henry 發自 凹非寺
量子位 | 公眾號 QbitAI

英偉達不造機器人，但要幫具身企業造好機器人（doge）

剛剛，在芝加哥Automate 2026大會上，英偉達發布了Halos for Robotics

一套覆蓋芯片、傳感器、操作系統到安全認證的全棧機器人安全系統。

Halos最大的特點，是把英偉達過去在自動駕駛領域超過18600工程人年的安全積累和700萬行經過驗證的代碼，搬到了機器人賽道，為自主機器人提供統一的安全架構。

有了它，機器人公司不用再從零造輪子，接入即可使用。更關鍵的是，Halos的核心安全框架已經開源，向行業開放。

可以說，如果特斯拉做具身智能走的是iOS路線，自己造機器人、自己做安全，那么英偉達選的就是安卓路線，把安全平臺開放給所有人。

值得一提的是，目前已經有不少公司入伙Halos生態，成為首批合作伙伴，包括人形機器人公司Agility、波士頓動力、激光雷達廠商禾賽科技、安全機器人公司FORT Robotics等，整體生態已經擴展到43家往上。

其中，Agility已經率先吃上“螃蟹”，將Halos整合進自家的Digit機器人，在亞馬遜、GXO、豐田的工廠里持證上崗。

視頻里這個穿著安全背心的機器人，正穿梭在工廠傳送帶之間，承擔搬運和物流等實際工作。

從芯片到軟件，安全管三層

那這個新的安全系統Halos到底是個什么東西？

按照英偉達官方的架構，Halos可以分成四層，從下到上分別是：平臺安全安全操作系統算法安全生態安全

這四層其實對應的是同一個問題的四個維度——

機器人在現實世界運行時，可能出錯的四個來源：硬件、軟件系統、模型決策，以及外部認證與生態。

首先是平臺安全，解決底層硬件不能失控

英偉達在這一層拿出了IGX Thor，一顆面向機器人與工業場景的AI計算平臺。

它內部設置了一個獨立的“安全島”，擁有獨立的處理器、I/O、電源和時鐘，與主計算系統物理隔離。

即使主AI系統崩潰、重啟甚至異常運行，安全島仍然可以獨立執行緊急制動等關鍵功能。

這有點像飛機的備用系統，當主系統失效時，備用系統仍然能接管控制。

同一層還有Holoscan Sensor Bridge，用來解決另一個關鍵問題：傳感器異構帶來的延遲與錯配。

機器人通常同時搭載激光雷達、深度相機、IMU、力矩傳感器等設備，但這些設備來自不同廠商、運行在不同協議上。

如果數據需要層層排隊處理，就可能在幾十毫秒內錯過安全窗口。

Sensor Bridge的作用，是把所有傳感器數據統一接入安全計算域，實現低延遲同步處理，并達到SIL 2級安全保證。

第二層：安全操作系統，解決“系統本身會不會出錯”

如果說第一層管“硬件不崩”，這一層管的是“系統不亂”。

Halos OS運行在IGX Thor之上，底層是Halos Core，支持兩種模式：純Linux，或者Linux + QNX混合架構。

在后者中，英偉達通過Hypervisor把系統拆成兩個隔離域：Linux負責AI計算與應用，QNX負責安全關鍵任務。兩者完全隔離運行。

這意味著即使AI應用層出現異常，也不會影響安全控制邏輯。這一層相當于在“硬件安全島”之外，再加一層“軟件隔離墻”。

在此之上，是安全應用模塊，其中最典型的是Outside-In Safety Blueprint。

它的思路是：不只讓機器人自己看世界，還引入外部視角。

比如在工廠天花板安裝攝像頭，由獨立AI從第三方視角監控機器人行為。

在一個具體場景中，自主叉車在拖車內作業時，車載傳感器容易誤判空間邊界，導致頻繁急停。

而Outside-In系統可以在確認環境安全時允許更高效率運行，一旦有人進入危險區域，再立即接管干預。

這一能力目前已向開發者開放，并以開源形式提供。

第三層：算法安全，解決“AI本身會不會判斷錯”

前兩層保證的是“系統可靠”，但機器人真正的風險，其實來自更上層——模型本身。

無論是VLA（視覺語言動作模型）還是VLM（視覺語言模型），它們的決策都可能出錯。

例如把紙箱誤判為人，或者把人誤判為障礙物。這類錯誤不是系統崩潰，而是“理解錯誤”。

算法安全這一層的目標，就是評估并約束模型在物理世界中的行為安全性，確保錯誤不會轉化為危險動作。

第四層：生態安全，解決“誰來認證、誰來負責”

