每年SIGGRAPH都是图形领域最重要的技术风向标。今年NVIDIA的展台有点不一样——不再只是展示新显卡能跑多少帧而是把重心放在了Agent和物理AI上。说实话一开始看到这个转变我有点懵。GPU公司不好好做图形跑去搞AI Agent翻了下NVIDIA的官方发布发现事情没这么简单。从图形渲染到物理世界模拟 转变比你想象的大过去十年NVIDIA在SIGGRAPH上干的事基本就三个新GPU架构发布、DLSS升级、光线追踪演示。这些东西当然还在但今年真正被推到前排的是两样不太图形的东西——Agent AI和物理AI。Agent AI这块NVIDIA展示的是用大模型驱动的虚拟角色系统能在实时渲染的3D场景里自主决策和行动。不是传统的脚本AI而是真的用LLM来理解场景、做出反应。物理AI更猛。他们展示了一个完整的数字孪生仿真环境机器人可以在里面训练——不是简单的3D模型加物理引擎而是完整的传感器仿真、材质物理响应、光照反射计算全部跑在实时渲染管线里。这意味着什么呢以前训练一个机器人搬运物体需要真实物理环境、真实机械臂、大量试错。现在你可以在NVIDIA的仿真环境里生成十万个随机场景让AI在虚拟世界里学完再部署到真实机器人上。真正的问题是这种仿真训练的迁移效果到底行不行。从NVIDIA公开的demo来看经过仿真训练的机器人在真实环境中的成功率已经能做到90%以上。看到这个数字愣了几秒——三年前这个数字还不到60%。GPU从跑图形的变成跑世界的从实际使用来看这个转向背后有一个很实际的技术逻辑。传统图形渲染管线处理的是看起来真实——光照、材质、阴影算对了就行。但物理AI需要的是物理上真实——重力、摩擦力、物体形变、传感器噪声全都要精确模拟。NVIDIA把这些能力整合进了Omniverse平台本质上是在做一件事把GPU从图像加速器变成物理世界模拟器。对开发者而言这个变化带来的影响不小。以前做图形开发的关注的是渲染效率和画面质量。现在你得多了解物理引擎、传感器模型、强化学习训练管线。怎么说呢 技术栈的边界在模糊以前搞游戏引擎的人和搞机器人的人几乎不交流现在他们用同一套工具链。我看到一个具体的案例一家物流公司用NVIDIA的仿真环境训练仓库机器人原来需要6个月的部署周期压缩到了3周。关键不是速度提升而是在仿真里能复现现实中几乎不可能遇到的边界情况——货架倒塌、货物滑落、突发障碍。开源模型策略值得关注另一个值得关注的变化是NVIDIA在SIGGRAPH上宣布开源了多个用于物理仿真的基础模型。不是像以前那样只发布论文和演示视频而是直接把模型权重和训练代码放在了GitHub上。怎么说呢 这个策略很有意思。NVIDIA的开源从来不是做慈善——他们开源的是跑在自己硬件上效果最好的方案。开发者研究这些模型、基于它们做二次开发、部署到生产环境最后当然跑在NVIDIA的GPU上。真正麻烦的是后面。如果你是一个中小型机器人公司用NVIDIA的开源方案跑通了你的产品后续的算力需求只会越来越大。到那个时候你已经在NVIDIA的生态里了。那问题来了有没有替代方案AMD的ROCm生态在追赶但物理仿真的GPU加速这块NVIDIA的CUDA生态加上Omniverse暂时还没看到真正的竞争对手。不过换个角度想——对于独立开发者和创业团队来说NVIDIA开源这些模型反而是好事。以前想做机器人仿真光软件授权费就是一笔不小的开支。现在起码可以用开源方案先跑起来验证自己的想法。对开发者而言SIGGRAPH 2026释放的信号很清晰GPU公司正在重新定义自己——不是卖显卡的而是卖物理世界模拟能力的。一个做图形API的工程师需要开始考虑的问题可能是你写的渲染代码以后是给人看的还是给AI训练用的关于维基框架维基框架关注企业应用开发中的长期维护问题。在实际项目中业务系统往往同时涉及权限、微服务、接口协议、部署环境等复杂因素因此我们希望提供一套更容易扩展和维护的基础框架。官网framewiki.comGiteegitee.com/wiki-frameworkGitHubgithub.com/wiki-framework示例项目gitee.com/cdkjframework/framewiki-example 许可证MulanPSL-2.0木兰宽松许可证第2版