采写丨科技日报记者 李均
策划丨赵英淑 滕继濮
智能体正悄然迈入深度适配物理世界的新阶段。近期，多家科技企业接连发布最新物理AI成果。“五一”假期前夕，奇瑞汽车宣布与英伟达开启全球战略合作，双方将在辅助驾驶、座舱AI、机器人三大领域共同开发并布局物理AI……
放眼全球，以“教AI像人一样理解现实世界物理规则”为特征的物理AI，正成为科技巨头竞逐的高地。北京智源人工智能研究院发布的《2026十大AI技术趋势》指出，2026年将成为AI从数字世界迈向物理世界、从技术演示转向规模价值实现的分水岭。
当前，物理AI正从概念验证加速走向价值实现，成为连接虚拟与现实的桥梁，并有望成为AI赋能实体经济的战略性突破口。与此同时，物理AI面临常识性不足、链路不完整、生态不健全等现实瓶颈。其能否真正“读懂”并融入现实世界、实现规模化商业落地，仍需产学研用多方协同破局。
物流仓储仿真场景中，多形态机器人协同工作。图片来源：松应科技
产业处于爆发前夜
“我们正处于物理AI时代爆发的前夜。”上海大晓无限机器人有限公司首席科学家陶大程这样判断。
然而，在全民使用大模型的时代，物理AI对多数人而言仍是一个陌生概念。
传统AI就像个“书呆子学霸”。你问天文地理、文学典故，甚至让它写论文，它都对答如流；可真让它叠件衣服，它只会“傻眼”——因为它储备的都是文字和图片，从未学过手怎么抓、劲怎么使、叠完怎么放才不会散。
物理AI，就像是给了这个“学霸”一个能无限重来的实习机会。它可以在虚拟世界里反复试错：摔几万次跤学会走路，打翻无数杯子掌握抓握的力度，在数字公路上经历各种极端险情，从而攒下一身“肌肉记忆”。等到练就了物理直觉，它走进真实世界就能直接动手干活。“简言之，传统AI只会聊天码字，物理AI则长出了‘手脚’。”资深AI专家、中吴网副总经理丁成刚说：“它是个懂生活的实干派。”
“物理AI意味着AI系统具备在真实世界中‘感知—推理—行动—反馈’的闭环能力。”中国科学技术大学人工智能与数据科学学院特任教授、博士生导师王翔进一步解释其背后的原理：“它不仅会思考，更能通过机器人等具身设备执行任务，并从真实反馈中持续纠错、自我进化。”
德国斯图加特大学教授、国际机器人联合会技术委员会主席亚历山大·维尔从数据流的角度阐释了这一能力的来源：物理AI不仅接收图像、视频等常见多模态输入，更关键的是引入了现实世界的传感器数据。“它将这些信息转化为对物理世界的见解。”
从人形机器人叠衣服，到工业机器人打螺丝，再到四足机器人在人群中精准避障……今年以来，在各地展会上上演的一场又一场“机器人狂欢”，背后都少不了物理AI的支撑。这种让AI真正“读懂”并介入物理世界的能力，正是物理AI的核心价值所在。
在移动机器人装配调试车间内，工业机器人挥舞手臂进行模拟作业。
多位受访专家指出，物理AI具备更强的环境适配能力，可动态应对场景扰动，无需人工重新编程即可适配复杂多变的实景工况；依托虚实融合的仿真训练模式，能够大幅降低实体试错成本，加快技术迭代节奏。
以智能驾驶训练为例，搭建一座中型实体训练场成本高昂，运维支出居高不下。而且，受环境、场地与安全条件限制，实体测试难以复刻极端路况，场景覆盖十分有限。相比之下，虚拟训练场凭借仿真技术大幅压缩投入与试错成本，可全天候运行，快速复现各类高危、长尾交通场景，实现零风险测试与大规模、可标注的数据获取。
“仿真平台能够产生无穷无尽的数据，我们可以通过GPU并行加速，大幅提升机器人在其中的训练效率。”上海人工智能实验室青年科学家庞江淼说。
那么，虚拟环境中训练出的智能体，现实表现如何？数据显示，特斯拉官方发布的“世界模拟器”能让智能体在1天内吸收相当于人类500年的驾驶经验；其Optimus机器人经虚拟训练后，动作精度提升了50倍。
这一趋势在中国正加速显现。目前，中国物理AI企业主流采用通用底座+行业垂类分层架构开展定制化开发，依托可微分物理引擎搭建基础框架，再针对制造、能源、化工、基建、机器人等领域，植入专属力学、流体、反应动力学等行业物理规则，满足不同场景下高精度、高实时性的落地要求。
