Reference · Company dossier
全球加速计算龙头，把机器人视为"物理 AI"的下一站：不造机器人，而是卖训练算力、仿真工具、基础模型与端侧模组，做机器人产业的上游平台。[确认]
1993 年由黄仁勋（Jensen Huang）、Chris Malachowsky、Curtis Priem 在加州创立，黄仁勋任总裁兼 CEO 至今，总部圣克拉拉。[确认] FY2026 营收 2,159 亿美元、同比 +65%，员工 4.2 万余人、在 38 个国家运营，全球授权及待审专利申请逾 9,800 件。[确认] 机器人业务不单独设报告分部，归入"物理 AI"体系；2026 年 8 月发布 Isaac GR00T 参考人形机器人，6 月推出 Halos for Robotics 安全栈。[确认]
1993 年创立、1999 年在纳斯达克上市（NVDA），此后主要靠自有现金流与公开市场融资，未依赖私募风投。[确认] 公司不披露机器人收入；据媒体 2025 年 8 月口径，机器人约占其总收入 1%，2025 年 4 月止季度"汽车与机器人"合并收入 5.67 亿美元、同比 +72%。[确认] 机器人板块单独估值：[未获取]
四条线：训练用 DGX/HGX 与 DGX Cloud；仿真用 Omniverse、Isaac Sim 与 Isaac Lab 3.0；基础模型为 Isaac GR00T（当前 1.7，N2 于 2026 年 3 月预览、计划年底发布）与 Cosmos 3 世界模型；端侧为 Jetson Thor（T5000 2,070 FP4 TFLOPS、128GB 内存、40–130W，开发者套件 3,499 美元；T4000 模组覆盖中端机器人）。[确认] 另以 Halos 提供功能安全，以 GR00T 参考人形机器人向整机厂输出整机设计。[确认]
NVIDIA 的机器人技术栈按训练、仿真、模型、端侧四段组织，每一段都有独立产品，段与段之间用统一的软件栈连接。训练段是 DGX 与 HGX 系统加 DGX Cloud，承担模型预训练与后训练；仿真段是 Omniverse 之上的 Isaac Sim 与 Isaac Lab 3.0，负责场景构建、合成数据生成与强化学习；模型段是 Isaac GR00T 与 Cosmos 世界模型；端侧是 Jetson Thor 模组与 Halos 安全栈 [确认]。
GR00T N1.7 的结构可以直接拆开看。VLM 主干为 Cosmos-Reason2-2B，动作头用 flow matching 生成动作块，本体感觉与动作空间按本体编号映射[确认]。跨本体的实现方式是每个本体一套动作编解码 MLP，共享同一套视觉语言表征[确认]。
端侧算力按两档配置。T5000 提供 2070 FP4 TFLOPS、128GB LPDDR5X、273GB/s 带宽，功耗 40 至 130 瓦[确认]。T4000 覆盖中端机器人，内存与功耗都低于 T5000[确认]。整套栈的商业含义是客户在云端训练、在仿真里验证、在 Thor 上推理，三段都留在 CUDA 生态内。机器人业务不单独披露收入，据媒体报道约占公司总收入 1%[确认]。
感知能力由 Isaac ROS 提供。这个包集合把视觉 SLAM、深度估计、目标检测、图像增强做成 GPU 加速的 ROS 2 节点，开发者可以直接拼成感知管线；DeepStream 负责多路视频流的实时处理 [确认]。硬件侧的 GMSL 相机接口与 Jetson 的 ISP 对接，减少图像在 CPU 与 GPU 之间的拷贝。
仿真承担了感知训练的大部分数据供给。Isaac Sim 用 RTX 做光线追踪渲染，用 PhysX 做刚体与关节仿真，可以批量生成带标注的图像、深度与分割掩码；Isaac Lab 在此基础上做大规模并行环境，用于强化学习与策略评估 [确认]。合成数据的价值在长尾覆盖，风险在渲染与真实的域差，材质、光照、传感器噪声任何一项失真都会让策略在实机上失效。
失败模式集中在感知与仿真的接缝处。透明物体、镜面、强反光在渲染里容易失真，触觉与形变几乎无法高保真模拟；实机相机的噪点、滚动快门、曝光策略与仿真默认值不同，模型迁移后精度下降。NVIDIA 的应对是让客户用自己的实机数据做后训练，仿真只提供初始化与增广，这条路径对客户的工程能力有要求。
