返回行业情报

韩国携手NVIDIA推进物理AI产业化

Korea Advances Physical AI Across Industries With NVIDIA

NVIDIA与韩国产业领袖合作推进物理AI落地:三星用加速计算与AI物理加速半导体工程,AI均质化案例提速约1600倍;Kakao Mobility基于DRIVE AGX Thor与Halos开发L4自动驾驶;LG电子用Isaac GR00T与Cosmos构建机器人数据飞轮,在真实制造环境中验证CLOiD机器人操作。

深度解读

英伟达正在把韩国的制造业和工程优势转化为物理AI(Physical AI)的落地试验场,从三星的半导体仿真到Kakao Mobility的L4自动驾驶、LG电子的机器人学习,三条产业线同时从开发走向量产级部署——这不是一次普通的技术合作公告,而是一份关于“物理AI如何嵌入真实工业流程”的路线图。

三星:把半导体工程变成AI物理问题的试验田

三星电子与英伟达的合作覆盖材料研究、工艺开发和器件工程三个层面,核心逻辑是用加速计算替代传统CPU集群去啃半导体工程中最耗时的计算瓶颈。在TCAD(技术计算机辅助设计)环节,三星使用NVIDIA cuISS和NVIDIA cuDSS加速稀疏线性系统求解——这是芯片工艺仿真中最基础也最吃算力的数学内核。合作还延伸到工艺仿真和光学仿真的GPU加速,意味着三星不是在某个单点做PoC,而是在整个仿真工具链上做系统性迁移。

材料研究层面的数字更能说明问题:三星的sMOL平台在选定量子化学计算上端到端提速最高5倍,用的是NVIDIA cuEST。5倍听起来不算惊人,但量子化学计算是材料筛选的前置环节,端到端5倍意味着原本需要数周的候选材料评估可以压缩到数天,直接改变研发迭代节奏。三星还在探索NVIDIA cuEquivariance来加速原子级AI模型训练和推理中的张量运算——这是为“AI替代部分第一性原理计算”铺路。

真正值得拆开看的是那个约1,600倍的加速案例。三星用NVIDIA PhysicsNeMo开发芯片级热学和力学分析工作流,在一个AI均匀化(homogenization)案例中,把AI预测的有效材料属性、更粗的网格和GPU加速三者叠加,仿真时间从32核CPU上细网格求解的约18小时降到GPU加速粗网格求解的41秒。> 1,600倍不是单纯的硬件提速,而是“AI代理模型+降阶网格+GPU”三重手段的乘积效应。这意味着芯片设计中的热-力耦合分析从“隔夜跑批”变成“交互式迭代”,工程师可以在会议桌上实时比较设计方案,而不是排队等集群。

英伟达还提到Agent Toolkit可能把这些仿真工具和AI模型连接起来,让未来的工程智能体自动跑分析、比较设计选项。这句话的潜台词是:三星现在做的是“加速单个仿真”,下一步是“让智能体编排整个仿真-优化闭环”。如果实现,半导体工艺开发的组织形态会变——从“人驱动工具”变成“人设定目标、智能体驱动工具链”。

Kakao Mobility:L4自动驾驶的“江南区数据+英伟达栈”

Kakao Mobility的计划是构建L4级自动驾驶系统,差异化资产是其在首尔江南区的运营经验和自研驾驶软件。江南区是首尔最复杂的城市交通场景之一——高密度人流、复杂路口、不规则车道——在这里积累的运营数据对L4系统来说是稀缺的训练和验证资源。Kakao Mobility选择的是英伟达的Hyperion参考平台,这是传感器和计算的整车级参考架构,核心算力来自DRIVE AGX Thor。

安全层面,Kakao Mobility计划使用NVIDIA Halos,这是英伟达面向自动驾驶开发和验证的安全框架。> 对L4来说,Halos的意义不在于“多一个安全功能”,而在于它提供了一套可审计的安全论证方法论——监管机构要的不是“我们很安全”,而是“我们如何证明安全”。韩国要推动L4商业化,Halos这类框架可能成为合规基础设施的一部分。

