随着人工智能向物理世界深度融合，Physical AI 正在重塑智能体的研发范式。它对数据生成、仿真验证、模型训练与边缘部署提出了一些挑战。本文聚焦 NVIDIA 与阿里云 PAI 合作的 Physical AI 全栈式解决方案，解析如何通过软硬件协同与云原生平台能力，构建覆盖研发、验证到部署的全栈式技术链路，为开发者提供高效、可扩展的工具体系，加速智能体从数字世界走向现实应用。
NVIDIA Physical AI 平台
作为 AI 与物理世界深度融合的前沿范式，Physical AI 对算力、数据、算法与仿真等全栈能力提出了极高要求。NVIDIA Physical AI 平台整合了三大核心计算能力，全面覆盖 “数据中心研发—仿真验证—边端部署” 的全生命周期：在数据中心，提供卓越的 AI 算力支持大模型训练与算法迭代；在仿真环节，通过拥有实时光线追踪渲染能力的仿真服务器并依托 NVIDIA Isaac Sim 高保真仿真平台和 NVIDIA Isaac Lab 高效机器人学习平台，实现复杂场景建模、策略验证与大规模机器人学习；在边缘端，通过高性能的边缘计算平台 NVIDIA AGX Jetson，支撑机器人实时感知、决策和自主运行。
更进一步，NVIDIA 开放了包括机器人基础模型 GR00T 和世界基础模型 Cosmos 在内的系列预训练模型，全面支持行为克隆、强化学习、技能迁移与持续学习。这些能力与仿真平台深度协同，显著提升数据生成和使用效率，加速从虚拟训练到现实部署的闭环验证，真正实现“在 GPU 上训练，在现实中进化”。
关于阿里云 PAI
阿里云人工智能平台 PAI（Platform for Artificial Intelligence）是阿里云面向开发者和企业的机器学习/深度学习工程 PaaS 平台，提供包含算力管理、数据管理、模型工具链、模型构建、模型训练、模型部署和推理优化在内的 AI 开发全链路服务，并具备丰富的行业场景插件，为用户提供低门槛、高性能的云原生 AI 工程化能力。
以下是部分特色功能组件介绍：PAI-DSW 提供交互式建模开发环境，内置 JupyterLab、WebIDE 及 Terminal，提供代码编写、调试及运行的沉浸式体验；PAI-DLC 提供灵活、稳定、易用和高性能的机器学习训练环境，支持多种算法框架、超大规模分布式深度学习任务运行及自定义算法框架；PAI-EAS 支持大规模复杂模型的一键部署功能，实时弹性扩缩容，并提供完整的运维监控体系；PAI-Model Galley/Notebook Gallery 对 DSW/DLC/EAS 等进行封装，内置典型的开源预训练模型和模型开发工作流，能高效完成模型训练、部署和评测； PAI-Dataset 支持对多模态数据集进行管理、加工和搜索挖掘，并提供一些列公开数据集，可在 DSW/DLC/EAS 中直接使用。
NVIDIA 全栈机器人及物理 AI 组件现已上线阿里云 PAI
在 2025 年云栖大会上，NVIDIA 机器人及边缘 AI 副总裁 Deepu Talla 与阿里云智能集团副总裁、大数据与 AI 平台负责人汪军华共同宣布阿里云人工智能平台 PAI 与 NVIDIA Physical AI 软件栈进行全面集成。
图 1. 阿里云人工智能平台PAI × NVIDIA Physical AI 全栈工具链
通过此次合作，NVIDIA Physical AI 平台全栈工具链与公开数据集在阿里云 PAI 上无缝集成，开发者可通过 PAI 上特定组件（DSW/DLC/EAS/Datasets/Model Galley/Notebook Gallery等），快捷且高效利用云上计算/存储等基础资源，完成对包括 NVIDIA Cosmos 模型、Isaac 平台和开源 Physical AI 数据集的开箱即用。
此外，针对 Physical AI 全链路研发过程中所涉及到的从数据采集、数据预处理、数据扩增/虚拟数据合成、模型训练、模仿学习/强化学习、仿真测试、闭环验证等各个环节的数据以及软件栈调用与配合、操作流程细节等挑战，NVIDIA 与阿里云 PAI 还提供了多个典型应用场景的最佳实践 Notebook，以提供工作流和方案参考并帮助快速搭建研发管线。详情可参考链接 PAI-Notebook Gallery，主要的工作流 Notebook 包括：
- 操作动作数据合成 & 增强以及模仿学习https://gallery.pai-ml.com/#/preview/deepLearning/cv/isaac_lab_wf1