今年2月，阿里巴巴达摩院发布开源物理AI模型RynnBrain，可帮助机器人在工厂流水线和厨房等复杂环境中识别物体、预测轨迹、规划路径。达摩院具身智能实验室负责人赵德丽表示：“RynnBrain首次实现大脑对物理世界的深度理解与可靠规划，助大小脑分层架构下的通用具身智能迈出关键一步。”
全球竞争态势形成
物理AI正从实验室概念演变为重塑全球产业格局的战略变量。法国凯捷咨询公司发布的《2026全球物理AI产业报告》显示，67%的高管认为物理AI将颠覆他们所在的行业，79%的企业已布局相关技术，工业、物流、自动驾驶成为率先落地的三大场景。
在这场关乎下一代智能基础设施的竞赛中，全球主要经济体正以不同路径切入。
美国依托技术底座与资本优势，持续巩固领跑地位。其中，AI巨头英伟达持续迭代Cosmos世界基础模型、Omniverse库、Isaac仿真学习框架，为物理AI规模化训练、场景仿真提供核心支撑。就在5月21日，英伟达与微软、川崎重工宣布深化合作，共同推进物理AI的社会化部署。作为合作的第一步，川崎重工在美国硅谷设立物理AI中心，瞄准老龄化和劳动力短缺问题，聚焦医疗和护理领域，通过AI与机器人结合，推出覆盖到院、手术、术后护理的“一站式服务”。
日本选择以工业数据为支点，寻求差异化突围。该国将物理AI定义为“驱动实体设备和机器人的下一代AI”，旨在通过制造业场景数据训练模型，实现生产线自主调度与机器人精密操作。今年4月，日本成立“日本AI基础模型开发公司”，计划结合制造业数据打造“物理AI底座”。
韩国也将发展物理AI视作国家战略。去年末，韩国发布国家级AI行动计划，提出到2030年实现“物理AI第一”，确保其在制造业等关键领域的领先地位。
对于欧洲而言，其具备核心竞争力的领域，如精密制造、自动化产线、汽车工业、工业软件等，恰好是物理AI落地所必需的土壤。日前，法国AI领域领军企业Mistral AI宣布对奥地利物理AI初创公司Emmi AI完成战略收购，标志着欧洲工业智能化进程迈入新阶段。
在我国，物理AI迅速从概念验证加速迈向产业纵深。记者走访发现，多家车企、机器人企业、互联网企业已将物理AI视作实现具身智能能力跃升的重要解决方案，其吸纳的资本和研发资源集中度显著提高，形成与国际巨头差异化竞争的格局。
在2026杭州国际具身机器人场景应用大赛上，人形格斗机器人进行拳击比赛。
2026年北京车展上，自动驾驶解决方案商动作频频，小马智行发布世界模型2.0，核心突破在于运用物理AI提升自我诊断与定向进化能力；轻舟智航宣布战略重心从“无人驾驶”全面升级为“通用物理AI”；车企层面，小鹏计划将2026年物理AI相关研发投入提升至70亿元；吉利发布WAM世界行为模型，并宣布与英伟达在物理AI领域深度协同。
“我们坚信未来所有工厂都将是‘AI工厂’，社会的方方面面都将受益于物理AI。”索辰科技创始人、董事长陈灏表示，“低空经济、新能源电池、风力发电、数据中心、具身智能、高端芯片、航空航天、生物医药、新材料等需要复杂场景仿真与优化的前沿领域，均是物理AI的落地方向。”
协同发力突破瓶颈
在我国，物理AI已被赋予重要使命。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，明确提出“新一代智能终端和智能体的应用渗透率在2030年达到90%”的目标。
这背后重要的趋势是，人工智能正在“接管”数字世界，并加速突破虚拟边界，“进入”物理世界。
然而，虽然物理AI加速走向产业落地，但虚拟与现实的鸿沟依然巨大。当前，这一领域面临常识性不足、链路不完整、生态不健全三大结构性瓶颈，制约其从“虚拟预习”迈向规模化现实应用。
针对这些堵点，我国正从技术底座、产业协同、生态构建三个维度同步发力。
物理常识的匮乏是首要短板。物理AI的运转依赖物理引擎与仿真平台的双重支撑，但现有用于物理AI计算的传统模型尚不成熟，导致训练出的智能体缺乏物理直觉。天府绛溪实验室交互人形机器人前沿研究中心主任彭倍指出：“市面上的具身模型多基于大语言模型改造，未从本质上解决问题。”
