Three domains of physical AI
The models cover tasks that have long been tough for robots and self-driving systems. One model focuses on grasping — the ability for a robot arm to pick up unfamiliar objects without crushing them or dropping them. Another is built for autonomous driving, handling perception and decision-making in traffic. The third targets virtual agents, which companies train in simulated worlds before letting them loose in real settings.
Translation:سه حوزه هوش مصنوعی فیزیکی
این مدلها وظایفی را پوشش میدهند که مدتها برای رباتها و سیستمهای خودران دشوار بوده است. یک مدل بر گرفتن اشیاء تمرکز دارد - توانایی بازوی ربات برای برداشتن اشیاء ناآشنا بدون له کردن یا انداختن آنها. مدل دیگر برای رانندگی خودران ساخته شده است که درک و تصمیمگیری در ترافیک را مدیریت میکند. مدل سوم عوامل مجازی را هدف قرار میدهد که شرکتها آنها را در جهانهای شبیهسازیشده آموزش میدهند قبل از اینکه در محیطهای واقعی رها شوند.
Original:NVIDIA didn't release detailed performance benchmarks, but the announcement signals it sees these three areas as the main bottlenecks for physical AI. The company has been investing heavily in robotics chips, simulation platforms like Isaac Sim, and in-car compute systems. These models tie those hardware efforts to a software layer.
Translation:انویدیا معیارهای عملکرد دقیقی منتشر نکرد، اما این اعلامیه نشان میدهد که این سه حوزه را تنگناهای اصلی هوش مصنوعی فیزیکی میداند. این شرکت سرمایهگذاری زیادی روی تراشههای رباتیک، پلتفرمهای شبیهسازی مانند Isaac Sim و سیستمهای محاسباتی داخل خودرو کرده است. این مدلها تلاشهای سختافزاری را به یک لایه نرمافزاری متصل میکنند.
Original:Why scaling matters
Training a robot to pick up a water bottle is one thing. Teaching it to pick up any bottle — regardless of shape, lighting, or angle — at a speed that a warehouse needs is another. The same goes for a self-driving car that has to handle a snowy night in Detroit or a chaotic intersection in Mumbai. NVIDIA's pitch is that its new models can scale across those variations without retraining from scratch.
Translation:چرا مقیاسپذیری مهم است
آموزش یک ربات برای برداشتن یک بطری آب یک چیز است. آموزش آن برای برداشتن هر بطری - صرف نظر از شکل، نور یا زاویه - با سرعتی که یک انبار نیاز دارد، چیز دیگری است. همین طور برای یک خودروی خودران که باید یک شب برفی در دیترویت یا یک تقاطع شلوغ در بمبئی را مدیریت کند. استدلال انویدیا این است که مدلهای جدید آن میتوانند در این تغییرات بدون نیاز به آموزش مجدد از ابتدا مقیاسپذیر شوند.
Original:The virtual agent model is aimed at companies building digital twins or training AI assistants. Instead of scripting every interaction, the model lets the agent learn by doing inside a simulated environment. That approach has become popular in logistics and gaming, but NVIDIA wants to push it into manufacturing and healthcare.
Translation:مدل عامل مجازی برای شرکتهایی در نظر گرفته شده است که دوقلوهای دیجیتال میسازند یا دستیاران هوش مصنوعی را آموزش میدهند. به جای اسکریپتنویسی هر تعامل، این مدل به عامل اجازه میدهد با انجام دادن در یک محیط شبیهسازیشده یاد بگیرد. این رویکرد در لجستیک و بازیها محبوب شده است، اما انویدیا میخواهد آن را به تولید و مراقبتهای بهداشتی گسترش دهد.
Original:A conference focused on vision
CVPR — the Conference on Computer Vision and Pattern Recognition — is the biggest annual gathering for computer vision researchers. It's a natural venue for NVIDIA to present work on perception and control. The company has been a regular at the event, often using it to debut hardware or open-source tools. This year, the emphasis was on models that bridge the gap between seeing and doing.
Translation:کنفرانسی متمرکز بر بینایی
CVPR - کنفرانس بینایی کامپیوتر و تشخیص الگو - بزرگترین گردهمایی سالانه محققان بینایی کامپیوتر است. این مکان طبیعی برای انویدیا برای ارائه کار در زمینه ادراک و کنترل است. این شرکت حضور منظمی در این رویداد داشته است و اغلب از آن برای رونمایی از سختافزار یا ابزارهای منبعباز استفاده میکند. امسال، تأکید بر مدلهایی بود که شکاف بین دیدن و انجام دادن را پر میکنند.
Original:The announcement didn't include a specific release date for the models or mention any pilot customers. NVIDIA typically makes its AI models available through its developer platforms or as pre-trained weights for researchers. Those details may emerge in the coming weeks as conference sessions continue.
Translation:این اعلامیه شامل تاریخ انتشار مشخصی برای مدلها نبود و به مشتریان آزمایشی اشارهای نکرد. انویدیا معمولاً مدلهای هوش مصنوعی خود را از طریق پلتفرمهای توسعهدهندگان خود یا به صورت وزنهای از پیش آموزشدیده برای محققان در دسترس
