英伟达 GTC 大会发布「核弹级」GPU，将为 AI 发展带来哪些助力？

谢邀。

我比较关注老黄的Omniverse，工业元宇宙。

说得高大上点叫“数字孪生”，说人话就是建模。

但这个建模是具有一定实时性和真实性的。

我是几年前跑工业互联网时接触到这个概念的。

技术老哥给我这个文科小白做科普，巴拉巴拉讲了一堆边缘计算后（传感器那堆玩意），很神往地说：

咱这行的终极目标就是彻底实现数字孪生。

我：什么是数字孪生？

老哥：就是给尽可能多的东西建模。

我：那有鸟用？

老哥给我讲了个我现在还记得的比喻：

现实里你要练拔刀术，只能一遍遍挥刀；

我现在给你个虚拟空间，这里的物理规则和现实世界一样。但你进去后可以练各种刀，砍各种材质，没有现实的物料损耗，你可以练几百万次；

最大的限制是算力，算力就是这个虚拟世界的时间。算力够强，你可能一个下午相当于别人练了十年；

然后你可以保留在这个空间获得的一切知识，回到现实。

最后，你把整个逻辑套到工业体系里，想象一下。

我当时就宕机了。

我们当时搞的是服装工业互联网，只能做到最基础的人机料数字化，能用数字孪生的机会很少。

有些同行努力蹭概念，给服装建模。但他们没有能力构建出有物理规则的虚拟空间，也无法给服装模型加上面辅料的材质特征。这样的“死”数据根本没法导入生产。

据老哥介绍，国内官方数字孪生做得最好的，应该是航空航天部门。

他们的建模是可以拿来做测试的。模拟各种大气和地表，获得基于实物仿真的飞行数据，减少实测成本，提高改进效率。

民间比较好的，是三一、海尔、富士康三家。

他们不仅能做到基于仿真元器件数据的产品设计，还能多少做到基于仿真设备、产线、车间的虚拟产线调整、虚拟生产、虚拟调测。

新产品导入车间，怎样调整产线才能最优？

可以先在数字孪生系统里跑，跑出最优结果后再放到现实环境里执行。

极大降低试错成本。

因此老黄这次讲的Omniverse，很勾我。

首先他发了升级的Omniverse工作站、服务器和云：

企业上手的难度会进一步降低。

其次，很多巨头已经帮老黄跑通了数字孪生的应用场景。

例如老客户亚马逊用Omniverse训练自家的运货机器人：

不过最亮眼的还是汽车产业的加入。

通用和沃尔沃拿来做仿真预设计：

西门子拿来训练组装机械臂：

奔驰拿来训练自动驾驶：

宝马拿来训练运输机器人：

莲花用来预建虚拟工厂（跑通后再实际建厂）：

宝马在匈牙利的新厂就是这么建的：

注意这里的建模不是单纯示意。你可以建个虚拟产线，跑虚拟生产，根据演算结果来调整你的设计：

汽车产业3万亿美刀，民用工业之花。这个行业如果开始大规模上Omniverse的车，数字孪生就是件很严肃的事了。

最后，AI的加入。

数字孪生很重要，但是一想到建模、打通多种工作流、可视化运算、数据库等问题，总觉得这事很遥远。

所以尽管Omniverse在19年就发布了，但那时候大家还是观望，因为都觉得这些分散的碎片化数据很难汇总。

但现在有了落地的AI，且进步速度惊人。

因此我觉得老黄的这张图不能再认为只是画饼：

何况Omniverse已经开始接入到微软体系里：

如果这些巨头真下决心进入数字孪生领域（工业企业的钱比diy佬香多了），那数字孪生就不是概念了。

总之，数字孪生不是神迹，其成本离多数企业依然很遥远，其效率改进还需要积累。

但是：这确实是正儿八经的工业4.0。

泰勒把手工作坊提升到标准化，丰田和摩托罗拉把标准化做深做细。但依然有大量数据和知识停留在管理人员和老师傅的脑子里、嘴里、笔头里。

这些数据是散落的，且难以被迭代，更难以形成系统性的全局优化。

数字孪生可以把更多数据提出来，放到虚拟空间里，并基于相对真实的物理环境，进行远快于现实的运算。

这是能在制造上形成代差的新模式，算力从此正式成为生产原材料之一。

讲真，AI时代下，英伟达已经是水电煤级别的基建企业了，这个地位不指望撼动。

但如果老黄也同时成了数字孪生领域的不可或缺，那麻了，全球大量中高端制造也要被他割一刀。

我想这也是为什么在这次78分钟的发布会里，Omniverse能占到17分钟的原因。

闲聊公号：王子君的碎碎念。