人工智能行業：在時間的折痕處——物理AI.pdf

上傳者：楚**
時間：2026/06/03
熱度：112
0人點贊
舉報

本文深入解析了物理AI（Physical AI）的定義、技術路徑、產業鏈格局及核心應用場景。物理AI由黃仁勛于2024年提出，指能感知、理解并在真實物理世界中執行復雜操作的模型，是人工智能從虛擬智能邁向具身智能的關鍵橋梁，外延覆蓋人形機器人、智能駕駛與工業機器人三大核心場景。與生成式AI相比，物理AI在訓練數據來源、數據規模、輸出空間、推理延時容忍度、評估體系、商業閉環及失敗成本等方面存在顯著差異。在基礎模型層，物理AI呈現VLM、VLA與世界模型三條路徑收斂之勢。世界模型作為后臺數據工廠合成訓練數據，VLM承擔長程規劃的“慢思考”，VLA則把指令與感知直接轉化為動作。海外格局中，英偉達憑仿真、世界模型、基座VLA與軟硬件全棧搶占“機器人安卓”地位；國內則由人形機器人廠商主導基模+硬件，大廠仍在追趕。工具層是被低估的一環，仿真平臺是基礎模型訓練的核心數據來源，英偉達Omniverse/Isaac主導，國內智元Genie Sim等開源生態加速追趕。物理AI還從仿真訓練與數字孿生兩個維度拉動工業軟件需求，英偉達已與Cadence、達索、PTC、西門子、Synopsys等巨頭深度合作。隨著部署量提升、數據持續回流，物理AI有望進入“數據增長—模型迭代—能力提升—場景擴張”的飛輪。場景端，智駕完成從端到端到VLA世界模型的切換，人形機器人加速量產并構建數據—模型飛輪。車企技術路徑經歷切換，主流車企完成了從規則驅動時代、端到端AI時代與VLA時代的路徑切換。人形機器人正從樣機驗證進入小批量/規模化部署階段，Figure、Tesla、智元、宇樹等廠商均給出2026年萬臺級產能或部署目標，應用場景從工廠、物流逐步擴展至家庭與零售。報告建議關注工具層軟件廠商及智能駕駛軟硬件提供商。