译者按: 本文是 Jim Fan (@DrJimFan) 于 2025-05-08 发表的《The Physical Turing Test: Jim Fan on Nvidia’’s Roadmap for Embodied》的中文校对翻译。原文出处: https://x.com/DrJimFan/status/1920504375925223669。读原文时深受启发, 特将全文译出与中文读者分享, 感谢原作者的点醒与提携。译文仅供学习交流, 版权归原作者所有, 如有出入以原文为准。
[!note] 版本说明 这篇的载体是 Jim Fan 在 Sequoia AI Ascent 2025 的演讲 (2025 年 5 月), 加上他在 X 上的配套长帖。演讲内容受版权保护, 本文为编译精要版: 按演讲论证顺序完整转述全部要点, 关键句短引并附英文, 不是逐字转录翻译。
一、什么是物理图灵测试
原帖开头给出的场景 (短引):
“The Physical Turing Test: your house is a complete mess after a Sunday hackathon. On Monday night, you come home to an immaculate living room and a candlelight dinner. And you couldn’t tell whether a human or a machine had been there.” 物理图灵测试: 周日的黑客马拉松把你家搞得一团糟。周一晚上你回到家, 看到一尘不染的客厅和一顿烛光晚餐, 而你分辨不出干这些活的是人还是机器。
他说这个测试"看起来简单得不像话, 实际难得离谱" (deceptively simple, insanely hard)。语言模型已经通过了传统图灵测试, 但没有任何机器接近通过物理版。这是他给具身智能 (Physical AI) 设定的北极星。
二、为什么难: 数据瓶颈
语言模型吃的是互联网, 机器人吃不了。互联网上没有机器人需要的连续关节控制信号。目前行业的主流做法是真人遥操作 (teleoperation) 采集数据: 一个人戴着设备操控机器人做家务, 一条一条录。
这带来一个硬上限: 一台机器人一天最多产出 24 小时数据, 实际远少于此, 因为操作员会累。Jim Fan 的说法是, 真实机器人数据是"人力燃料", 比化石燃料还糟, 烧的是人的时间。靠遥操作永远堆不出机器人的"互联网级"数据集。
三、出路: 仿真, 以及仿真的三个世代
他把解法比作从化石燃料转向核能: 仿真 (simulation)。并给出一个三代演进框架:
Simulation 1.0, 数字孪生 (Digital Twin) 经典物理引擎, 手工建模环境和物体, 以超实时约一万倍的速度跑。配合大规模并行域随机化 (domain randomization), 可以做到零样本迁移 (zero-shot transfer): 仿真里练出来的策略直接搬上真机, 不需要微调。他展示的机器人手转笔、机器狗平衡球等案例都出自这一代。一个反直觉的数字: 控制人形机器人全身行走的神经网络只有约 150 万参数, 不是十亿级。用 2 小时的仿真时间可以跑完相当于 10 年的真实经验。
Simulation 1.x, 数字表亲 (Digital Cousin) 瓶颈在于 1.0 的环境要手工搭。1.x 用生成式模型自动生成环境、布局、纹理的变体 (不是精确复刻某个真实场景, 所以叫"表亲"不叫"孪生"), 物理仍由经典引擎负责。多样性上了一个台阶, 成本下了一个台阶。
Simulation 2.0, 数字游民 (Digital Nomad) 终局形态: 干脆不要显式物理引擎, 用视频扩散模型 (video diffusion model) 直接生成"机器人做某件事"的逼真视频, 让世界模型本身充当仿真器。他在演讲里放了一段看似真实的机器人操作视频, 然后揭晓: 全部是生成的, 没有一帧来自现实。神经网络里压缩了对物理世界的直觉, 可以凭空梦出无限多的训练场景。
四、GR00T: 把仿真喂进基础模型
NVIDIA 的 GR00T N1 是这套路线的产品化: 一个开源的人形机器人基础模型, 用真机数据、仿真数据和生成数据混合训练, 采用双系统架构 (快的反应式控制 + 慢的推理规划, 呼应 System 1/System 2)。Jim Fan 的立场是模型必须开源, 让整个生态在上面长东西。
五、终局愿景: 物理 API 与物理应用商店
演讲收在一个经济学画面上。他提到, 人类五千年来工具在换, 但"做一顿晚饭"这类体力劳动的组织方式基本没变过。如果通用机器人跑通, 会出现:
- Physical API: 像调用云端接口一样, 用自然语言调用物理世界里的动作
- 物理应用商店: 机器人技能像 App 一样被开发、分发、购买, 米其林主厨可以把手艺打包成技能远程"下厨"
到那一天, 物理劳动从人力资源变成可编程资源。物理图灵测试通过之时, 就是这个市场开启之日。
一句话总结
这场演讲把机器人领域最难啃的问题 (数据从哪来) 讲成了一个三幕剧 (孪生、表亲、游民), 再用一个人人能懂的测试 (回家分不清人还是机器打扫的) 给整个行业立了靶子。
原文出处: The Physical Turing Test: Jim Fan on Nvidia’’s Roadmap for Embodied 原作者: Jim Fan (@DrJimFan) 原文发表: 2025-05-08
本文收录于「X深度阅读」栏目: 精选全球 X/Twitter 与博客上最值得精读的 AI 长文, 逐篇校对翻译成中文。