此工作流展示在阿里云 PAI 上，借助 DSW/DLC/EAS/OSS/CPFS 等平台工具和产品快速使用，NVIDIA Physical AI 平台的数据合成 & 扩增、模仿学习功能，结合 Isaac Sim/Isaac Lab 的遥操采集和相似操作轨迹生成功能与 Cosmos 模型的视觉增强能力，生成大规模演示数据来训练对视觉变化具有鲁棒性的模仿学习策略。
图 2. 操作动作数据合成&增强以及模仿学习 工作流示意图
图 3. 操作动作数据合成&增强以及模仿学习 工作流流程图
- 基于 GR00T-Dreams 的机器人训练数据生成https://gallery.pai-ml.com/#/preview/deepLearning/cv/isaac_gr00t_wf2
此工作流展示使用强大的世界模型 Cosmos-Predict2 生成具有物理真实感的机器人运动视频，并结合 GR00T-Dreams 的神经逆运动学模型 IDM（Inverse Dynamics Model），生成对应的机器人动作序列，构成轨迹-视频的完整数据对，最后使用 DreamGen Bench 作为评测基准，测量生成数据的物理真实性和指令跟随能力。
图 4. 基于 GR00T-Dreams 的机器人训练数据生成 工作流流程图
此工作流展示使用 Isaac Sim 集成的 MobilityGen 功能，并结合 Cosmos 模型的视觉增强能力，生成大规模演示数据来训练 X-Mobility 这一具有通用性的导航与运动控制策略，并进行端到端可泛化导航。其中 X-Mobility 是一个基于世界建模的导航模型，支持零样本 Sim2Real 和跨实体迁移。
图 5. 基于世界模型的通用导航与运动控制 工作流流程图
- 遥操数据采集 & 扩增以及 Isaac-GR00T 微调 & 评估全流程https://gallery.pai-ml.com/#/preview/deepLearning/cv/isaac_lab_wf4
此工作流展示使用 GR00T-Teleop 在云上 AR 仿真环境中进行专家演示操作数据采集，之后通过 GR00T-Mimic 完成操作数据的扩增生成，然后在预训练好的机器人 VLA 基础模型 GR00T-Nx 上基于前述扩增生成的小数据集进行微调，以及在 IsaacLab 中进行最终策略模型效果的评估。
图 6. 遥操数据采集 & 扩增以及 Isaac-GR00T 微调 & 评估全流程 工作流流程图
- 基于 Isaac Cortex 搭建随机物料箱拣选系统https://gallery.pai-ml.com/#/preview/deepLearning/cv/isaac_sim_wf5
随机物料物料箱拣选是一个复杂的机器人感知和抓取系统，需要根据环境状态基于机器人命令库进行规划和调度，选择最适合的任务序列，从而完成一系列的物料箱拣选工作。此工作流展示基于 Isaac Cortex 组件将 Isaac Sim 的机器人工具整合在一起，形成一个统一的协作机器人系统，来实现复杂的交互机器人调度工作；除此之外，本工作流也将利用开源算法库 Foundationpose 和 FastSAM 实现快速目标检测及 Pose 估计完成环境感知，基于 Isaac Sim 的 Lula 库实现机器人运动规划和控制，从而完成随机物料箱拣选系统搭建。
图 7. 基于 Isaac Cortex 搭建随机物料箱拣选系统 工作流流程图
NVIDIA 与阿里云 PAI 的 Physical AI 全链路解决方案，充分利用云上 PaaS 平台优势，包括弹性可扩展、丰富的上下游 AI+ 大数据集成服务、租户安全隔离的数据合规可靠、自动化运维与智能监控等，具有以下特点：
- 开箱即用：软件包、数据资产、模型文件均完全预置在 PAI 平台内，高性能计算资源随时在线，免除软件下载与资源准备过程；
- 算力合池：Physical AI 堆栈运行中使用的智算、仿真算力完全托管在云上，可与其他 AI 业务使用的算力资源合池，精益化管理；
- 数据闭环：借助 PAI 数据集管理能力和 DataWorks 多模态数据管理能力，仿真合成和远程采集的多模态数据可统一管理复用，无需另外搭建数据管理工具链；
- 云原生基础设施：网络、存储等基础设施完全可软件定义、可弹性扩缩容，适配遥操控制、强化学习、软件在环验证等请求随机性强、数据吞吐量大的使用场景。
总结
NVIDIA Physical AI 平台，致力于构建支撑 Physical AI 研发与落地的完整技术底座。基于卓越的硬件计算能力，依托开放的 Isaac 仿真平台、机器人基础模型 GR00T 和世界模型 Cosmos，能显著提升数据生成和处理效率，加速大规模机器人学习与闭环验证。通过与阿里云 PAI 平台的合作，进一步构筑开放、可扩展的生态，以云计算的弹性、灵活和功能拓展赋能广大开发者与产业伙伴，共同加速 Physical AI 的创新与落地。
