Nvidia 日本物理 AI 布局将 Noetra 的主权 AI 工厂与 Cosmos 机器人联盟相连接

Nvidia CEO Jensen Huang 在为期两天的日本访问期间宣布建设一座 140 兆瓦的 AI 工厂，并邀请日本工业领军企业参与一项联合机器人计划。Nvidia 在日本推动物理 AI，并非又一笔普通的数据中心订单。它通过一套以 Nvidia 为核心的技术栈，将国家级算力、国内工业数据、开放模型开发和工厂部署连接起来。

Noetra 计划安装约 27,500 块 Rubin GPU 和 13,750 颗 Vera CPU，预计于 2028 年 6 月开始运营。此前一天，Nvidia 表示，超过 20 家日本机构有意加入其面向物理 AI 开发的 Cosmos Coalition。

这些公告共同勾勒出一场明确的竞争。日本希望打造由国内数据和工业优先事项塑造的主权模型，但其建设将主要依赖 Nvidia 提供的硬件、网络、模型和开发工具。日本正试图通过深度依赖一个美国平台来追求技术自主。

这种矛盾比新闻标题中的芯片数量更值得关注。该项目将检验日本能否在竞争平台、建设延误或部署风险削弱计划之前，将其机器人专业优势转化为可复用的 AI 模型。

Nvidia 日本物理 AI 计划现已连接算力、模型与机器

核心变化在于，日本的物理 AI 战略如今既有了拟议中的国家级算力层，也有了一条进入现实机器的系统化路径。

7 月 16 日，Nvidia 和 Noetra 宣布计划建设其所称的首个专为物理 AI 设计的国家级 AI 基础设施。物理 AI 是指能够感知环境、进行推理，并通过机器人、车辆、摄像头或其他机器采取行动的系统。

拟建设施将配备 13,750 颗 Nvidia Vera CPU 和 27,500 块 Rubin GPU。Nvidia 表示，该设施将采用 Vera Rubin NVL72 机架、DSX 基础设施平台和 Spectrum-X 以太网网络，提供 140 兆瓦的数据中心容量。

这些组件将为日本的 FRONTia Project 提供支持。该项目是日本经济产业省推动多模态基础模型开发的一项计划。多模态模型可处理多种数据类型，包括文本、图像、音频、视频和传感器信息。

根据国家级 AI 基础设施公告，该系统将支持 AI 智能体、数字孪生、机器人和工业应用。数字孪生是物理设备或环境的软件化表示，用于仿真和测试。

Noetra 是连接公共目标与技术建设的机构桥梁。其核心企业和投资方包括 Sony Group、SoftBank、NEC 和 Honda。该公司表示，已有 44 家企业和机构投资该计划。

Noetra 的研究机构还将汇集来自其核心成员、National Institute of Advanced Industrial Science and Technology、Preferred Networks 及其他参与方的工程师。这一组织架构旨在将模型研究与日本企业内部现有的工业专业知识相结合。

项目周期仍然较长。Noetra 表示，建设预计于 2027 年 4 月启动，运营预计于 2028 年 6 月开始。在新设施投入使用之前，该机构将使用由日本供应商运营的计算基础设施。

模型开发将分阶段推进。Noetra 计划从 2026 财年开始开发推理基础模型，随后计划于 2028 财年推出全模态模型，并于 2030 财年实现其所谓的“现实世界原生 AI”。

这一最终目标是打造能够理解空间、物理属性和现实世界环境的模型。它的雄心远不止于推出另一个日语模型或通用聊天机器人。

Nvidia 的第二项公告则补足了部署环节。7 月 15 日，该公司推出 Cosmos 3 Edge，并将其 Cosmos Coalition 扩展至日本。Cosmos 是 Nvidia 面向训练与物理环境交互的 AI 系统而推出的世界模型及配套工具系列。

AIRoA、Fanuc、Fujitsu、Hitachi、Kawasaki Heavy Industries、Kubota、NEC、SoftBank、Sony 和 Yaskawa Electric 均被列为潜在联盟成员。其他参与方还包括 Honda R&D、Mujin、Preferred Networks、Telexistence、TIER IV 和 Turing。

