物理AI火了，我的一些新思考

物理AI是AI发展的终极模式，它不仅需要理解人的指令，还要理解物理世界的所有规律。

最近有个词在圈子里传得很热，叫“物理AI”。

这个词其实在去年初的拉斯维加斯CES展会上，就被黄仁勋演讲时反复念叨了十多遍，但直到今年，“Physical AI”才迎来了真正意义上的爆发。

那么，“物理AI”究竟是什么？

前两天我看到一段机器人浇花的视频，机器人先走到水龙头前，拧开阀门，把水壶灌满，然后转身走到花盆边，调整角度，把水均匀地浇进去，壶嘴没有撞到花盆边缘，水也没有洒出来。

让一台机器理解“端一杯水”，它得知道杯子是圆柱形的，得算出该用多大的力捏住才不会滑也不会碎，得明白水是液体、晃动会洒出来，得在行走过程中实时调整手臂角度来抵消身体的起伏。

这些东西，人类三岁小孩凭直觉就能做到。但对AI来说，这是一个巨大的跨越。过去十年，AI学会了看、学会了听、学会了说话、学会了画图，但它始终困在屏幕里。物理AI要做的事情，就是把这个聪明的大脑，装进一个能在真实世界里跑、跳、抓、放的躯体里。

说白了，物理AI就是让AI理解并作用于物理世界。它不再只是处理文字和图片，而是要在重力、摩擦力、惯性都起作用的环境里，做出正确的动作。

一个很少被国内讨论的事实是，“Physical AI”这个提法并非出自某个芯片巨头的公关部门。这个概念最早见于2020年的一篇论文，发表在《Nature Machine Intelligence》上。文中第一次系统定义了Physical AI：

一类能够执行通常与智能生物体相关联任务的实体系统，核心在于把物理规律深度整合进人工智能系统，让机器不再是“物理盲”，能够完成从感知到行动的闭环。

从2020年学术圈的一声枪响，到2026年产业界全面接棒，中间隔了整整六年。这六年里，传感器成本降低了几个量级，端侧AI算力从理论走向工程化，机器人本体的可靠性和量产能力也悄悄走到了临界点——这些才是物理AI从论文走向产线的隐性推力。

从演示到干活

如果说2023年的大语言模型让AI学会了聊天，那2026年物理AI的关键词只有一个：干活。

事情的变化是肉眼可见的。

去年这个时候，机器人公司出来秀肌肉的方式还是拍Demo视频，设定好场景，反复排练，一镜到底。好看是好看，但你不知道它拍了多少遍。

而今年，玩法完全不同了。今年智元机器人在南昌的一条3C产线上做了一件事：把机器人扔进真实工厂，连续干了几个小时的活，全程直播。没有预设剧本，没有限定场景，就是工人日常面对的那条产线。几十万人次在线围观。

一个月后，智元在香港宣布人形机器人实现万台量产。从实验室里的一台原型机，到工厂产线上的一万台，这个坎翻过去，性质就变了。

智元的路线很有意思，大多数机器人创业公司聚焦在某个环节上，做本体的只管本体，做大模型的只管大模型，做灵巧手的只管手。智元选了另一条路：全栈都做，同时布局本体制造、AI模型、灵巧操作和数据采集四个方向，还投资了60多家产业链上下游公司。

这么做的代价也很直观，母公司员工一千多人，到今年底预计进一步突破人，光薪资一年就是十几到二十个亿。这条路烧钱，但一旦跑通，壁垒也最深。

智元创始人邓泰华提过一个叫“XYZ曲线”的分析框架。他说具身智能的发展分三个阶段：X是开发尝鲜期，大家还在玩Demo；Y是部署成长期，机器人开始真正进产线干活；Z是终局的智能涌现期。

他给2026年的定性是：“部署态元年，正式从‘能动’走向‘会干’”。“能动”和“能干”，差一个字，但差的是整个产业的成年礼。

海外也在冲刺，太平洋对岸的节奏一点不慢。

美国人形机器人公司Figure AI是这条赛道上一个绕不开的名字。去年9月，他们完成了一轮超过10亿美元的融资，估值干到了390亿美元，在那会儿是全球估值最高的人形机器人公司。

