NVIDIA 於 GTC 大會宣佈推出 Physical AI Data Factory Blueprint（實體人工智慧數據工廠藍圖），這是一套開放式的參考架構、旨在自動化數據生成、增強評估流程；透過模組化工作流程，協助開發者將原始數據轉化為高品質訓練集，藉此降低大規模開發機器人、視覺人工智慧代理及自動駕駛車的成本與技術門檻。
實體人工智慧數據工廠藍圖是什麼？
Physical AI 高度仰賴資料量與模型容量的同步成長，「實體人工智慧數據工廠藍圖」提供了一套通用標準，將原本破碎的資料處理程序整合為專用自動化管道，透過 Cosmos Curator 進行大規模現實世界與合成資料的處理、提煉與標註，接著利用 Cosmos Transfer 技術，將精選後的數據進行指數級的擴張與多樣化處理，模擬不同環境、光照條件及現實中難以捕捉的罕見邊緣案例。最後由 Cosmos Reason 驅動的評估器自動對生成的數據進行評分與驗證，確保資料符合物理準確性並達到訓練標準，解決了過去人工篩選資料效率低落的問題。
為了支援大規模的運算需求，NVIDIA 與微軟 Azure 及 Nebius 等雲端服務供應商合作，將此藍圖整合至現有的雲端基礎設施中。微軟 Azure 將此架構納入其 GitHub 上的開放實體人工智慧工具鏈，結合 IoT 操作與即時智慧服務，提供企業級的代理驅動工作流程。Nebius 在其人工智慧雲端平台整合了 OSMO 編排框架，支援 RTX PRO 6000 Blackwell 伺服器版 GPU，為開發者提供從數據管理、標註到無伺服器執行、託管推理的端到端堆疊。這種架構讓開發者能將加速運算能力直接轉化為海量訓練數據，加速自主系統的建構。
NVIDIA OSMO 開源編排框架管理軟體編排、編碼代理
針對缺乏大規模人工智慧基礎設施管理能力的開發團隊，實體 AI 數據工廠藍圖引入了 NVIDIA OSMO 開源編排框架。OSMO 的核心功能在於跨運算環境、管理複雜的工作流程，減少手動任務的干預，使技術團隊能更專注於模型本身的優化。目前 OSMO 已與 Claude、OpenAI Codex 及 Cursor 等編碼代理整合，實現人工智慧原生操作。在這種模式下，代理程序能主動管理運算資源、辨識並排除系統瓶頸，從而縮短模型從開發到交付的週期。
目前多間實體人工智慧開發商已開始導入實體人工智慧數據工廠藍圖，應用範圍涵蓋多元領域。Skild AI 運用此架構推動通用機器人基礎模型的開發；Uber 則將其用於自動駕駛車的研發與驗證。此外，FieldAI、Hexagon Robotics, BMW、Linker Vision、Milestone Systems 與 Teradyne Robotics 等企業也正透過該藍圖強化其在感知、移動與強化學習管道中的資料生產能力。
這篇文章 GTC 2026：輝達發表實體 AI 數據工廠藍圖，加速開發機器人及自駕車 最早出現於 鏈新聞 ABMedia。