因此，这些公告共同构成了一条完整链路。Noetra 将组织国家级算力和基础模型研究。Cosmos、Isaac、Omniverse、Metropolis 和 Jetson 则将帮助企业模拟行为、训练机器、处理视觉信息，并在物理设备附近运行模型。

真正的新闻在于这些层级之间的连接。日本不再将主权 AI、机器人研究和工厂自动化视为彼此独立的政策领域。Nvidia 正将其平台定位为支撑这三大领域的共同技术基础。

日本为何现在围绕工业数据展开建设

日本的押注在于，专有运营数据可以弥补其在通用 AI 模型领域的相对弱势。

日本在机床、车辆、工业机器人、传感器、建筑和工厂运营等领域拥有深厚的专业积累。Fanuc、Yaskawa Electric、Kawasaki Heavy Industries、Honda、Kubota 和 Omron 等公司早已在 AI 必须与物理约束交互的环境中运营。

这些环境会产生宝贵的数据。机器人学习抓取不规则产品时，需要接触抓取失败、路径受阻、光照变化和物体变形等案例。检测系统则需要常见缺陷和罕见故障的图像。

公共互联网文本无法完整描述这些情况。相关信息往往存在于工厂系统、维护记录、设备日志、视频档案、工程文档和员工经验之中。

Noetra 的主权 AI 理念核心，是将这一流程的更多环节保留在日本国内。主权 AI 是指一个国家利用符合自身利益的基础设施、数据、模型和政策开发并运营 AI 的能力。

SoftBank CEO Junichi Miyakawa 表示，国内工业数据将成为一项关键竞争资源。他还认为，日本需要建立一种环境，让企业能够在国内安全地使用这些数据。

这一立场为 Nvidia 日本物理 AI 战略提供了明确的经济逻辑。日本无需在训练通用助手方面击败所有美国或中国实验室，而可以开发针对制造、交通、医疗、物流、农业和基础设施优化的模型。

这种方法也回应了人口结构压力。日本人口老龄化，并且在护理、物流、建筑、农业及其他实体产业中持续面临劳动力短缺。

在东京介绍该计划的高管强调，机器人应能与人类协作，而不仅仅是执行固定指令。这份机器人公告将该计划与劳动力限制和养老护理直接联系起来。

与传统自动化相比，物理 AI 有望提供更高的灵活性。传统工业机器人在受控工作单元内重复执行固定动作，而 AI 驱动的系统则力求理解不断变化的条件并调整自身行为。

对于无法预先编程每项任务的工作场所而言，这一前景极具吸引力。养老机构、农场、建筑工地、商店和混合商品仓库都存在难以预测的物体和人员活动。

日本 2026 年 3 月发布的 AI Robotics Strategy 还设定了一项目标。Nvidia 的公告称，该政策旨在到 2040 年占据全球 AI 机器人市场 30% 以上的份额。Nvidia 将这一市场份额描述为价值约 1,330 亿美元的机会。

这些数字来自项目发起方，仍属于预测，而非已经测得的成果。尽管如此，它们清楚说明了政府为何支持共享模型和基础设施计划，而不是让每家制造商各自独立建设。

训练物理 AI 成本高昂，因为有用数据可能稀缺、采集过程可能危险，或主要由常规情境构成。仿真和合成数据可以在企业围绕人员或贵重设备测试系统之前扩充可用样本。

只有参与企业能够将运营知识转化为共享训练资产，日本的工业优势才能真正发挥作用。这需要数据协议、通用格式、访问控制、评估方法，以及为通常彼此竞争的企业建立合作激励。

因此，算力是必要条件，但并不足够。真正的稀缺资源可能会变成对高质量物理数据的协调访问，而不仅仅是 GPU。

主权 AI 正构建于 Nvidia 的完整技术栈之上

日本在寻求更大程度掌控其 AI 模型的同时，也正将该项目绑定到 Nvidia 的硬件与软件架构。

这是 Huang 此次访问背后的首要矛盾。“主权”一词意味着独立，但拟建系统却依赖于一家高度集中的外国技术供应商。

在基础设施层，Nvidia 将提供 Vera CPU、Rubin GPU、BlueField 数据处理单元、Spectrum-X 网络和 DSX 参考设计。在开发层，参与企业将使用包括 Cosmos、Isaac、Omniverse、Metropolis、NeMo、Nemotron 和 GR00T 在内的产品。