初期开发围绕起亚的PBV(Purpose-Built Vehicle,专用目的车辆)展开,把Kakao Mobility的自动驾驶软件集成到英伟达技术栈上。PBV的选择很务实:L4出行服务的载体不是改装乘用车,而是从设计阶段就为特定运营场景优化的车辆。Kakao Mobility的目标是支持韩国未来的L4出行服务——这句话的关键词是“服务”而非“技术”,说明其商业化路径是出行运营而非卖车或卖软件。

LG电子:机器人学习的“数据飞轮”在真实产线上转起来了

英伟达和LG电子成功演示了NVIDIA Isaac GR00T驱动的机器人操作和制造任务,用的是LG的CLOiD机器人,场景是实际制造环境而非实验室。这个“实际”二字是整条新闻里最重的词——物理AI最大的鸿沟就是从demo到产线,LG和英伟达跨过去了。

合作搭建的是一个物理AI数据飞轮,链条完整:真实世界数据采集→NVIDIA Cosmos做数据增强→GR00T模型训练→NVIDIA Jetson AGX Thor做 onboard 计算→基于仿真的评估。> 这个飞轮的关键不是任何单点技术,而是“可重复的工作流”——LG和英伟达在打磨的是一套训练、评估、改进机器人的标准化流程,而不是一个一次性demo。可重复意味着可规模化,可规模化意味着CLOiD的能力迭代不再依赖个别工程师的经验。

Cosmos的角色值得单独说:真实产线数据采集成本高、覆盖场景有限,Cosmos做数据增强相当于用生成式世界模型“扩写”真实数据,让GR00T模型在训练中见到更多边缘情况。Jetson AGX Thor做onboard计算则决定了机器人本体的实时推理能力上限——飞轮转得再快,如果端侧算力不够,模型也落不了地。仿真评估环节把“训练-评估”闭环放在虚拟环境里跑,降低了在真实产线上试错的风险和成本。

所以呢:物理AI的竞争焦点正在从“模型能力”转向“工程闭环”

把三条线放在一起看,英伟达在韩国布的不是三个孤立合作,而是同一套打法的三次复制:用加速计算和AI物理工具切入行业已有的高价值计算瓶颈(三星的TCAD和热力分析)、用参考平台和安全框架降低L4的开发与合规门槛(Kakao Mobility的Hyperion+Halos)、用数据飞轮把机器人学习嵌入真实制造流程(LG的Cosmos+GR00T+Jetson)。

对从业者来说,最该注意的信号是:物理AI的落地瓶颈已经不是“有没有好模型”,而是“有没有可重复的工程闭环”。三星的1,600倍来自三重手段叠加而非单一GPU替换,LG的飞轮价值在于“可重复流程”而非单次demo,Kakao Mobility选Halos是在为合规论证做准备——这三件事的共同点是,工程化能力正在成为物理AI的竞争壁垒,而英伟达在卖的不是芯片,是让工程闭环转起来的工具链和参考架构。

对行业趋势而言,韩国成为物理AI的密集落地场并非偶然:半导体、汽车、消费电子三条产业链同时具备高价值计算场景、真实产线数据和工程化组织能力,这正是物理AI从开发走向生产所需的三要素。英伟达选择在韩国同时推进三条线,本质上是在验证一套可复制的“物理AI行业落地模板”——如果三星、Kakao Mobility、LG的闭环都跑通了,这套模板会被复制到日本、德国、中国台湾等同样具备制造业深度的市场。物理AI的竞争,下一阶段比的不是谁的模型在 benchmark 上高几分,而是谁能在真实产线上把“数据-训练-部署-评估”的飞轮转得又快又稳。

其
行业动态物理AINVIDIA半导体仿真自动驾驶机器人学习