一个月后发布了新一代产品Figure 03，1米68的身高，差不多60公斤重，演示了浇花、端菜、叠衣服这些家务活。创始人Brett Adcock特意在社交媒体上补了一句：所有动作都是机器人自主完成的，没有人在背后遥控。

技术上值得留意的是，Figure做了一次重大的路线调整，终止了和OpenAI的合作，全面转向自研的神经网络系统Helix。

这套系统模仿人类认知做成了三层结构，最底层管平衡和本能反应，中间层把大脑指令翻译成每秒200次的电机控制，最高层是逻辑大脑，负责理解场景和做决策。这个“本能-反射-思考”的三层架构，思路挺巧妙的，相当于给机器人装了一个不会宕机的神经系统。

还有件事值得一提。今年英伟达在GTC大会上宣布了一个动作：和全球四大工业机器人巨头，ABB、库卡、安川、发那科，达成了深度合作。全球已经安装在产线上的超过200万台工业机器人，以后可以通过英伟达的仿真平台做虚拟调试和AI训练。

这四家公司加一块占了全球工业机器人市场超过一半的份额。接下来十年，这些机器人都会面临一轮从“传统编程”到“AI驱动”的升级换代。未来哪个软件平台能嵌进这个进程，就相当于拿到了下一代工业自动化的“操作系统”层。英伟达显然不想错过这张船票。

供应链的跨界抢跑

还有一个有意思的现象：汽车供应链企业正在成规模地涌进物理AI赛道。

今年北京车展上，安波福、法雷奥、地平线、千寻位置这些老牌汽车供应商，扎堆展示了机器人相关方案。当时不少业内人士都认识到，具身智能感知和汽车智驾的感知是一样的，汽车的解决方案可以直接用到人形机器人上。

仔细一想确实如此。汽车智能驾驶系统本质上就是一个“移动机器人”的感知-决策-执行闭环，其中的视觉感知、路径规划、实时控制三大模块，与传统工业机器人和人形机器人在技术架构上高度同源。

汽车供应商手中的摄像头、雷达、线控底盘和实时操作系统，稍加适配就能迁移到机器人领域。从这个意义上说，汽车产业过去十年在智能化上烧的上千亿研发费用，正在以“技术溢出”的方式流进物理AI赛道。

这或许能解释为什么中国的机器人公司能这么快冲进量产阶段。制造能力和供应链管理不是凭空长出来的，很多是现成的。那些已经在汽车产线上磨合了十几年的零部件供应商，现在换了个新战场。

国外有现成的案例，就拿特斯拉来说，它的第一代人形机器人Optimus也在加速入场。此前特斯拉在2026年第一季度财报电话会议上明确宣布，公司将向“以AI、自动驾驶出租车和人形机器人为核心的未来转型”，第一代机器人生产线将下线100万台产能，并取代现有Model S和Model X的生产线。

100万台的数字放到今天的语境里可能显得夸张，但特斯拉的逻辑是清楚的：它要把汽车制造领域积累的大规模生产能力和供应链管理经验，直接复制到人形机器人领域。

马斯克要的不是一台“能动的机器人”，而是一台能在工厂里和人类协同作业的“量产工具”。这条路一旦走通，它对制造业自动化格局的冲击将不亚于Model 3对燃油车市场的冲击。

世界模型，为什么今年突然能用起来了

讲完了产业层面的大厂动作，不妨把镜头往深拉一层，这场物理AI竞赛的技术底座是什么？

如果用一句话概括，那就是：世界模型的工程化突破。我觉得这也是理解这波浪潮最关键的一点。

“世界模型”这个概念不新了，2018年就有人提出来，核心想法很简单：让AI学会一套对物理世界运转规律的内部理解，这样它就能预测“如果我推这个杯子一下，会发生什么”。但以前这东西基本只活在论文里——太吃算力，生成质量不稳定，做不了实时交互。

转折发生在最近一年。英伟达推出了一个叫Cosmos的系列模型，它的核心能力就是从文字或图像生成符合物理规律的动作数据。

举个例子：你想训练一台机器人学会在各种天气下搬箱子，不用真的在雨天、雪天、半夜去工厂里拍视频。在仿真环境里设定好参数，Cosmos可以直接生成海量的、高度逼真的训练数据，覆盖各种极端场景。