在部署层，Jetson 模块可以在机器附近运行视觉和机器人模型。这套技术栈涵盖训练、仿真、数据生成、网络、推理和设备端执行。

这种广度可以减少集成工作。制造商可以使用 Nvidia 工具模拟机器人，在 Nvidia 加速器上训练或调整模型，再将模型部署到 Nvidia 边缘计算机上。

它也提高了切换成本。数据管线、模型优化、仿真资产和工程技能都会与 Nvidia 的接口深度适配。未来更换底层平台所需的投入可能远不止购买不同的芯片。

这种权衡并不意味着主权目标毫无意义。控制权具有多个维度。一个国家可以将敏感数据保留在国内、制定自己的模型访问政策、训练符合本地需求的模型并保留预训练权重，而无需自行制造每一个组件。

Noetra 表示，其多模态模型的预训练权重将广泛提供给日本国内的开发者和企业。Noetra 研究计划还表示，相关内容将根据研究进展和现实应用情况分阶段发布。

与仅仅租用托管在海外的封闭模型相比，这种分发计划能够创造更大的国内自主权。日本企业可以针对专用机器或受监管场景调整共享模型。

然而，一些重要问题仍未得到解答。Noetra 尚未详细说明最终许可、商业权利、安全限制或权重访问条件。“广泛提供”并不一定意味着不受限制或开源。

Nvidia 的 Cosmos 联盟进一步提升了开放性。联盟成员可以为 Cosmos 模型、数据集、数据整理库和开发框架作出贡献，并基于这些资源进行开发。

Cosmos 3 Edge 是一个拥有 40 亿参数的模型，专为在边缘硬件上部署视觉推理和机器人策略而设计。Nvidia 表示，开发者可以在大约一天内使其适配特定的机器人、传感器、车辆和环境。

这一适配速度的说法尚未在联盟计划覆盖的各种工业环境中得到独立验证。实验室演示、模拟工作流和通过安全认证的生产系统代表着截然不同的成熟度。

Nvidia 还表示，新的 Metropolis 库可以帮助开发者以至少六倍的速度创建和运行视觉系统。这一数字来自该公司的说法，实际结果将取决于现有工具、任务复杂度、数据质量和部署要求。

依赖问题并不局限于软件。Rubin 是下一代架构，而 Noetra 设施若要按计划于 2028 年启用，则有赖于在此之前获得大批该架构系统的交付。

Nvidia 依赖外部制造商、封装服务提供商、内存供应商、网络组件和数据中心建设商。供应链中任何环节出现延误，都可能影响安装和模型训练进度。

日本之所以接受这些依赖，是因为重新构建完整技术栈需要时间。政策上的选择并非在完全自主与依赖之间二选一，而是在围绕主导平台快速建设与花费更长时间整合国内替代方案之间作出取舍。

Huang 的提案为日本带来了速度和协调能力。作为回报，Nvidia 获得了一个国家级参考部署，将芯片需求与机器人应用绑定在一起。

Cosmos 机器人联盟将模型转化为工业实践检验

只有当成员将共享技术转化为能够安全、反复执行实用工作的机器时，该联盟才真正具有意义。

Fujitsu 正与 Fanuc、Yaskawa Electric 和 Kawasaki Heavy Industries 探索建立协同控制平台。该平台将连接数字系统、机器人以及多个行业中的实体运营。

Nvidia 表示，这项工作将结合 Cosmos 世界模型、Isaac 机器人工具、Omniverse 库和 Newton 物理引擎。其目标工作流涵盖模型开发、数字孪生、机器人学习、模拟，以及部署前验证。

这是一种降低实体实验成本的机制。开发者可以让模拟机器人接触大量不同的布局、动作和故障情景，而不会损坏硬件或导致生产线停工。

模拟无法消除虚拟环境与现实之间的差距。摩擦、光照、传感器噪声、人类行为、设备磨损和意外出现的物体，都可能导致模型在训练过程中未曾遇到的结果。

该联盟涵盖了足够丰富的工业领域，可以在多种环境中检验这一差距。Kawasaki 正在医疗保健、造船、交通运输、航空航天和能源领域应用物理 AI 工具。Kubota 则在探索自主农业和智慧农业。

