NVIDIA 於 2026 年 9 月 10 日在官方博客發表〈Physical AI Takes the Wheel〉，系統說明其模組化 Robotaxi 全棧——涵蓋 AI 訓練、模擬驗證與車載運算的「三電腦」方案——正被全球多家已進入商業規模營運的 Robotaxi 項目採用。文中亦列舉 Uber、Waymo、Pony.ai、WeRide、Mercedes-Benz、Stellantis 等合作與部署脈絡。本文已對照 NVIDIA 博客原文與官方 X 帳號同日帖文中的連結；發現線索來自 @nvidia，來源真實性已驗證。
一、核心事件：從單車自動駕駛到車隊規模化算力
技術細節
根據 NVIDIA 官方博客（作者 Ali Kani，2026-09-10）可核對的要點包括：
- 市場定位：NVIDIA 將全球 Robotaxi 描述為 Physical AI 的首個商業突破，並引述其展望：至 2035 年市場規模可達約 4,000 億美元、商業車輛逾 600 萬輛（此為 NVIDIA 文中所述展望，非第三方審計預測）
- 核心主張：部署單輛無人車是一回事；要讓數千輛車維持同樣安全可靠表現，是下一階的運算挑戰——需要貫穿模型訓練、行為模擬驗證，以及車內即時推理的算力
- 開放平台：NVIDIA 提供訓練、模擬與安全驗證的開放平台（函式庫、SDK、工作流與模型），開發者可與自身技術棧並行使用
- 採用範圍：博客稱，目前所有以商業規模營運的主要 Robotaxi 項目，都在 NVIDIA 模組化堆疊上運行——涵蓋訓練、模擬、車載，或三者組合
同日 NVIDIA 官方 X（@nvidia）亦發布相關帖文，並連結至上述博客；另有帖文祝賀 Pony.ai 與 Verne 在薩格勒布展開全無人 Robotaxi 路測（NVIDIA DRIVE 驅動），可視為生態系並行進展。
二、技術原理深度解析
1. 「三電腦」把生命週期拆成可獨立擴容的算力平面
NVIDIA 將 Robotaxi／自動駕駛平台表述為三部電腦的組合：
- 訓練電腦（NVIDIA DGX）：把車隊數據轉成更強的駕駛模型。博客介紹 Alpamayo 開放推理視覺—語言—行動（VLA）模型組合、模擬框架與 Physical AI 數據集，讓開發者按自身數據與需求適配；推理模型把複雜駕駛情境拆成步驟，再選取較安全軌跡。NVIDIA 稱，在一項具挑戰性的自動駕駛評估中，加入 meta-action 與思維鏈推理數據後，VLA 模型軌跡預測的最小平均位移誤差由 2.08 降至 1.18（約減 43%）。
- 模擬與驗證電腦（Omniverse 與 Cosmos，跑於 RTX PRO）：僅靠真實里程難以覆蓋長尾情境。Omniverse NuRec 可從感測數據重建真實場景，Cosmos 世界基礎模型再生成基於物理的變體，把數千個真實 corner case 擴成行為、交通、天氣、光照與感測條件的組合。AlpaSim 則延伸用於訓練與評估推理型自動駕駛模型。
- 車載電腦與感測架構（DRIVE Hyperion + DRIVE AGX）：DRIVE Hyperion 10 為面向 Level 4 就緒 Robotaxi 的模組化車載參考架構，配置雙 DRIVE AGX Thor（Blackwell 平台）、14 個高清相機、9 個雷達、3 個激光雷達與 12 個超聲波，強調冗餘運算與感測以支援失效運行（fail-operational）。雙 Thor 設計用於跑含 VLA 在內的感知、推理、路徑規劃與駕駛動作。Halos 則提供由 Halos OS 到獨立檢查、系統驗證、大規模模擬與雲到車持續測試的安全基礎。
2. 為何「模組化全棧」對規模化關鍵
商業 Robotaxi 的瓶頸往往不在單次 demo，而在：數據工廠能否持續把罕見事件變成可訓練樣本、模擬能否在落地前暴露弱點、車載是否能在冗餘感測下跑現代 AI 工作負載。三電腦把這三件事解耦，讓營運商、軟體棧商與車廠可按階段擴容，而不必一次自建全部基礎設施。
3. 生態系覆蓋營運、軟體與量產三層
