人工智能经过这么长时间的发展，在网络的种类、复杂程度和处理的信息量上都发生了天翻地覆的变化。网络种类上，从早期的 AlexNet 和 GoogleNet 到现在各种各样的 GAN（生成对抗网络）以及各种深度强化学习的网络，它们各自网络结构都有不同，开发者在适应最新的网络上常常会遇到一些麻烦。

网络变得越来越复杂，处理的信息量也在成倍地增长，算力需求越来越高的情况下，对搭载处理单元的体积有更多限制的机器人实际上存在着在智能水平上升级的障碍。

其次是训练环境。对于 AlphaGo、DeepMind，科学家们可以设定一个基本规则，让它永远跑在计算机里，不停地训练，技巧磨炼得越来越强大，但机器人的训练却远远没有这么简单。

在去年的 GTC 大会上，黄仁勋展示了加州大学伯克利分校的 AI 实验室所做的曲棍球机器人实验，在一个仅一米左右的直线上，伯克利的曲棍球机器人“艾达”足足试了 200 次才熟练地掌握了将球打入门框的技巧。

“这还只是曲棍球！”黄仁勋说道，“如果我想抬起一辆汽车呢？如果我想开门呢？如果我想让机器人和医生配合做手术呢？”

“我们不可能让机器这么学习。”

这里，英伟达高级软件经理李铭博士指出，在使用深度强化学习对机器人进行训练时，有三个主要的障碍。

第一，真实世界的训练进程太过缓慢，并且成本昂贵。Google 的机器人实验室曾经用三个月的时间拿 14 台机械手臂完成了 30 万次的拾取动作的训练，同时还配备了一整队的工程师“鞍前马后地照料”这些机器人。对其他公司或者普通研究人员而言，这样的成本是完全负担不起的。

第二，训练的部分非常危险，可能会造成一定程度的损失。机器人在训练时是直接与物理世界交互的，任何的碰撞都可能会导致机体的损伤，甚至可能会对训练的“陪护”人员造成伤害。

第三，训练环境的搭建非常耗时耗力。以自动驾驶为例，如果要训练汽车在面对前面汽车追尾时的表现，连日常生活中的数据都很难收集，更不要说搭建起类似的场景了。

NVIDIA 的答案

在今年台北电脑展的发布会上，英伟达发布了 NVIDIA Isaac 机器人平台，包含硬件、软件和虚拟世界机器人模拟器的 NVIDIA Isaac。

同样在这场发布会上，黄仁勋还发布了“世界首台专为机器人打造的处理器”NVIDIA Jetson Xavier，他手托着这台没有巴掌大的计算机，面对媒体说道：“这就是未来智能机器人的『大脑』。”

Jetson Xavier 拥有超过 90 亿个晶体管，可提供每秒 30 万亿次操作以上的性能，这一处理能力甚至比高性能的工作站还要强大。同时，Xavier 拥有 6 个高性能处理器，包括 1 个 Volta Tensor Core GPU、1 个 8 核 ARM64 CPU、2 个 NVDLA 深度学习加速器、1 个图像处理器、1 个视觉处理器和 1 个视频处理器。超高的计算能力让可以直接部署在终端机器人上的 Jetson Xavier 能够为机器人的感知和计算提供基础算力的保障。

软件上，Jetson Xavier 配备了一个工具箱，包含 API 工具包 Isaac SDK、智能机器加速应用 Isaac IMX 以及高度逼真的虚拟仿真环境 Isaac Sim。

英伟达在 2017 年的 GTC 上首次发布了 Isaac 虚拟仿真环境的部分。只需要普通游戏引擎，开发者们就可以打造出一个非常仿真的虚拟环境，在这个 VR 世界里，开发者可以在其算力支持的条件下，对机器进行尽可能多、尽可能快的训练，训练完成后，机器可以直接部署到机器人上，完成物理世界里的测试。这样一来就解决了训练环境的诸多问题。

在英伟达看来，机器人终归是要拥有超强的边缘计算能力的，而目前远远超越现阶段机器人应用需求的 Jetson Xavier，正是为了下一代自主机器打造的 AI 计算芯片，在 Isaac 平台的支持下，机器无处不在地助力我们日常生活工作，提高整个社会的效率，终将在不久后成为现实。