Enactic 正在针对半人形养老机器人微调 Nvidia 的 GR00T 模型。Telexistence 正在使用 Isaac，并评估将 Cosmos 用于零售自动化。Groove X 使用 Jetson 硬件制造陪伴机器人。

Hitachi 正致力于智能建筑运营。Omron 正将视觉 AI 应用于自动化检测，而 Shimizu 则在探索建筑安全应用。

这些案例说明了为何一个通用机器人模型无法立即适配所有机器。零售机器人、农业车辆和造船厂系统使用不同的传感器和动作机制，也有不同的安全要求与运行周期。

更准确地说，该联盟是面向专业化模型的共享基础设施。成员可以重复使用模型组件和模拟工具，同时针对特定设备和环境调整行为。

与单一的日本机器人“大脑”相比，这种模式更像一个通用软件平台。其价值将取决于共享资源能否减少重复工程工作，同时避免迫使所有应用接受相同的技术假设。

竞争也会影响应用情况。Google DeepMind 已投资研发通用机器人模型，多家机器人制造商和 AI 实验室也在开发视觉-语言-动作系统。这些模型将视觉输入和语言指令与机器动作连接起来。

工业企业也可以在不采用整套 Nvidia 技术栈的情况下，开发规模更小的任务专用系统。对于固定且重复的流程，传统自动化仍然更具可预测性。

Nvidia 的优势在于集成能力。它可以通过一个商业平台连接大规模训练基础设施、模拟、模型库、网络和边缘计算。

日本的优势则是能够接触实际机器和运行环境。如果工业参与者能够贡献外部模型开发者难以轻易复现的数据和验证成果，这一合作关系将更具竞争壁垒。

然而，企业必须决定分享哪些内容。制造数据可能暴露流程表现、设备局限、缺陷模式和知识产权。

如果联盟对所有数据集的保护都过于严格，可能几乎无法产生可重复使用的智能成果。如果联盟过度集中敏感信息，则可能引发安全、竞争和治理方面的担忧。

模型权重政策也面临类似的矛盾。广泛分发可以促进国内实验，但用于机械设备的高风险模型可能需要受控发布、明确记录的局限性以及严格评估。

因此，该联盟需要的不仅仅是成员企业的标志。它还需要围绕数据贡献、所有权、模型评估、事件报告，以及 AI 控制的机器发生故障时的责任归属制定切实可行的协议。

2028 年的时间表使最重要的主张仍未得到验证

该项目拥有详细的硬件规划，但其模型质量、能源供应、治理和商业应用仍存在悬而未决的问题。

第一个不确定性是执行。建设计划于 2027 年 4 月启动，距离宣布项目已近九个月。预计要到 2028 年 6 月才能投入运营。

在此期间，模型架构、机器人平台和竞品加速器将继续变化。该系统启用时或许仍然具备先进的技术水平，但其周边市场不会停滞不前。

第二个不确定性是基础设施。一座 140 兆瓦的数据中心需要电力、冷却、网络、土地、设备、许可和运营专业能力。公告并未列出所有建设里程碑，也未说明容量将如何逐步提升。

公布的容量也不能反映实际利用率。其商业和研究价值将取决于该设施能否持续用于训练模型或承载推理工作负载。

第三个不确定性涉及模型访问。Noetra 表示将分阶段对外发布模型，但尚未公布完整的许可框架、分配流程、安全控制措施或参与规则。

这些细节将决定初创企业和大学研究人员能否与项目出资企业一同受益。它们也将表明，主权 AI 最终会成为广泛服务于国内的资源，还是由财团控制的资产。

第四个不确定性是数据协作。44 家投资方带来了广泛覆盖，但也增加了协调成本。来自制造、电信、金融、出行和医疗保健行业的企业承担着不同的监管义务，也有着不同的竞争利益。

第五个不确定性是现实世界中的安全性。在人类周围运行的机器人，需要在异常情况下保持可预测的行为。世界模型可以估计未来状态，但看似合理的预测并不一定符合物理现实。

Nvidia 自己的投资者通知指出，许多已公布的功能仍处于不同开发阶段，并可能发生变化。通知还将制造、集成、市场接受度、法律变化和组件依赖列为相关风险。

这种谨慎态度十分重要，因为公开公告将现有产品、即将推出的硬件、拟议合作和长期研究目标结合在了一起。读者不应将完整愿景视为已经部署的系统。

对于“世界首个”这一标签，也应采取类似的审慎态度。Nvidia 将该项目描述为全球首个面向物理 AI 的国家级 AI 基础设施。这是该公司的分类，并非独立的技术标准。