规划与控制分成学习与优化两条路线。Isaac Lab 支持在仿真里用强化学习训练行走与操作策略，策略输出关节目标，由底层 PD 控制器执行；cuRobo 提供 GPU 加速的运动规划，用于抓取、避障与轨迹生成 [推测]。GR00T 输出的是动作块，一次推理给出未来若干步的动作序列，减少高频推理的延迟。
这套分工的工程含义是：VLA 模型负责决定做什么，运动规划与控制负责怎么到达。VLA 在长时序任务上的成功率仍低，错误会累积；把动作块交给反馈控制器执行，可以在局部纠正偏差。NVIDIA 未公开 GR00T 在真实产线上的成功率数据 [未获取]，公开演示多为受控环境。
功能安全由 Halos for Robotics 承担。公司称这套系统把安全控制器、安全 I/O 与认证流程打包，目标是让机器人厂在 ISO 13849 与 IEC 61508 的框架下完成安全功能设计[确认]。安全层的存在让 AI 不必进入急停回路，感知与控制可以继续用学习模型，这是把 AI 机器人推向工业现场的必要设计。
人类视频是预训练的主要来源之一，用于学习手部动作与物体交互的先验[推测]。机器人演示来自合作方的遥操作与真机采集，覆盖双臂、半人形与人形本体[确认]。仿真合成由 Isaac Sim 与 Cosmos 生成视频与轨迹，用于扩充长尾场景[确认]。
跨本体是这套模型的核心设计。不同机器人的关节数、自由度、传感器配置差异很大，GR00T 用本体编号索引各自的编码器与解码器，共享视觉语言主干，动作空间按本体分别定义 [确认]。好处是一套模型能服务多家整机厂，坏处是每个本体的数据量被摊薄，小众本体的效果明显落后。
数据的所有权分散在整机厂手里。NVIDIA 能拿到的是合作方愿意共享的演示数据与自采视频，真实产线的失败样本仍由机器人公司掌握；这决定了 GR00T 更像一个强初始化，客户必须用自己的数据后训练。模型层的价值因此被限制在减少冷启动成本，难以形成数据垄断。
芯片制造依赖台积电的先进制程与先进封装，CoWoS 产能与良率直接影响交付[推测]。内存用 LPDDR5X，带宽 273GB/s，容量 128GB，这套配置在机器人模组里属于高规格[确认]。模组由 NVIDIA 设计，载板与散热由 Advantech、ConnectTech 等板卡伙伴完成，形成一层本地化供应链[推测]。
功耗与散热是机器人厂的集成难点。40 至 130 瓦的可配置功耗意味着同一模组可以放进人形机器人的背部或 AMR 的车体，散热方案要按持续负载设计；峰值算力只在短时爆发，长时间运行会触发降频，实际可用算力低于标称值[推测]。
出口管制是结构性的约束。面向中国的供货受限，Thor 的可寻址市场因此缩小；中国机器人厂在高端模组上转向地平线与自研 SoC，长期会削弱 CUDA 在端侧的覆盖面[推测]。NVIDIA 的应对是提供不同规格的模组与软件裁剪版本，硬件性能的差距仍然存在。
生态的厚度是这套栈最难复制的部分。CUDA 积累了十几年的库、教程与开发者，TensorRT 把模型编译成可部署的引擎，Isaac Sim 提供资产库与传感器模型，ROS 2 社区提供驱动与算法包 [确认]。机器人厂选择 Jetson 的理由通常在软件生态：模型能直接跑起来，工程问题有现成答案，熟悉 CUDA 的工程师也更容易招到。
接口层次分明。底层是 CUDA 与 TensorRT，中间是 Isaac ROS 的节点与 Isaac Sim 的 API，上层是 GR00T 的模型接口与 Halos 的安全接口；OEM 可以在任一层接入，也可以只用其中一段 [确认]。这种分层让客户能渐进迁移，迁移的每一步都加深对工具链的依赖。
合作伙伴覆盖了主要整机厂与模型公司。ABB、FANUC、KUKA、YASKAWA 把 Isaac 用于仿真与编程，Figure、Agility、AGIBOT、Skild AI 把 GR00T 用于人形与通用操作，Universal Robots 把 Jetson 用于控制器 [确认]。伙伴越多，Isaac 的资产格式与接口越容易成为事实标准，这是生态自我强化的机制。