今年年初，蚂蚁灵波团队开源了一个叫LingBot-World的框架，专门做交互式世界模型。它能实现近10分钟连续稳定的视频生成，端到端交互延迟控制在秒单位。用户可以像打游戏一样，用键盘和鼠标实时控制虚拟角色，模型即时反馈场景变化。这个意义在于，世界模型从“离线渲染”变成了“在线交互”，训练效率提升了一个量级。

还有创业公司极佳视界发布了GigaWorld-1平台，定位是物理世界的“数字沙盒”。一个月后，阿里巴巴的ABot-PhysWorld在一个叫WorldArena的评测基准上超过了它，综合排名冲到了第一。竞争正在以月为单位往前拱。

这些开源项目的重要性不在于参数有多高，而在于它们把一个“只有巨头玩得起”的游戏，变成了“小团队也能上手”的工具。当造轮子的人足够多，真正跑起来的车才会多。

世界模型之所以在物理AI时代成为核心要件，是因为它回答了那个一直悬而未决的问题：如何让机器人以低成本、高效率的方式学会物理世界的复杂规律？

真实世界的训练数据获取成本极高，且天然带有分布偏差，你很难在现实中凑齐工厂暴雪夜班、物流仓库断电应急、产线工人突发介入等所有边缘场景。但合成数据可以。通过在仿真环境中用提示词操控场景参数，研究者可以在数小时内生成覆盖极端条件的大规模训练视频，这在传统实采路线下需要数月甚至数年。

这个突破的杠杆效应，可能超过一切单一算法改进。

范式变了

世界模型的突破，其实只是物理AI技术栈进化的一部分。底层技术的变化，正在推动整个机器人行业的架构重建。

传统机器人用的是“感知、规划、控制”三段式。先由传感器感知环境，工程师写好规则告诉机器怎么规划路径，最后执行动作。这在工厂流水线这种结构化环境里没问题，但场景一复杂就暴露短板，机器只会按预设剧本走，遇到没见过的状况直接卡住。

物理AI走的是另一条路：“感知、推理、执行”。感知之后不经过人类写死的规则，而是由训练过的神经网络自己推理出该做什么，然后执行。本质的区别在于，前者是“工程师替机器思考”，后者是“机器自己理解物理世界”。

国际机器人标准组织今年发布了一份技术路线图，预测未来三年内，80%的新机型将采用这种新架构，传统三段式方案会逐渐退出主流。这不是小修小补，是整套范式的换轨。

就像某位业内专家说的，我觉得总结得挺到位：物理AI是AI发展的终极模式，因为它不仅需要理解人的指令，还要理解物理世界的所有规律。

黄仁勋说机器人开发的ChatGPT时刻已然到来。”在我看来，物理AI和语言模型的“ChatGPT时刻”性质完全不同。语言模型的“那一刻”是让全世界普通人第一次亲手用上了AI。而物理AI的“那一刻”，是让AI第一次真正开始干活。

如今这个赛道处于一个很特殊的阶段：方向被锁定了，概念被认可了，但格局还没定。

一方面，做演示和做量产是两套完全不同的能力体系。一台样机能跑通，一万台产品在真实场景里考验的是制造一致性、供应链韧性、场景泛化能力、运维体系，这些跟AI算法没什么关系，但每一项都足够卡死一批玩家。另一方面，真实世界的数据采集成本高、周期长、覆盖面窄，这几乎注定了物理AI的大规模训练将严重依赖合成数据。

与此同时，从汽车供应链、传统工业自动化，到消费电子代工，这些看起来和“AI”关系不大的行业，正在以技术溢出的方式加速切入物理AI。它们的制造能力、供应链管理经验和场景资源，可能是决定物理AI落地速度的关键变量。

一个直觉性的判断是，你看2023年初ChatGPT引爆的那波AI浪潮，真正赚到最多价值的不是模型厂商，而是基础设施提供商。物理AI这波浪潮会不会重演同样的剧情？

英伟达的布局暗示着它正在赌这个方向，但故事还没写完。2026年是部署态元年，产业竞争才刚刚开始。三年后回看今天，哪些名字还在牌桌上，哪些已经出局，可能会出乎大多数人的意料。

本文来自微信公众号“新眸”（ID：xinmouls），作者：鹿尧，36氪经授权发布。