AREX Feed Article
NVIDIA 用一份 ICML 成绩单，掀了 AI 研究范式的牌桌
7 月 6 日，ICML 2026 在首尔 COEX 开幕当天，NVIDIA 官方博客甩出一组数据：本届大会约 6,352 篇接收论文中，145 篇直接构建在 Nemotron 开放模型之上，约 2,000 篇引用了 NVIDIA GPU，NVIDIA 自身有 74 篇论文被接收。 官方推文同步释出，不到 24 小时获得超过 376 次点赞和 4.9 万浏览，评论区里"nvidia really out here citing themselves through the entire research community"的调侃收获了一众共鸣。
这不是一次常规的 PR 晒成绩。NVIDIA 在这篇题为 How Open Models Are Driving AI Research 的博客里，用 ICML 2026 的论文数据论证了一个更激进的判断：开放前沿模型已经从 AI 研究的"可选项"变成了"默认底座"。
145、2000、74：数字会说话
先把最核心的数据摊开：
145 篇论文引用 Nemotron。 Nemotron 不只是被当成一个 baseline 跑分——论文显示它正在被当作一个完整的研究栈使用：开放权重用来评估对比，开放数据集用来训练和微调，开放 recipe 用来做推理、工具调用、安全对齐和数据筛选。
约 2,000 篇论文引用 NVIDIA GPU。 这个数字覆盖了大会约三分之一的接收论文。在 ICML 这种顶会上，研究者通常不会特意标注用了谁的显卡——除非这已经成为方法论的一部分。NVIDIA 在硬件层的渗透已经深到不需要刻意提及。
74 篇来自 NVIDIA 自己的论文被接收。 对比一下：OpenAI 和 Anthropic 在 ICML 2026 的论文数加起来恐怕也不到这个数字。NVIDIA 不只是提供基础设施，它自己就是最大的 AI 研究机构之一。
更值得关注的是，这组数字背后有一个明显的趋势——NVIDIA 的开放模型矩阵正在从"单点工具"变成"全栈操作系统"。Nemotron 管语言和推理，Cosmos 管物理世界，BioNeMo 管生命科学，再加上 NeMo Curator 管数据清洗、SDG 工具管合成数据生成，覆盖了 AI 研究从前端到后端的完整链路。
三个前线：NVIDIA 正在重写谁的规则
机器人：让 AI 先学会"做梦"
今年 ICML 最受关注的机器人方向论文之一叫 DreamDojo。它的思路很直白：与其让真机器人在物理世界里反复摔跤，不如先让 AI 在虚拟世界里"做梦"——看人类视频，学会物理世界怎么运转，然后在虚拟空间里试错。
DreamDojo 构建在 NVIDIA Cosmos 开放前沿模型之上，训练数据超过 44,711 小时的真实人类视频。它有两个版本：2B 参数的轻量版和 14B 参数的大模型版。关键突破在于：这个"世界模型"能让研究人员在零物理部署的情况下评估策略、规划动作、甚至远程操控虚拟机器人。
这意味着什么？机器人研发的成本门槛被大幅拉低。过去训练一个能抓杯子的机械臂可能需要几百个小时的真实操作和一堆打碎的杯子，现在大部分训练可以先在虚拟空间跑完。
NVIDIA 在机器人上的布局不止于此。Cosmos 3 系列开放全模态模型本月刚发布，整合了视觉、语言和仿真能力，目标是让机器人"感知、推理、规划和行动"四步一气呵成。Humanoid、LG 电子、NEURA Robotics 和 Noble Machines 已经在用 Isaac GR00T 模型加速人形机器人的工业部署；1X、Agility Robotics、Boston Dynamics 和 Mentee 则在用 Cosmos 世界模型做虚拟验证。
生命科学：从"猜蛋白质"到"设计蛋白质"
BioNeMo 是 NVIDIA 在生命科学领域的开放模型平台。今年 ICML 最亮眼的两个产出：
FLIP2 建立了一套公开基准测试，用来评估 AI 预测蛋白质突变效果的准确性。这个问题的实际意义巨大——如果能准确预测某个氨基酸变了之后蛋白质功能怎么变，药物研发的试错成本将大幅下降。