规模经济成立，摊薄发生在公司整体层面。GR00T 的预训练、Isaac 的资产库与 Thor 的流片费用都要在大量客户之间分摊，NVIDIA 的 GPU 出货量与研发预算让它能以低于对手的单位成本提供同等能力的工具链[推测]。机器人业务收入占比很小，这部分投入可以由数据中心业务的现金流承担。
网络经济成立，强度取决于开发者规模。开发者越多，Isaac 的教程、资产与插件越丰富；资产越丰富，新开发者越愿意进入；整机厂越多，GR00T 的后训练样本与本体适配越完整[推测]。这是双边生态，单点性能的作用有限。
转换成本是这套栈里最强的一项。CUDA 代码、TensorRT 引擎、Isaac 资产与训练管线一旦成型，迁移到 AMD 或高通的代价以人年计[推测]，客户在每一层接入都会加深对工具链的依赖。
独占资源的作用有限。CUDA 与 Isaac 的资产库属于软件资产，专利在这里起的作用不大，难复制的是十几年积累的库、教程与调优经验[推测]。品牌在 AI 算力上极强，在机器人整机厂采购中的影响力弱于在数据中心，属于部分成立。
流程能力成立。从 DGX 训练、Isaac 仿真到 Thor 部署的交付路径已经跑通，参考人形与 Halos 安全栈把集成经验固化成可复制的方案[确认]，客户买到的是一套工程路径，单颗芯片的替代不改变这层能力。
反定位对 NVIDIA 自身不成立。模组加软件授权的模式与它的数据中心业务同向，对手不需要放弃某项现有业务就能模仿；反过来，整机厂自研推理芯片对 NVIDIA 构成反定位威胁，这一项列入 5.8 的反证。
综合看，壁垒由规模经济、网络经济、转换成本与流程能力四项共同支撑，强度在机器人上游供应商里最高；品牌在上游有效，进入整机厂采购环节后衰减。
第一条反证来自客户的垂直整合。观察窗口为 24 个月，指标是头部人形机器人 BOM 中 NVIDIA 器件的占比与自研推理模组的流片进度；若该占比降到一半以下，或两家以上头部客户的自研模组装机量超过外购量，Jetson 的可寻址市场收缩到中小厂商，结论应改为"平台地位仍在、人形增量受限"。
第二条反证来自开源模型。观察窗口为 18 个月，指标是 OpenVLA、π0、LeRobot 等开源路线在第三方操作基准上的成功率与 GR00T 的差距；若差距缩小到 5 个百分点以内，模型层的溢价被压缩，客户只在训练与仿真环节付费，结论应改为"卖算力与工具，不卖模型"。
第三条反证来自仿真与现实的差距。观察窗口为 12 个月，指标是 Isaac 训练出的策略在客户实机上的迁移成功率与客户自建数据管线的结果；若前者连续两个季度低于后者，仿真段的价值降为可视化与回归测试工具，结论应改为"仿真降为辅助环节"。
第四条是出口管制。观察窗口为 12 个月，指标是管制清单是否覆盖机器人模组与软件、中国客户在 Thor 上的采购量；若管制扩大到模组与软件，Thor 的市场空间与生态覆盖面被切分，结论应改为"区域化供应链、全球生态分裂"。
确认信号是 GR00T 在第三方基准上保持领先、Thor 在头部人形机器人 BOM 中的占比上升，以及 Isaac 的合作整机厂数量继续增加。
通过 Jetson 分销商、系统集成商、机器人 OEM 与云厂商触达客户；亚马逊、Meta、波士顿动力、Agility、Figure 等已使用 Jetson。[确认] Thor 面向包括中国在内的全球客户供货。[确认] 需求主要来自人形机器人、AMR、工业臂与自主移动设备。[推测]
端侧算力面临高通 RB 系列、英特尔、AMD 与地平线等竞争；云端训练面临谷歌 TPU、AWS Trainium 等自研 ASIC 与 AMD；机器人基础模型面对 Physical Intelligence、Skild AI、Google DeepMind。[推测] NVIDIA 的差异化是通用 GPU 加 CUDA 生态与仿真工具链的完整度，而不是单项指标。[推测]
机器人收入占比仅约 1%，人形机器人量产节奏、客户自研芯片、对华出口管制都会影响兑现；"参考设计+模组"模式还可能把系统价值让给整机厂。[推测] 结论：物理 AI 最确定的"卖铲人"，但机器人业务目前是期权而非现金流，估值贡献远小于数据中心；短期内其营收占比难显著提升，应按"平台期权"而非独立业务分部定价。[推测]
Philosophy sword
融合主轴尚未定义。这里将放：一句话定性、三线状态、三项判定与反证条件。
预留位 · 不参与当前分析