NVIDIA gjør fysisk AI til agentarbeid

NVIDIA bruker CVPR i Denver til å flytte AI-agentene nærmere den fysiske verden. Selskapet lanserer nye «physical AI agent skills» for utvikling av autonome kjøretøy, roboter og visuelle AI-systemer. Målet er ikke en ny chatbot. Målet er å automatisere arbeidsflyten rundt simulering, syntetiske data, policy-trening, evaluering og testing.

Det er en viktig forskjell. Mange virksomheter har brukt 2025 og 2026 på å få språkmodeller inn i kontorstøtte, kode og kundedialog. NVIDIA peker på neste fase: agentsystemer som bygger og tester modeller for maskiner som skal handle i fysiske miljøer. Det krever en annen risikoprofil. Feil i en tekstflyt kan gi dårlig beslutningsstøtte. Feil i robotikk, transport eller industri kan gi driftsstans, skader og ansvar.

NVIDIA sier de nye agentferdighetene er bygget rundt Cosmos 3, selskapets åpne frontier-modell for fysisk AI. Den ble presentert tidligere denne uken som et omnimodell-system som samler visuell resonnering, verdensmodellering og handlingsgenerering. Agentferdighetene kobler dette til NVIDIA-biblioteker, Omniverse, Isaac Sim, Isaac Lab og simuleringsrammeverk. Poenget er å la utviklere sette AI-agenter til å gjøre mer av det tunge forarbeidet: rekonstruere scener fra virkelige data, lage nye randtilfeller, kjøre trening, evaluere respons og iterere raskere.

For norske ledere er dette verdt å følge fordi «AI i produksjon» ofte har stoppet ved skjerm, saksgang og rapport. NVIDIA legger nå mer av infrastrukturen for AI i produksjonslinjer, bygg, logistikk, helse, inspeksjon og mobilitet.

Fra demo til testregime

Den mest konkrete delen gjelder autonome kjøretøy. NVIDIA beskriver problemet som «the long tail» i trafikk: sjeldne situasjoner, uvanlig veigeometri, skiftende lys, rare samspill mellom trafikanter og andre randtilfeller som er vanskelige å samle inn ofte nok i virkeligheten.

Med de nye ferdighetene kan AI-agenter bruke flåtedata til å rekonstruere kjørbare 3D-scener. Disse kan endres, varieres og kjøres i simulering. NVIDIA peker på Neural Reconstruction, Omniverse NuRec, InstantNuRec, Harmonizer og HiGS som deler av denne kjeden. AlpaGym, et åpent rammeverk for lukket sløyfe-reinforcement learning, skal koble policy-rulling, simulering og evaluering over tusenvis av GPU-er. OmniDreams skal legge fotorealistiske kamerabilder inn i simuleringsløpet mens policyen handler.

Dette er ikke bare relevant for bilprodusenter. Samme mønster treffer lagerroboter, industriroboter, inspeksjonsdroner og maskiner som må lære i miljøer der ekte testing er dyrt, tregt eller farlig. Spørsmålet for CIO og CTO blir ikke bare hvilken modell som er best. Det blir hvem som eier simuleringsmiljøet, datasettet, evalueringskriteriene og sporbarheten fra test til produksjon.

NVIDIA viser også til Alpamayo 2 Super, en åpen 32 milliarder parameter stor VLA-modell for kjøring. Den skal kunne resonnere, planlegge og handle på tvers av kjøre-stacken. I en annen CVPR-artikkel presenterer NVIDIA Research LCDrive, som bruker komprimerte latente representasjoner i stedet for tekstbasert resonnement. Ifølge selskapet gir det sammenlignbar baneplanlegging med omtrent halvparten av tokenbruken. Det er en nyttig påminnelse: i fysisk AI er latency og edge-maskinvare ikke en detalj. Det er styringskrav.

Syntetiske feil blir styringsverktøy

NVIDIA trekker også frem visuell inspeksjon. Her er flaskehalsen ofte ikke modellen, men datagrunnlaget. Sjeldne feil på materialer, overflater og komponenter finnes ikke i store nok mengder til å trene og teste robust. Nye Metropolis-ferdigheter skal la agenter lage syntetiske avvik, augmentere data og støtte pseudo-merking.