博客按區域與角色列出採用者，例如：Uber 計劃以 DRIVE Hyperion 車隊擴至 2028 年 28 城，並與 NVIDIA 在 Cosmos 上建 Robotaxi AI 數據工廠；WeRide 經 Grab 合作計劃把基於 Hyperion／Thor 的 GXR 推向東南亞；Wayve、Nissan 與 Uber 合作原型車；Pony.ai、Zoox、Momenta、DeepRoute.ai、Mercedes-Benz、Stellantis、Lucid／Nuro、Hyundai／Kia、Geely／Zeekr 等亦有訓練、車載或量產相關表述。重點不在背誦名單，而在顯示「訓練—模擬—車載」已成為跨公司對齊的參考架構。
四、日常應用場景
1. 開發者與技術團隊
若你在做具身智能、VLA 或模擬數據工廠，可把「真實重建 + 合成擴增 + 閉環評估」當成標準流水線，並預設車載端需要可跑推理模型的冗餘算力，而非只優化雲端準確率。
2. 企業與隱私敏感行業
車隊與感測數據高度敏感。企業若要把領域數據做成可微調、可審計的私有模型，並把推理留在可控環境，應盡早分開「公開基礎模型」與「自有數據後訓練」邊界。需要 Dataset → QLoRA／LoRA → 私有 API、且 100% 數據不出境時，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起）。
3. 一般用戶
對乘客而言，技術棧不可見，但冗餘感測、模擬驗證與安全框架（如 Halos）決定服務能否在複雜城市路況穩定擴張。用戶應關注營運城市、是否有安全員／遙控備援，以及監管批核範圍，而非單一品牌口號。
4. 香港與亞洲市場視角
香港與大灣區對自動駕駛興趣高，但公共道路 Robotaxi 仍受監管、基礎設施與保險約束。亞洲側已有 WeRide／Grab、Pony.ai 等與 NVIDIA 堆疊相關的公開敘事。本地企業更常面對的，是把車隊／物流／園區數據做成可控 AI 能力，並加固雲與邊緣邊界——可同時對照雲端遷移與網絡安全（官網刊 99.99% SLA）。
五、專業評價與潛在考量
優勢
- 以官方博客為一手來源，技術名詞（DGX、Omniverse、Cosmos、DRIVE Hyperion／AGX Thor、Alpamayo、Halos）與三電腦結構清晰可核。
- 把 Robotaxi 從「感測器套件」提升到「生命週期算力平台」，對企業架構師具實用參考價值。
- 生態系名單覆蓋北美、歐洲、中東與亞洲，顯示 Physical AI 商業化已進入多區域並行。
需要留意的地方
- 市場規模展望（至 2035 年約 4,000 億美元等）來自 NVIDIA 自身敘事，讀者應視為供應商展望而非獨立預測。
- 「所有商業規模主要項目都在跑 NVIDIA 堆疊」屬博客表述，實際各家可能只採用訓練、模擬或車載其中一環，深度與獨家性因項目而異。
- 軌跡誤差改善數字來自文中所述評估設定，外推到真實城市營運仍需獨立驗證與監管證據。
結語
NVIDIA 這篇 Robotaxi 全棧說明，把 Physical AI 的商業化路徑寫成可複製的三電腦生命週期：DGX 訓練、Omniverse／Cosmos 模擬驗證、DRIVE Hyperion 車載部署，並以開放模型與安全框架對接營運商與車廠。對香港技術與企業決策者而言，重點不只是「誰先上路」，而是數據、模擬與推理是否落在可自主控速、可審計的架構上。歡迎了解 YSK Limited 的企業私有 LLM 全託管。
參考來源
- NVIDIA Blog：〈Physical AI Takes the Wheel: How the World’s Robotaxi Leaders Are Building With NVIDIA Technologies〉（2026-09-10，Ali Kani）https://blogs.nvidia.com/blog/robotaxi-leaders-full-stack-open-platform/
- NVIDIA 官方 X 發現帖（發現線索）：https://x.com/nvidia/status/2098212604959162693