Všichni se soustředí na to, kdo vytvoří nejefektnější humanoidní demo. Jim Fan vám právě řekl skutečný závod: kdo dokáže vygenerovat dostatek syntetických fyzikálních dat k uzavření 100 000leté mezery. To číslo není nadsázka. Ken Goldberg z Berkeley vypočítal, že textová data použitá k trénování LLM by trvala člověku 100 000 let. Roboti nemají téměř žádný přístup k tomu ekvivalentu pro fyzickou manipulaci. Každý úchop, každé zakopnutí, každý přesun váhy je třeba se naučit od začátku nebo simulovat. Proto laboratoř Fan's Lab vydává tři modely během devíti měsíců (N1 v březnu, N1.5 v červnu, N1.6 v prosinci), zatímco většina robotických firem stále sbírá reálné ukázky. NVIDIA nesoutěží jen hardwarem. Soutěží o schopnost generovat neomezená syntetická tréninková data přes Omniverse. Stack GR00T odhaluje strategii: GR00T Dreams generuje syntetická video data. GR00T-Gen vytváří simulační prostředí. GR00T-Mimic generuje trajektorie. Každá složka existuje proto, aby vyráběla fyzikální data, která na internetu neexistují. Fanovo "Fyzikální Turingovo testování" je přesné. Postavíme systémy, které dokážou uvažovat o proteinech a dokazovat věty, než postavíme systémy, které spolehlivě skládají prádlo. Physical Intelligence to ukázali minulý týden, když se pustili do úkolů Benjieho Holsona "Robot Olympics". Jejich model získal zlaté medaile ve 3 z 5 kategorií. Ale všimněte si, co nedokázali vyřešit: úkoly vyžadující použití nástrojů s konkrétními fyzikálními vlastnostmi. Hranice není rozum. Je to kontaktní dynamika. OpenAI a Anthropic škálují tím, že využívají internet. Fyzická AI nemá internet, který by mohla sbírat. Tým, který vyhraje, je ten, kdo přijde na to, jak vyrobit 100 milionů hodin fyzikálních zkušeností v simulaci a přenést je do reálného světa. NVIDIA se svou grafickou DNA, simulační infrastrukturou a 30členným týmem, který systematicky opensourcuje základní modely, může být lépe připravena na to, aby toho dosáhla.