如何化解难题？中国信息通信研究院副院长魏亮强调：“依托高质量行业数据提升模型场景适配能力，持续优化模型参数、提升推理精度，形成‘模型优化—数据升级—应用提效—再优化’动态循环。”
仿真数据向现实迁移的能力不足，进一步放大了短板。复旦大学长聘特聘教授、智能机器人与先进制造创新学院副院长张立华表示：“光线变化、摩擦力差异、材料特性波动、环境随机性等，都可能导致智能体‘水土不服’。”北京智源人工智能研究院FLM团队负责人王业全认为：“物理AI发展的最大难点在于建模方法，包括数据、训练流程等，目前尚未有明确的方向。”
“仿真+真实”混合训练模式被认为是路径之一。松应科技首席技术官黄巍介绍，通过多次模拟生成海量高质量数据，再把最优算法部署到产线上，这套模式能将机器人训练成本降低90%以上。
链路不完整是物理AI发展的另一挑战。要实现物理AI的规模化落地，形成“数据采集—模型训练—虚拟仿真—现实部署—反馈优化”的完整闭环是先决条件。上海人工智能研究院副院长许春山直言：“但是，当前这条核心链路上存在多处断点，各环节协同不足，制约产业发展。”
打通链路，需协同攻关、开放合作。“要搭建通用桥梁，让国产芯片快速进入物理AI场景，共建自主生态。”松应科技首席执行官聂凯旋坦言，“要让更多企业低成本实现智能体‘预习’，加速物理AI落地。”
浙江嘉兴一家未来工厂内，人形机器人站上生产线从事生产活动。
“解决链路割裂问题，企业要搭建一套全流程研发支撑体系，把底层的物理能力、上层的训练流程乃至部署彻底打通。”张立华提出，“让仿真技术服务于机器人研发全流程。”
算力成本高企是影响链路运转的“拦路虎”。通常训练一个通用物理AI模型，算力成本占研发投入60%以上。灵通智创数字科技有限公司总经理陶熠指出：“高昂的算力成本挤压了物理AI企业对数据采集、场景数字化和仿真的投入，而这些前端能力恰恰决定了模型训练质量与落地效率。”
产业一线的反馈印证了这一观点。四川省具身智能机器人训练场负责人张维坦言：“现在的仿真数据有效性还不够。”节卡机器人股份有限公司高级销售经理刘铎也表示：“现阶段仿真数据对机器人训练的催化作用，确实不如真机数据直接有效。”
在汽车行业，矛盾更为突出。电子科技大学汽车仿真专家、副研究员李曙光直言：“仿真验证理论上能降本，但抢时间才是生存第一要务。车企倾向于在不断建设完善的数据集中对新研发的功能进行验证，提高研发效率。”
破解产业生态建设难题，深化场景驱动是不二法宝。南开大学计算机学院副院长刘晓光认为，庞大的制造业基础与多元化的应用场景，构成了我国物理AI发展的独特优势。
如果说智能制造是物理AI的“练兵场”，那么具身智能便是它的“主战场”。同济大学教授、自主智能无人系统全国重点实验室副主任何斌建议，通过打造具身智能新基建场景，建设开源、标准化、模块化的产业底座，推动具身智能社会应用和物理AI发展。
物理AI的纵深发展，也对人才培养提出全新命题。“物理AI没有‘一招鲜’的技术，每个场景都需深度适配物理规则。”东华大学材料科学与工程学院教授、博士生导师严锋指出，目前跨学科、复合型人才非常稀缺，应推动物理AI人才培养与场景应用协同发力。
面向北京市丰台区怡海小学六年级学生的人形机器人体验课上，学生们将其设计的人形机器人动作进行物理AI数据采集。
国家层面已在布局。4月28日，教育部发布《普通高等学校本科专业目录（2026年）》，支持9所高校增设具身智能新专业。
“物理AI是AI迈向2.0时代的重要新场景。”国家数据局专家咨询委员会成员杨德斌认为，AI从1.0向2.0转型升级，既需要培育大量仿真人才与复合型人才，也离不开统筹规划、政策支持、标准规范与人才储备的系统支撑。
展望未来，杨德斌呼吁，将物理AI上升为国家重点研究课题，并加快构建自主可控的物理AI基础设施，“在这一进程中，中国必须占据重要一席，积极参与全球竞争。”
科技日报•深瞳工作室出品
文中图片除标注外均来自视觉中国
编辑：王曼茜
审核：张爽
科元网提示：文章来自网络，不代表本站观点。