For industribedrifter er dette interessant fordi kvalitetskontroll er et område der AI ofte lover mer enn den leverer. En modell som fungerer på pent sorterte testbilder, kan falle gjennom når lys, vinkel, støv, fukt eller produksjonsvariasjon endres. Agentbasert generering av randtilfeller kan gi bedre testdekning, men den skaper også et nytt kontrollspørsmål: Hvem validerer at de syntetiske feilene faktisk ligner produksjonsrisikoen?

Dette bør inn i AI-governance, ikke ligge igjen som et teknisk eksperiment i en pilot. Når syntetiske data brukes til opplæring og akseptansetesting, må virksomheten vite hvilke scenarier som er generert, hvilke antakelser som ligger bak, og hvilke feilklasser som fortsatt mangler. Ellers bytter man bare gammelt dataproblem mot ny modellblindhet.

Robotikk får agent-arbeidsbenk

På robotikksiden peker NVIDIA på Isaac Sim 6.0, Isaac Lab og Omniverse-biblioteker som mer agentvennlige. Agentene skal kunne starte simuleringer, bygge scener, styre miljøer, hente data, validere oppsett, kjøre reinforcement learning og støtte sim-to-real-arbeid. Det er i praksis en arbeidsbenk for robotutvikling.

Selskapet nevner også helserobotikk, der Cosmos-H-Surgical-Simulator skal lage realistiske kirurgiske robotdata basert på reelle kirurgiske data fremfor håndkodede fysikkmodeller. Det er et godt eksempel på hvorfor dette feltet trenger strengere governance enn vanlig kontor-AI. Modell, data, simulering og fysisk handling glir sammen. Da holder det ikke med en policy som sier at ansatte skal «bruke sunn fornuft».

NVIDIA oppgir at Physical AI Dataset har passert 15 millioner nedlastinger på Hugging Face, og at nye datasett dekker humanoid-objekt-interaksjon, robotikk, fysikk, digitale mennesker, autonom kjøring, lagersikkerhet og romlig resonnering. Verktøyene og ferdighetene skal være tilgjengelige via GitHub, og enkelte syntetiske data-verktøy kan prøves via NVIDIA Brev på H100-GPU-er.

Hva dette betyr for norske virksomheter

Den korte vurderingen: fysisk AI er i ferd med å få samme plattformlogikk som programvareutvikling. Først kom modellene. Nå kommer agentene, simulatorene, datasettbutikkene, evalueringsløpene og skyregningen.

For norske ledergrupper er det tre praktiske konsekvenser.

For det første må AI-strategien utvides fra språkmodeller til operasjonell AI. Hvis virksomheten driver med bygg, energi, transport, vareflyt, produksjon, helse eller eiendom, blir spørsmålet hvordan AI skal testes før den påvirker fysisk drift.

For det andre må CISO og risikoeier inn tidligere. En agent som lager syntetiske testdata, endrer simuleringsparametere eller justerer robotpolicyer, er ikke bare et utviklerverktøy. Den påvirker kvalitet, sikkerhet og ansvar. Logging, tilgangsstyring, modellversjoner og godkjenningsløp må designes fra start.

For det tredje må innkjøp og arkitektur se på avhengighet. NVIDIA bygger en stadig tettere stack fra GPU til modell, simulering, datasett og agentverktøy. Det kan gi fart. Det kan også gi låsing. Norske virksomheter bør kreve eksportmuligheter, sporbarhet og tydelige grenser mellom egne data, leverandørens verktøy og genererte scenarier.

Dette er ikke en sak om roboter som plutselig tar over lageret. Det er mer jordnært, og derfor viktigere: AI-agentene flytter inn i testbenken for fysisk drift. Den som styrer testbenken, styrer mye av fremtidens produksjonsrisiko.

Kilder og medier

Primærkilde: NVIDIA Blog, «NVIDIA Enables the Next Era Of Physical AI Research With Agent Skills For Autonomous Vehicles, Robotics And Vision AI», publisert 3. juni 2026: https://blogs.nvidia.com/blog/cvpr-physical-ai-research-agent-skills/

Supplerende NVIDIA-kilde: «NVIDIA Research Unlocks Advanced Grasping, Smarter Autonomous Driving and Agent Training at Scale», publisert 3. juni 2026: https://blogs.nvidia.com/blog/cvpr-research-grasping-driving-agent-training/

Thumbnail: OpenAI Image 2 / hogby.ai