NVIDIA and LG Group Build an AI Factory for Physical AI

NVIDIA 与 LG 把 AI 工厂推向机器人、汽车和智能制造

资讯内容

NVIDIA 与 LG Group 在 2026 年 6 月宣布扩大合作，双方把这次合作概括为 M.A.P.：Mobility、AI Infra 和 Physical AI。它的重点不是单一产品发布，而是围绕 AI 工厂建立一套面向实体世界硬件的开发、训练、仿真和部署底座。NVIDIA 官方博客将这套合作描述为面向机器人、自动驾驶车辆和智能工厂的 AI 基础设施；LG 通过 PRNewswire 发布的官方稿件也把移动出行、AI 基础设施和实体 AI 列为同一张路线图。

这条新闻值得放进 AI 硬件数据库，是因为它把几个正在合流的硬件方向放到同一张工程图里：数据中心里的 GPU 服务器，工厂现场的机器人与机器视觉系统，车辆平台上的自动驾驶计算，以及用数字孪生提前验证动作、场景和产线的仿真平台。对于终端用户来说，这意味着未来一部分“AI 硬件能力”不会只体现在某个设备的芯片参数上，而会体现在设备背后的训练环境、仿真数据、车间连接能力和持续更新机制上。

合作覆盖了哪些硬件链条

从公开资料看，NVIDIA 在合作中提供的不是单个芯片清单，而是一组面向实体 AI 的平台组合。NVIDIA Omniverse 用于构建数字孪生和工业仿真，Cosmos 面向世界模型与物理场景生成，Isaac 覆盖机器人开发与验证，DRIVE 面向自动驾驶和车载 AI，RTX PRO Server 则承担本地或企业侧 AI 计算基础设施的一部分。LG 的角色则更接近行业场景方：它拥有家电、显示、汽车零部件、工厂自动化和机器人相关业务，可以把这些平台放进实际产品线和制造体系中验证。

这类组合有一个明显变化：AI 硬件不再只按“云端服务器”和“终端设备”分开。工厂里的机器人需要边缘推理、视觉感知和安全控制；汽车和移动出行设备需要在仿真环境里跑大量场景；生产线需要用数字孪生提前验证节拍、空间关系和异常状态。AI 工厂的价值就在于把这些环节集中到可复用的计算和软件平台上，让训练、测试和部署之间的距离变短。

对机器人和智能制造的实际意义

实体 AI 的难点在于，模型不能只在屏幕里回答问题，还要在真实世界里理解空间、处理延迟、避开障碍并和机械结构协同。NVIDIA 与 LG 的合作把机器人、车辆和工厂放在同一个叙事下，说明企业正在把“仿真先行”作为部署实体 AI 的关键前置步骤。机器人手臂、移动机器人、车载系统和机器视觉产线都可以先在虚拟场景里测试，再进入真实设备验证。

对智能制造来说，这类 AI 工厂可以改善两类问题。第一类是开发效率：工厂改线、机器人路径规划、视觉检测策略和异常工况，可以先在数字孪生环境中复盘。第二类是部署一致性：当不同工厂、车辆或机器人使用相近的仿真和模型工具链时，企业更容易把一个场景中验证过的能力迁移到另一个场景。它不会自动解决所有落地难题，但会让硬件、模型和场景数据之间的协作更可控。

为什么这不是普通的云合作

普通云合作通常强调算力租用或企业应用接入，而这次合作更偏向“面向物理世界的 AI 生产系统”。NVIDIA 官方资料提到 AI factory，LG 官方资料强调 Mobility、AI Infra 和 Physical AI，这些关键词指向的是同一件事：AI 基础设施要服务具体硬件系统，而不是只服务办公软件或通用聊天应用。

这也解释了为什么 Omniverse、Isaac、DRIVE 和 RTX PRO Server 会同时出现。Omniverse 处理工厂和设备的虚拟环境，Isaac 面向机器人，DRIVE 面向车辆，RTX PRO Server 则为企业侧训练、仿真或推理提供本地计算节点。它们连接起来后，AI 工厂就不只是一个数据中心概念，而是一个把模型开发、仿真验证和硬件部署串起来的工程平台。

对 AI 硬件市场的影响

这类合作会把 AI 硬件竞争从单点参数推向系统能力。芯片算力仍然重要，但终端客户更关心模型能否在工厂、车间、仓储、车辆和机器人上稳定工作。未来评估一款工业 AI 硬件时，除了看传感器、算力、接口和防护等级，还需要看它能否接入仿真平台、是否支持持续更新、是否有可靠的数据闭环，以及供应商能否把云端、边缘端和现场设备一起维护。

对 LG 来说，与 NVIDIA 的合作有助于把自身在制造、汽车电子和机器人方向的业务放进更完整的 AI 基础设施中。对 NVIDIA 来说，这类合作把 GPU、服务器和软件平台延伸到更多实体行业，强化了它在工业 AI 和物理 AI 生态中的位置。短期内，公开资料没有给出具体采购规模或新产品上市时间，因此更适合把这条新闻理解为平台级合作，而不是单一硬件 SKU 发布。

仍需观察的限制

这类合作的落地效果取决于实际项目范围、数据治理、现场系统集成和长期维护能力。数字孪生和仿真可以降低试错成本，但无法完全替代真实产线、道路和机器人运行环境中的验证。对于关注工业 AI 硬件的用户，更值得继续跟踪的是：LG 会在哪些业务线率先部署这套 AI 工厂，是否会出现新的机器人、车载计算或工厂边缘节点产品，以及这些系统是否能形成可复制的行业方案。

参考来源

• NVIDIA 官方博客：NVIDIA and LG Group Build an AI Factory to Advance Physical AI Infrastructure，2026-06-08，https://blogs.nvidia.com/blog/nvidia-and-lg-group-ai-factory/
• LG Corp 官方发布：LG Teams with NVIDIA to Shape the Future with M.A.P. (Mobility / AI Infra / Physical AI)，2026-06-08，https://www.lgcorp.com/media/release/29344
• LG 官方 PRNewswire 稿件：LG Teams with NVIDIA to Shape the Future with M.A.P. (Mobility / AI Infra / Physical AI)，2026-06-08，https://www.prnewswire.com/news-releases/lg-teams-with-nvidia-to-shape-the-future-with-map-mobility--ai-infra--physical-ai-302793797.html
• Evertiq 新闻跟进：Nvidia, LG Group build AI factory to advance Physical AI，2026-06-09，https://evertiq.com/design/2026-06-09-nvidia-lg-group-build-ai-factory-to-advance-physical-ai