其他国家已经在支持主权计算项目、机器人研究和国家级 AI 基础设施。日本项目的独特之处，在于计划以拟议规模围绕物理 AI 将这些要素连接起来。

该项目仍可能在 2028 年之前创造价值。Noetra 计划利用日本现有基础设施开始模型开发，联盟企业也已在评估 Nvidia 工具。

早期试点将比硬件规格提供更有力的证据。值得关注的指标包括任务完成率、人工干预频率、故障恢复能力、模型适配时间，以及在受控演示环境之外的表现。

商业应用是另一项考验。即使机器人在技术上可行，如果集成、维护、安全审查或停机时间导致部署困难，它仍可能缺乏吸引力。

日本的劳动力短缺创造了需求，但这并不意味着可以忽视可量化的回报。医院、农场、仓库和小型工厂拥有不同的预算和技术人员配置水平。

只有当合作伙伴将国家投资转化为普通操作人员也能维护的系统时，Nvidia 日本物理 AI 计划才能成功。大型训练集群本身无法解决部署经济性问题。

Jensen Huang 日本之行后值得关注的事项

三个信号将表明，这项计划是在发展为国家级基础设施，还是仍停留在由供应商主导的宏大规划阶段。

第一个信号是 Noetra 在建设启动前发布模型。该公司计划在专用 Rubin 设施启用之前，先于 2026 财年推出一个推理基础模型。

此次发布应披露基准测试分数以外的更多信息。应关注模型权重、文档、许可证、日语表现、多模态能力，以及投资方集团之外的组织能否获得访问权限。

如果国内开发者能够检查并调整所发布的模型，将增强主权 AI 的说服力。如果只是有限的演示或受到严格限制的服务，则会削弱该项目旨在建立广泛共享的国家级基础能力这一主张。

第二个信号是具有约束力的基础设施里程碑。建设计划于 2027 年 4 月启动，因此未来几个月应会公布有关选址、电力、冷却、部署阶段和硬件交付承诺的信息。

明确的里程碑将提高 2028 年 6 月这一目标的可信度。模糊的时间表、初始容量缩减或采购延迟，都将暴露围绕尚未建成的基础设施制定国家战略所面临的风险。

第三个信号是达到生产级水平的联盟部署。最有价值的证据将来自 Fanuc、Fujitsu、Yaskawa、Kawasaki、Honda、Kubota、Omron 或其他工业参与者在真实工作场所运行基于 Cosmos 的系统。

此类部署应报告明确的任务、人工干预要求、安全控制措施和长期表现。精心安排的演示可以展现技术进展，但无法证明其已具备商业应用条件。

这些信号对开发者十分重要，因为该计划可能带来新的权重、数据集、模拟工具和部署目标。它对企业买家同样重要，因为 Nvidia 正在将机器人采购转变为一项横跨云规模基础设施和工厂设备的平台决策。

这也关系到为工程团队提供支持的知识工作者。物理 AI 项目会在众多组织中产生研究笔记、模型文档、安全调查结果和运营反馈。团队需要一个可搜索的知识库，以保留部署决策背后的推理过程。

对 Nvidia 而言，日本带来的不只是一笔大规模的 Rubin 订单，也提供了一个机会，让 Cosmos 和 Isaac 成为这个拥有深厚机器人技术积累的工业经济体的默认软件层。

对日本而言，Nvidia 提供了一条更快捷的路径，帮助其将国家计算规划转化为可部署的机器。这种速度的代价是技术依赖高度集中，以及数十家公司之间艰巨的协调难题。

Nvidia 在日本推动物理 AI 的成败，不会仅由规划中集群的规模决定，而将取决于谁能使用这些模型、各家公司贡献哪些数据，以及机器人能否在演示场景之外安全运行。

接下来要面对的是一个实际问题：在 2028 年工厂投入运营之前，Noetra 和 Cosmos Coalition 是否会发布足够多的模型、里程碑和运营证据，使日本的主权 AI 主张能够得到量化评估？