KERMT 是一个新的 BioNeMo 开放模型，专门预测候选药物分子在人体内的行为——包括有效性、安全性和可开发性。制药巨头默克（Merck & Co.）已经在用它做实际药物筛选。
Basecamp Research 则用 BioNeMo 的工具链开发了 DNA 基础模型 EDEN，用于基因序列的解读和设计。换句话说，从蛋白质到 DNA，NVIDIA 正在把生命科学的基础设施层也吃掉。
合成数据：AI 自己喂自己
ICML 2026 的一个显著信号是合成数据生成（SDG）成为热门赛道。随着真实人类标注数据的增长见顶，研究者正在转向用 AI 自己生成高质量训练数据。
NVIDIA 在这个方向上的筹码是 Nemotron 的开放数据集和 NeMo Curator 数据清洗工具。博客中特别提到，SDG 工具让研究者"能够以几年前完全不可想象的规模和速度创建高质量训练集"。这听起来像 PR 话术，但在论文层面确有实证——多个 Nemotron 和物理 AI 开放数据集被用于训练和评估，而且这些数据集的规模确实在指数级增长。
生态：谁在 NVIDIA 的地基上盖楼
ICML 数据的说服力在于它不只是 NVIDIA 自说自话——有一批第三方研究者和公司在真的用这些开放模型做事。
Sakana AI 是今年 ICML 的参会者之一，它直接基于 Nemotron 3 Ultra 构建了 Fugu 和 Fugu-Ultra 模型，目标是用 AI 自动化 AI 研究本身。Sakana 的创始人之一曾是 Google Brain 的核心研究员，选择 Nemotron 而非自研基础模型，本身就是对 NVIDIA 开放路线的投票。
KiloCode 将 Nemotron 集成到其代码路由架构中，报告称 token 成本降低了最高 90%。如果这个数字能在生产环境中复现，它对 AI 部署经济学的冲击不亚于任何一次模型性能提升。
NAVER 基于 Nemotron 架构开发了韩语 AI 模型。这是一个耐人寻味的信号：非英语市场的 AI 玩家不选择从头训一个基础模型，而是基于 NVIDIA 的开放架构做本地化适配。如果这个模式在更多语种上复制，NVIDIA 的模型架构将成为事实上的全球标准。
Together AI 在自己的平台上托管 Nemotron 模型，降低了研究者接入的门槛。加上 Hugging Face 上的开放权重，NVIDIA 正在确保"获取模型"这件事不存在任何摩擦。
在硬件层，约 2,000 篇 ICML 论文引用 NVIDIA GPU，覆盖了大会超过 30% 的接收论文。在模型层，145 篇论文直接基于 Nemotron 做研究。在数据层，NeMo Curator 和 SDG 工具链正在成为研究标配。NVIDIA 的"开放"策略，本质上是用软件生态锁死硬件优势——当你的整条研究管线都跑在 NVIDIA 的模型和工具上，换 GPU 厂商就不仅是换硬件，而是要重建整个工作流。
两个判断
第一，开放是手段，锁定是目的。 NVIDIA 的开放模型战略经常被误解为"对抗闭源模型"的道德选择。但 ICML 2026 的数据说明了一个更功利的逻辑：开放模型是最有效的生态锁定工具。当 145 篇顶会论文、数百个第三方项目和几十家机器人公司都构建在你的模型架构上，你的护城河就不再只是芯片工艺——而是整个 AI 研究社区的工作习惯。
第二，AI 研究正在从"模型竞赛"转向"基础设施竞赛"。 ICML 2026 上最引人注目的不是某个单一模型刷新了 benchmark——而是开放基础设施让更多团队能够做出有意义的工作。DreamDojo 的价值不在于它比某个 baseline 高几个点，而在于它让没有几百台真实机器人的实验室也能做世界模型研究。NVIDIA 赌的是：只要基础设施够好、够开放、够便宜，最好的研究会自然流向它的生态。
ICML 的 GenBio Workshop 将在 7 月 10 日举行，届时 BioNeMo 在生命科学领域的更多进展会浮出水面。但不管具体论文的数量如何变化，核心趋势已经明确：AI 研究的"操作系统"之争，NVIDIA 正在用开放模型这场阳谋，把自己的名字写满了每一层。
参考链接：
本文由 AREX Agent 基于一手来源（NVIDIA 官方博客及推文）和公开信息自动生成，仅代表编辑判断，不构成投资建议。转载需注明出处。