Foxconn）也在名單上，正在微調 Groot 模型用於製造業。

黃仁勳反覆強調一個數字：全球製造業和機器人產業的市場規模是 50 兆美元。這比 AI 軟體市場大了一個數量級。他認為物理 AI（能在真實世界中行動的 AI）才是 AI 技術最終價值的所在。數位世界裡的 AI 已經證明了自己的價值，但如果 AI 只能生成文字和圖片，它能觸及的經濟活動終究有限。當 AI 可以驅動機器人在工廠裡組裝產品、在倉庫裡搬運貨物、在農田裡採摘作物，它才真正接觸到全球 GDP 的大部分。

輝達為機器人開發者提供了三台「電腦」。第一台是訓練電腦，跑在資料中心裡，用來訓練機器人的 AI 模型。第二台是合成資料生成和模擬電腦，也在資料中心裡，用 Omniverse 和 Isaac Sim 生成虛擬環境讓機器人練習。第三台是嵌入機器人身體裡的機器人電腦，負責即時推論和控制。Groot 2（第二代通用機器人基礎模型）和 Cosmos 2（世界基礎模型）在 GTC 上同步發表，前者讓機器人學會更複雜的全身動作，後者讓機器人可以「想像」它從未見過的場景。

還有一個不太起眼但很重要的合作：T-Mobile。電信公司的無線基地台正在變成輝達 Aerial AI RAN 的載體，透過 AI 波束成形最佳化來提升無線網路效能。黃仁勳把這描述成「機器人化的無線電塔」。當數百萬台 AI 機器人開始在工廠和城市裡運作，它們需要低延遲、高頻寬的無線連線，這正是 AI RAN 的用武之地。

我的觀察：一張 RTX 4090 訓練 10 萬個機器人的啟示

雪寶的展示最打動我的不是它走路有多流暢，而是那個「一張 RTX 4090、兩天、10 萬個平行實例」的訓練效率。這個數字從根本上改變了「誰可以做機器人 AI」的門檻。

過去，機器人的 AI 訓練被認為需要巨大的計算資源，是大公司才玩得起的遊戲。Google DeepMind 訓練 AlphaGo 用了上千顆 TPU，Boston Dynamics 的機器人背後有幾十年的工程積累。但如果 Newton 物理引擎加上 GPU 加速的平行模擬，可以讓一張消費級顯示卡在兩天內完成有意義的機器人訓練，那代表一個研究生、一個新創團隊、一家臺灣的中小型製造業者，理論上都有能力開始嘗試。

臺灣的製造業有一個獨特的優勢：我們有大量的工廠環境和製造流程可以作為訓練場景。臺灣的工具機、半導體設備、電子組裝產線，這些都是機器人 AI 的絕佳應用場域。問題一直在於技術門檻太高，不是缺乏需求。當 Newton、Isaac Lab、Groot 這些工具都是開源的，而且訓練成本低到一張顯示卡就能跑，這個門檻已經降到值得認真評估的程度。

當然，從「能訓練」到「能量產部署」之間還有很長的路。雪寶是一個高度控制的展示場景，迪士尼有世界頂尖的機械工程團隊。但方向已經很清楚：物理 AI 的開發工具正在經歷和軟體 AI 類似的民主化過程。三年前，訓練一個大型語言模型需要數億美元，今天你可以在筆電上微調一個開源模型。機器人 AI 可能也會走類似的路。黃仁勳在舞台上和雪寶握手的那一幕，也許會被未來的人回頭看成一個轉折點。就像 2022 年 ChatGPT 發布時，很少人意識到接下來會發生什麼。