NVIDIA 在芝加哥 Automate 2026 大會上發布了 Halos for Robotics，這是一套涵蓋晶片、感測器、作業系統到安全認證的全棧機器人安全系統。該系統整合了 NVIDIA 在自動駕駛領域超過 18600 工程人年的安全積累和 700 萬行程式碼驗證，為自主機器人提供統一的安全架構。目前已有 Agility、波士頓動力、禾賽科技等 43 家合作夥伴加入生態，Agility 已將 Halos 整合至 Digit 機器人中，並在亞馬遜等工廠投入應用。Halos 的發布標誌著 NVIDIA 完成了從訓練、模擬、模型到安全認證的機器人全棧佈局最後一塊拼圖。

文章作者、來源：量子位

NVIDIA 不製造機器人，但要協助具身企業打造優質機器人（doge）

剛剛，在芝加哥 Automate 2026 大會上，英偉達發布了 Halos for Robotics——

一套涵蓋晶片、感測器、作業系統到安全認證的全棧機器人安全系統。

Halos 的最大特點，是將英偉達過去在自動駕駛領域超過 18600 工程人年的安全積累和 700 萬行經過驗證的代碼，遷移至機器人領域，為自主機器人提供統一的安全架構。

有了它，機器人公司無需從零開始造輪子，直接接入即可使用。更關鍵的是，Halos 的核心安全框架已開源，向行業開放。

可以說，如果特斯拉在具身智能領域走的是 iOS 路線，自行研發機器人並自主保障安全，那麼英偉達選擇的則是安卓路線，將安全平台開放給所有人。

值得一提的是，目前已有不少公司加入 Halos 生態，成為首批合作夥伴，包括人形機器人公司 Agility、波士頓動力、雷射雷達廠商禾賽科技、安全機器人公司 FORT Robotics 等，整體生態已擴展至 43 家以上。

其中，Agility 已率先吃上「螃蟹」，將 Halos 整合進自家的 Digit 機器人，在亞馬遜、GXO、豐田的工廠裡持證上崗。

影片中這名穿著安全背心的機器人，正穿梭於工廠傳送帶之間，承擔搬運和物流等實際工作。

從晶片到軟體，安全管理三層

那這個新的安全系統 Halos 到底是個什麼東西？

根據英偉達官方的架構，Halos 可分為四層，從下到上分別是：平台安全、安全操作系統、算法安全和生態安全。

這四層其實對應的是同一個問題的四個維度——

機器人在現實世界運行時，可能出錯的四個來源：硬體、軟體系統、模型決策，以及外部認證與生態。

首先是平台安全，解決底層硬體不能失控。

NVIDIA 在這一層推出了 IGX Thor，一顆面向機器人與工業場景的 AI 計算平台。

它內部設置了一個獨立的「安全島」，擁有獨立的處理器、I/O、電源和時鐘，與主計算系統物理隔離。

即使主AI系統崩潰、重啟甚至異常運行，安全島仍然可以獨立執行緊急制動等關鍵功能。

這有點像飛機的備用系統，當主系統失效時，備用系統仍然能接管控制。

同一層還有 Holoscan Sensor Bridge，用來解決另一個關鍵問題：感測器異構帶來的延遲與錯配。

機器人通常同時搭載激光雷達、深度相機、IMU、力矩感測器等設備，但這些設備來自不同廠商、運行在不同協議上。

如果數據需要層層排隊處理，就可能在幾十毫秒內錯過安全窗口。

Sensor Bridge 的作用是將所有感測器數據統一接入安全計算域，實現低延遲同步處理，並達到 SIL 2 級安全保證。

第二層：安全作業系統，解決「系統本身會不會出錯」

如果第一層管「硬件不崩」，這一層管的是「系統不亂」。

Halos OS 運行在 IGX Thor 之上，底層為 Halos Core，支援兩種模式：純 Linux，或 Linux + QNX 混合架構。

在後者中，英偉達透過 Hypervisor 將系統拆分成兩個隔離域：Linux 負責 AI 計算與應用，QNX 負責安全關鍵任務。兩者完全隔離運行。

這意味著即使 AI 應用層出現異常，也不會影響安全控制邏輯。這一層相當於在“硬件安全島”之外，再加一層“軟體隔離牆”。

在此之上，是安全應用模組，其中最典型的是 Outside-In Safety Blueprint。

它的思路是：不只讓機器人自己看世界，還引入外部視角。

例如在工廠天花板安裝攝像頭，由獨立AI從第三方視角監控機器人行為。

在具體場景中，自主叉車在拖車內作業時，車載感測器容易誤判空間邊界，導致頻繁急停。

而 Outside-In 系統可以在確認環境安全時允許更高效率運行，一旦有人進入危險區域，再立即接管干預。

This capability is currently available to developers and is provided as open source.

第 3 級：演算法安全，解決「AI 本身會不會判斷錯」

前兩層保證的是「系統可靠」，但機器人真正的風險，其實來自更上層——模型本身。

無論是 VLA（視覺語言動作模型）還是 VLM（視覺語言模型），它們的決策都可能出錯。

例如將紙箱誤判為人，或將人誤判為障礙物。此類錯誤並非系統崩潰，而是「理解錯誤」。

算法安全這一層的目標，就是評估並約束模型在物理世界中的行為安全性，確保錯誤不會轉化為危險動作。

第 4 級：生態安全，解決「誰來認證、誰來負責」

最上層是生態安全，負責把整套體系變成「行業標準」。

英偉達建立了 Halos AI Systems Inspection Lab，並獲得全球首個物理 AI 領域的 ISO/IEC 17020 檢測資質。TÜV Rheinland、TÜV SÜD、UL Solutions、SGS、exida、CertX 等認證機構均認可其檢測結果。

這意味著機器人公司可以先在英偉達完成預檢，再進入正式認證流程，大幅降低時間和成本。

過去，這一環節是碎片化的：感測器、控制器、視覺系統各自認證、各自標準，企業需要自己拼裝並重新認證。

而 Halos 首次將從晶片、系統、模型到認證的流程，統一進一個體系中。

為什麼機器人需要一套「安全系統」？

相信不少朋友在看到這條新聞時，都會冒出一個相似的疑問：

為什麼工業機器人已經好好地用了幾十年，英偉達卻偏偏在 2026 年專門發布一套機器人安全系統？

原因很簡單，因為現在的具身智能機器人正從實驗室走向真實世界的工業場景。

過去，工業機械臂固定在工作站內，動作軌跡提前編程，人與機器之間由護欄隔離，安全主要依賴物理邊界。

But now, a new generation of robots is entering factories, warehouses, and even offices, sharing the same space with humans.

Meanwhile, what drives them is no longer fixed rules, but embodied foundation models, distributed sensors, and real-time decision systems.

這帶來的變化是：機器人不再是「確定性執行器」，而變成了「帶不確定性的自主體」。

Even in highly structured environments such as factories, collaboration between different robots, material flow, changes in production line layout, and partial observability of the surrounding environment continuously introduce new risk variables.

這使得「安全」不再只是機械隔離問題，而變成了系統級問題。

對於安全性之於機器人進工廠的必要性，Agility 執行長 Peggy Johnson 也表示：