На конференции GTC в марте 2026 года NVIDIA представила обновлённый набор инструментов для разработки роботов, охватывающий весь цикл — от обучения в виртуальной среде до развёртывания на реальном оборудовании. Центральный элемент стека — связка симуляции, обучения с подкреплением и граничных вычислений, которая позволяет сократить время от прототипа до рабочего устройства.
Одно из ключевых событий — выход в открытый доступ физического движка Newton 1.0. Движок обеспечивает точное определение столкновений, реалистичный контакт объектов и стабильную симуляцию систем с жёсткими и гибкими компонентами. Параллельно стали общедоступны Isaac Sim 6.0 и Isaac Lab 3.0 — среды, в которых разработчики моделируют реальные сценарии и проверяют поведение роботов до физического развёртывания. Модели Isaac GR00T добавляют к этому понимание естественного языка: робот получает инструкцию словами и самостоятельно разбивает её на последовательность действий, используя связку зрения, языка и планирования движений.
Наглядный пример применения — интеграция NemoClaw с Isaac Sim, реализованная разработчиком Umang Chudasama. Система переводит текстовые команды вроде «проедь два метра вперёд» в исполняемые Python-скрипты и передаёт их роботу Nova Carter через REST API в реальном времени. Вся отладка происходит внутри физически точной симуляции склада — без риска повредить реальное оборудование.
Модели Isaac GR00T понимают команды на естественном языке и управляют роботом без ручного программирования.
В складской логистике Doosan Robotics применила модель Cosmos Reason для адаптивной паллетизации. Классические роботы-паллетайзеры работают по фиксированным правилам и не различают хрупкий товар и прочный. Система Doosan анализирует один кадр с камеры, определяет содержимое коробки, выявляет повреждения и корректирует скорость, захват и порядок укладки в зависимости от оценки веса и хрупкости груза.
Отдельного внимания заслуживает направление обучения на основе мировых моделей. Toyota Research Institute адаптировала Cosmos WFM для собственной модели мира, достигнув лучших показателей в задачах синтеза динамических видов и навигации. Команда Mimic Robotics пошла другим путём: их модель mimic-video заменяет статичные языково-визуальные бэкбоны видеомоделью с декодером на основе flow matching. Результат — десятикратный прирост эффективности обучения и двукратное ускорение сходимости на реальных задачах манипуляции. Оба подхода указывают на одну тенденцию: роботы, обученные на моделях, которые понимают физику и причинно-следственные связи, требуют значительно меньше реальных данных для надёжной работы в незнакомых условиях.
За пределами промышленности физический ИИ проникает в медицину и подводные исследования. PeritasAI совместно с Lightwheel и сетью больниц Advent Health разрабатывает мультиагентную систему для операционных залов на базе NVIDIA Isaac for Healthcare: роботы отслеживают инструменты, координируют стерильную зону и управляют логистикой имплантатов в реальном времени. Университет Мичигана создал OceanSim — GPU-симулятор для подводной робототехники, который рендерит гидролокатор в реальном времени и генерирует синтетические данные для обучения систем восприятия. Симулятор построен на Isaac Sim и библиотеках Omniverse, что упрощает перенос исследовательских моделей в реальные подводные аппараты.
