一句话总结：GTC 2026 里 Physical AI 最重要的发布不是某个单一模型，而是 Physical AI Data Factory Blueprint —— 一套将"数据生成、增强、评估"全流程标准化和自动化的开放参考架构，目标是把大模型时代"算力 → 数据 → 模型能力"的飞轮，复制到机器人和自动驾驶上。

核心判断

如果说 Agentic AI 解决的是"数字世界里如何让 AI 去做事"，那 Physical AI 解决的是：

如何让 AI 在真实物理世界里感知、推理、行动，并且能低成本地训练和验证。

GTC 2026 官方对这一板块的定位是：用 open models、libraries 和 simulation frameworks 去构建下一代 factories、robots 和 autonomous vehicles。

官方还给出了一个极其关键的判断：

“Physical AI follows scaling laws.”

这意味着 NVIDIA 认为物理 AI 同样遵循数据、算力、模型容量共同扩展带来的性能提升规律。推论很直接：谁能更高效地把算力转化为高质量的物理世界训练数据，谁就能在这条 scaling 曲线上走得更远。

但需要对这套 Data Factory 的能力边界保持清醒认识。这次发布的核心——Cosmos Curator / Transfer / Evaluator 三件套，本质上是数据闭环的工程加速器，不是业务闭环的替代方案：

• Curator 能统一数据管道（清洗、索引、批处理），但统一不了业务决策层——“什么是有效 corner case"“哪个 fail pattern 优先级最高"“哪类样本对当前 policy 最有增益”，这些依赖业务定义、模型诊断和组织经验，不是平台工具能替代的。
• Transfer 作为 diffusion-based 生成模型，在受控视觉域增强（天气/光照/材质/sim-to-real gap）上可信，但对全空间行为长尾（多体博弈、时序因果链、counterfactual 场景）目前不够可靠——纯生成式模型缺乏严格的物理约束和多视角时序一致性。
• Evaluator 能做生成数据的自动质检（物理合理性筛查、条件约束验证），但做不了量产级精评（亚米级测距误差、TTC 等），更无法替代严苛的 Ground Truth 体系和闭环评测。

总结：NVIDIA 提供的是标准化底座和工程效率工具，真正决定闭环效果的仍然是团队自己的 failure taxonomy、数据挖掘策略、training recipe 和验证体系。底层基础设施按 ROI 选择性采购，核心方法论必须自己掌控。