诺基亚与上汽通用基于NVIDIA Isaac GR00T Blueprint，成功构建了高保真智能体仿真训练平台，突破了工业场景数据采集成本高、仿真难等技术瓶颈。

工业级具身智能的核心挑战在于高质量训练数据的稀缺性。在真实的汽车制造等复杂工业环境中，实体生产线的调试和训练成本极高——一次失误可能导致整条产线停摆，损失巨大。传统依赖纯真机数据的采集方式不仅成本高昂，还难以覆盖产线上可能出现的各种偏差情况，如零部件位置偏移、光照条件变化、设备偶发故障等不确定性因素。诺基亚打造的AI数据飞轮通过闭环迭代机制，实现真机数据与仿真数据的深度融合。这一飞轮以“数据采集—处理—训练—反馈—迭代”为闭环路径：一方面对接真实机器人采集的碎片化非结构化数据，经预处理后转化为标准化训练样本；另一方面联动Isaac Sim仿真环境，借助高精度物理引擎与数据增强流水线，批量合成可覆盖海量工业场景的仿真数据。虚实融合的训练模式显著降低了对纯真机数据的依赖，形成了“数据规模扩大—模型性能提升—反馈精度优化—数据质量迭代”的正向循环。实践数据显示，该模式使智能体训练速度提升逾10倍，生产效率预计增长30%至50%。

项目采用“仿真—真机”双训练策略，通过Isaac Sim高精度物理引擎1:1还原工业场景，实现虚实双向赋能。在“真机实践”阶段，智能体深入工业现场，采集包含各类现实不确定因素的真实场景数据，为模型建立现实基准。“仿真推演”阶段则依托Isaac Sim的高精度物理引擎，基于真实数据精确还原工业场景，生成海量可控的仿真数据，支持智能体在虚拟环境中开展大规模预训练，快速建立基础任务执行能力。以汽车玻璃底漆涂覆工序为例——该工序涉及挥发性化学物质排放，对作业环境及操作人员健康存在潜在危害——通过虚实融合的联合训练，智能体的任务成功率由60%提升至85%，特定流程的风险作业时间预计缩减30%。模型部署至真实工业现场验证后，形成“虚拟训练筑基、现实数据调优”的持续迭代闭环，泛化能力得到系统性增强。

在运行架构方面，项目采用NVIDIA DGX Spark边缘计算与诺基亚无线组网技术，实现数据不出厂、计算在本地的安全可控部署。这一架构的合理性在于，工业现场产生的传感器数据、视觉信息、操作记录等涉及核心生产工艺，若全部上传至云端处理，既面临网络延迟不可控的风险，也存在数据安全的隐患。通过将算力下沉至工厂边缘节点，同时利用诺基亚的无线组网技术保障连接的低延迟与高可靠，智能体可以在毫秒级响应时间内完成推理与决策，使得依赖实时闭环节的精密操作成为可能。这一架构不仅降低了生产中断的风险，也为大规模工业智能体的部署提供了可复用的基础设施模板。

凭借这一整合前沿技术与自研能力的生成式智能体仿真训练平台，该方案荣获MWC25“创新移动服务与应用奖”以及世界互联网大会“领先科技奖”等多项权威认可。这些奖项的获得不仅验证了技术路线的先进性与可落地性，也标志着物理AI在工业制造领域正从概念验证迈向规模化应用的新阶段。