最上層是生態安全，負責把整套體系變成“行業標準”。

英偉達建立了Halos AI Systems Inspection Lab，并獲得全球首個物理AI領域的ISO/IEC 17020檢測資質。TüV Rheinland、TüV SüD、UL Solutions、SGS、exida、CertX等認證機構均認可其檢測結果。

這意味著機器人公司可以先在英偉達完成預檢，再進入正式認證流程，大幅降低時間和成本。

過去，這一環節是碎片化的：傳感器、控制器、視覺系統各自認證、各自標準，企業需要自己拼裝并重新認證。

而Halos第一次把從芯片、系統、模型到認證的流程，統一進一個體系中。

為什么機器人需要一套“安全系統”？

相信不少朋友在看到這條新聞時，都會冒出一個相似的疑問：

為什么工業機器人已經好好地用了幾十年，英偉達卻偏偏在2026年專門發布一套機器人安全系統？

原因很簡單，因為現在的具身智能機器人正在從實驗室走向真實世界的工業場景。

在過去，工業機械臂被固定在工作站內，動作軌跡提前編程好，人和機器之間由護欄隔離，安全主要依賴物理邊界。

但現在，新一代機器人開始進入工廠、倉庫甚至辦公室，與人類共享同一個空間。

與此同時，驅動它們的也不再是固定規則，而是具身基礎模型、分布式傳感器與實時決策系統。

這帶來的變化是：機器人不再是“確定性執行器”，而變成了“帶不確定性的自主體”。

即便在工廠這種高度結構化的環境中，不同機器人之間的協作、物料流動、產線布局變化，以及對周圍環境的部分不可觀測性，都會不斷引入新的風險變量。

這使得“安全”不再只是機械隔離問題，而變成了系統級問題。

對于安全性之于機器人進工廠的必要性，Agility CEOPeggy Johnson也是表示：

人形機器人要大規模創造價值，安全必須內建在機器人里，并且在整個系統層面得到驗證。這不是可選項，而是人形機器人進入工業流程的前提條件。

英偉達機器人與邊緣AI副總裁Deepu Talla的判斷則更進一步：

如果機器人要規模化部署到工廠、倉庫和物流環境，行業需要一套統一的安全架構。

換句話說。機器人行業今天遇到的問題，和十幾年前自動駕駛很像——模型越來越聰明，但真正決定能不能落地的，往往不是模型本身，而是安全。

而Halos，正是英偉達給出的答案。

英偉達的全棧系統補齊最后一塊拼圖

說到最后，英偉達的機器人全棧布局，其實已經成型了。

如果把這套體系拆開來看，大致可以分成四層：訓練、仿真、模型與推理。

• Isaac Sim負責仿真訓練，讓機器人在虛擬環境中學習如何與世界交互；
• GR00T提供基礎模型，讓機器人理解指令、識別環境并生成動作；
• Cosmos構建世界模型，用來預測物理世界在不同動作下的演化結果；
• Jetson Thor則負責邊緣推理，把這些能力真正運行在機器人本體上。

從訓練到仿真，從模型到部署推理，整條技術鏈路的每一層，都有英偉達的產品在覆蓋。

而現在，Halos補上了最后一塊拼圖：安全與準入。

一旦這套流程走完，機器人幾乎就被完整地嵌入了這條技術棧之中。

如果再更換任何一層（尤其是安全與認證體系），都意味著要重新走一遍驗證流程，時間與成本都會重新沉沒。

于是局面也變得很明朗：英偉達不造機器人，但它已經在從硅片到仿真、從模型到安全認證的每一層留下自己的接口。

這不只是“幫你造好機器人”，更像是在定義——

機器人該怎么被造出來。

參考鏈接[1]https://nvidianews.nvidia.com/news/nvidia-announces-halos-for-robotics-the-industrys-first-full-stack-safety-system-for-physical-ai

[2]https://www.nvidia.com/en-us/ai-trust-center/halos/robotics/

[3]https://developer.nvidia.com/blog/inside-nvidia-halos-for-robotics-a-full-stack-functional-safety-system-for-physical-ai/