【国际动态】英伟达携手思灵推出Agile ONE SN：融合Jetson Thor与GR00T，2027年初上市

人形机器人研发正在从单一硬件竞争，转向机器人本体、AI模型、算力平台与仿真工具的系统化竞争。

当地时间2026年10月21日，在德国柏林举行的GTC大会上，英伟达宣布扩展Isaac开放机器人开发平台。德国机器人企业思灵机器人（Agile Robots）同步推出人形机器人参考平台 Agile ONE SN，整合英伟达Isaac GR00T机器人开发平台与Jetson Thor边缘计算系统，计划于2027年初推出。

这款产品主要面向机器人研究人员和开发者，目标是降低人形机器人从模型训练、仿真验证到实体部署的开发门槛。

一、1.4米高，搭载Jetson Thor计算平台

Agile ONE SN采用思灵Agile ONE S人形机器人本体，整合了多种感知、运动控制与灵巧操作组件。

根据英伟达公布的技术参数，该平台主要配置如下：

机器人配备头部和腕部摄像头、激光雷达及惯性测量单元，用于感知周围环境、识别目标并支持与外部环境交互。

双手均采用五指灵巧手设计，具备触觉感知和精细力控制能力，适合开展物体抓取、工具操作及复杂操作技能的研究。

Jetson Thor则承担机器人本体上的AI计算任务，为模型推理、实时控制和复杂任务执行提供算力支持。

二、接入Isaac GR00T，打通机器人开发流程

Agile ONE SN的一项重要特点，是将机器人硬件与英伟达的软件和开发工具整合在同一套参考平台中。

传统机器人研发往往需要分别配置硬件驱动、仿真环境、训练框架、模型部署工具和控制系统。不同组件之间的适配工作，可能耗费研究团队大量时间。

此次推出的Agile ONE SN预配置了英伟达Isaac GR00T平台，覆盖机器人技能开发、训练、评估和部署等环节。

通过整合相关工具和工作流程，思灵机器人表示，可以将开发环境的前期配置时间从数周缩短至数天。

这并不意味着机器人已经掌握所有操作技能，而是让研发团队能够更快进入模型训练、技能验证和实际应用开发阶段。

对于高校实验室、机器人初创企业和工业研发机构而言，减少底层系统集成工作，有助于把更多精力投入到算法、操作技能和实际任务上。

三、英伟达正在构建机器人开发生态

Agile ONE SN并非一款孤立的机器人产品，而是英伟达Isaac开放机器人平台持续扩展的一部分。

在此次GTC柏林大会上，英伟达还公布了多项机器人开发技术更新，包括：

• Isaac Lab 3.0： 面向机器人学习与训练，支持多GPU训练工作流。
• Isaac OS： 用于连接AI模型、传感器、控制系统和机器人硬件，支持机器人应用开发与部署。
• SimReady Central Library： 提供超过2000项可用于仿真的机器人和工厂资产。
• Human 1M数据集： 包含多种人类活动、同步三视角视频和三维手部追踪数据，可用于机器人学习与动作理解。

这些工具覆盖数据生成、仿真训练、模型评估和实体部署等环节。

英伟达希望通过硬件计算平台、基础模型、仿真工具和开发框架的协同，降低机器人研发的复杂度，让更多企业和研究机构能够参与通用机器人开发。

其竞争重点不仅是提供一颗高性能芯片，而是建立从训练到部署的完整技术体系。

四、面向科研机构，计划2027年初推出

Agile ONE SN首先瞄准机器人研究与开发市场，而非直接面向普通消费者。

斯坦福大学、苏黎世联邦理工学院等研究机构已对该平台表示兴趣。对于这些机构而言，一套预先集成硬件、计算平台和开发工具的参考机器人，可以减少搭建实验系统所需的时间。

据路透社报道，思灵机器人还计划在2027年与英伟达合作生产最多2000台相关人形机器人，目标客户包括大学和企业研究实验室。

需要区分的是，2027年初是Agile ONE SN计划推出的时间，并不等于届时已经实现大规模商业部署。产品供应节奏、实际交付数量和客户应用效果，仍有待后续验证。

五、人形机器人竞争，正在转向软硬件一体化

过去，人形机器人研发的主要难点之一，是硬件、控制系统和AI模型之间的协同。即使拥有性能不错的机器人本体，研究人员仍可能需要投入大量时间，才能让它完成特定任务。

Agile ONE SN尝试通过预集成的方式解决这一问题：思灵提供机器人本体和灵巧操作能力，英伟达提供计算平台、机器人模型及开发工具，研究团队则在此基础上开发具体技能。

这种模式有望缩短研发周期，也可能让机器人硬件逐步形成类似计算平台的开发生态。

不过，参考平台并不等于通用能力已经成熟。机器人能否在复杂环境中稳定工作，仍取决于感知准确性、操作成功率、安全性、任务泛化能力和长期运行可靠性。

随着英伟达不断完善Isaac生态，机器人产业的竞争正在从单纯比拼本体参数，进一步转向算力、模型、数据、仿真和硬件的综合协同。谁能让研发人员更快训练出可用技能，并将其可靠地部署到真实环境中，谁就更有机会推动人形机器人从实验室走向规模化应用。