英伟达在其官方博客中详细介绍了面向机器人出租车的全栈开放平台，并指出目前所有实现商业化规模运营的主要机器人出租车项目，都在使用英伟达的模块化技术栈。该市场被英伟达视为物理AI的首个商业化突破，预计到2035年规模将达到4000亿美元，届时将有超过600万辆商业车辆投入运营。

部署一辆无人驾驶汽车是一回事，将车队规模化则是更高层级的计算挑战——需要在数千辆车上交付同样安全、可靠的性能。英伟达认为，这要求在机器人出租车开发的整个生命周期中投入大量算力，从准备和训练AI模型，到仿真和验证驾驶行为，再到车内的实时处理。为此，英伟达提供了一套开放平台，涵盖AI训练、仿真和安全验证，并配套库、软件开发工具包、工作流和模型，开发者可将其与自有技术栈结合使用。

英伟达将机器人出租车技术栈定义为开发、验证和部署自动驾驶汽车所需的端到端技术集合，其平台将相关能力整合为“三计算机”方案：模型训练计算机、仿真与验证计算机、车载计算机。

在训练环节，驾驶模型可在NVIDIA DGX系统上训练。英伟达的Alpamayo系列开放推理视觉语言动作（VLA）模型、仿真框架和物理AI数据集，为开发者提供可适配自身数据、需求和技术栈的构建模块。其推理模型通过将复杂驾驶场景拆解为更小步骤、逐一推理并选择最安全轨迹，来应对长尾自动驾驶难题。英伟达还提供物理AI数据集、强化学习蓝图以及后训练和蒸馏配方。在一项具有挑战性的自动驾驶评测中，加入元动作和思维链推理数据后，VLA模型的轨迹预测准确率得到提升，最小平均位移误差从2.08降至1.18，降幅达43%。

在仿真与验证环节，机器人出租车项目无法仅靠物理里程来覆盖罕见的长尾驾驶场景。英伟达的Omniverse NuRec模型可从传感器数据重建真实驾驶场景，而Cosmos世界基础模型则生成基于物理的变体，使开发者能将数千个真实极端案例转化为数百万种驾驶行为、交通、天气、光照和传感器条件的组合。这些能力运行在NVIDIA RTX PRO服务器上，支持闭环仿真与验证。AlpaSim仿真框架则扩展了训练和评估基于推理的自动驾驶模型的工作流，帮助开发者在部署前发现弱点。

在车载计算与传感器架构方面，NVIDIA DRIVE Hyperion是面向L4级机器人出租车的模块化车载计算与传感器参考架构。DRIVE Hyperion 10搭载双NVIDIA DRIVE AGX Thor系统级芯片，基于NVIDIA Blackwell平台，并配备14个高清摄像头、9个雷达、3个激光雷达和12个超声波传感器，实现实时360度传感器融合。其冗余计算和传感设计支持在传感器或计算组件失效时仍能继续行驶。双DRIVE AGX Thor旨在运行包括VLA模型在内的现代AI工作负载，用于感知、推理、路径规划和驾驶动作。NVIDIA Halos通过Halos OS提供生产就绪的安全基础，并覆盖从云端到车端的独立检查、系统验证、大规模仿真和持续测试的验证与认证框架。

英伟达的机器人出租车生态覆盖亚洲、欧洲、中东和北美等商业机器人出租车服务正在兴起的地区。移动出行提供商、自动驾驶开发商和汽车制造商正在采用其三计算机架构来训练AI模型、仿真验证驾驶行为并规模化部署自动驾驶车辆。

在具体合作方面，优步正在扩展其搭载NVIDIA DRIVE Hyperion的车队，计划到2028年覆盖28个城市。优步与英伟达还在基于NVIDIA Cosmos构建机器人出租车AI数据工厂，用于整理车队驾驶数据中的罕见场景。双方还与Autobrains、Avride、Lucid、May Mobility、Mercedes-Benz、Momenta、Nissan、Nuro、Pony.ai、Stellantis、Waabi、Wayve、WeRide和Zoox合作，将英伟达赋能的机器人出租车服务引入优步平台。May Mobility计划通过优步网络运营自动驾驶网约车服务，同时在NVIDIA DRIVE平台上开发其软件栈。Bolt利用英伟达技术在欧洲开发和扩展自动驾驶汽车。Lyft计划将NVIDIA DRIVE Hyperion作为未来自动驾驶车队的参考架构。May Mobility的车辆目前也在Lyft位于亚特兰大的网络上运营。

从产业视角看，英伟达正试图将机器人出租车从单一车辆部署推向车队规模化，其开放平台策略意在成为自动驾驶开发者的底层算力与工具底座。随着优步、Lyft等出行平台和多家自动驾驶公司接入，英伟达在物理AI领域的生态卡位进一步清晰，但该市场的商业化节奏仍取决于各地监管进展与运营成本。