在亚洲最大的IT展会Computex上，老黄介绍了Nvidia新推出的“Isaac Initiative”（以撒计划），该计划旨在为机器人提供高保真、高精度、高性能的模拟环境。 众所周知，机器人模拟意义重大，有了它，工作人员无需为系统测试创建物理环境，这大大节约了时间和精力。

神经网络由一组输入和输出组成，其间含有隐藏层；深层神经网络则包含有多个隐藏层

近年来机器人的进步大家有目共睹，从协作机器人到自动驾驶汽车，人工智能（AI）和机器学习（ML）等概念被逐渐引入机器人系统。

当前，一个机器人/AI行业的热点话题是深层神经网络（DNN）。在传统机器学习模式下，机器人通过数据集模拟训练可以习得图像识别等技能，而在DNN算法下，机器人的识别率会获得显著提升，它同样需要在数据集中进行训练，因此机器人模拟至关重要。

机器人模拟需要环境和软件支持。目前市面上的开源平台（机器人仿真软件类）其实有很多，如Gazebo，它能使用许多高性能物理引擎，如ODE、Bullet、Simbody和DART。但Nvidia选择了虚幻4（引擎）和PhysX物理引擎的增强版本。

选择它们是因为它们能保障模拟环境的真实性和高性能。机器人模拟对环境的要求很高，在Nvidia创建的机器人打曲棍球的环境中，球棍与球、球与球门之间的碰撞精度远超游戏。

此外，Nvidia还为机器人量身打造了Jetson Robotic参考平台，该平台基于Jetson TX2的软件堆栈技术，能提供模块化的构件块，帮助研究人员提高创建原型和仿真环境的效率。

虚拟模拟环境的搭建看起来并不简单，为什么包括Nvidia在内的企业对此充满热情？其实这也是无奈之举。

在真实的物理环境下，机器人训练耗时久、风险大。以工业机器人为例，一般一个分拣机器人被正式安装到流水线上前需要进行2—3个月的“集训”。不久前，伯克利大学研发的分拣机器人依靠机器人模拟，将训练时间缩短到了1天。而DNN的效率会更高。

如上图所示，在有足够算力的情况下，“以撒”可同时运行多次多种模拟，这大大提高了机器人的“学习”效率，把耗时尽可能降到最低。“以撒”还可以对接到OpenAI Gym，这是一款研发和比较强化学习算法的工具包，含有一个供开发者训练的工具集。

“以撒计划”刚刚起步，未来它可能会实现模拟虚拟环境和现实环境中机器人与人的交互，给VR技术带来新思路。“以撒”的命名让人浮想联翩，至于它能否逃离被妈妈“献祭”的命运，我们拭目以待。