物理 AI！从 CES 到产业落地，解锁数字孪生与具身智能新未来

在2025年初的拉斯维加斯CES展会上，英伟达CEO黄仁勋宣布了开源世界模型Cosmos，这一决定可能比GPU更为重要。台下聚集了小鹏汽车、Figure AI、Agility Robotics等众多顶尖企业代表。那一刻，人工智能正悄然完成从“处理信息”到“理解物理”的转变。

而申万宏源的报告《物理 AI：数字孪生、具身智能实现基石》在投资和科技界悄然传播，揭示了一个技术趋势，预示着制造业、交通、医疗等领域及人机关系的根本变革。

1、AI 的第三次觉醒人工智能的发展经历三个阶段：
第一次觉醒（1950s-2010s），符号智能AI处理规则明确的符号系统，如下棋和逻辑推理，但对现实世界无知。
第二次觉醒（2012-2024），深度学习使AI具备感知能力，能看、听、说，AlphaGo、GPT、DALL-E等震惊世界，但本质上仍是“模式识别大师”，仅能从数据中识别规律，而不理解其背后的物理原因。
第三次觉醒（2025-）：物理智能AI开始理解重力使苹果落地、摩擦使车停、材料形变遵循胡克定律。这是物理直觉的内化，而非单纯的知识记忆。

2、物理 AI 的技术 “四位一体”：从空间理解到物理执行报告指出，物理AI并非单一技术突破，而是空间智能、世界模型、物理仿真引擎与具身智能控制器的系统融合。该体系被精炼为“空间智能（感知基座）—世界模型（认知中枢）—物理AI（系统整合载体）”的三层架构。

支柱一：空间智能——AI 的 “三维世界观”这是物理AI的起点，也是当前多模态大语言模型的核心短板。空间智能是指AI系统感知、理解和推理三维空间及物体关系的能力。简单来说，就是让AI像人类一样估算距离、判断方向和理解物体几何关系。目前，AI在这些任务上的表现远不及人类，限制了其在自动驾驶和机器人导航等领域的应用。

支柱二：世界模型——AI 的 “思想实验” 能力物理 AI 的核心在于预测。比如，推一本书到桌边，人类会预见其掉落。世界模型使 AI 具备类似能力，能在行动前模拟结果。英伟达的Cosmos、谷歌的Genie和Meta的V-JEPA是主要竞争者。报告表2对比了它们的技术路径：Cosmos具高物理精度但实时性差，适合离线训练与高保真仿真；Genie3实时交互与创造性生成强，但复杂物理模拟有缺陷；V-JEPA 2推理规划速度快，但缺乏实时交互能力。

支柱三：物理仿真引擎—— 数字世界的 “物理定律”世界模型如同思想实验，而物理仿真引擎则是精密实验室。它利用偏微分方程求解器，实时计算刚体碰撞、流体运动和软体形变等复杂物理交互。英伟达凭借在图形计算的积累，通过Omniverse平台建立了显著优势。

支柱四：具身智能控制器—— 从 “想到” 到 “做到” 的桥梁这是被低估但关键的一环。即使AI能完美预测“杯子会碎”，仍需将预测转化为机械臂的力度、角度和轨迹。报告提到的英伟达Jetson Thor芯片和智微智能的“大脑-小脑”方案，正致力于解决这一“最后一英寸”的问题。

3、为什么物理 AI 在 2025 年成为焦点？报告指出三个关键驱动因素：
算力临界点：英伟达的Thor平台基于Blackwell架构，将AI推理算力提升至7.5倍，实现高保真实时物理模拟。
数据飞轮与产业需求共振：生成式AI产生大量合成数据，亟需赋予“物理真实性”。制造业数字化转型已进入深水区，从“数字化记录”转向“数字化预测与优化”，急需AI理解物理过程。
生态初步形成与开源竞争：以英伟达的Omniverse、Cosmos和Thor为代表的软硬一体生态，与谷歌的Genie等开源模型，加速技术栈成熟，降低行业进入门槛。

报告聚焦两大核心应用领域，因其代表物理AI商业化最清晰、迫切的路径。

1、数字孪生：从 “看起来像” 到 “行为像”数字孪生概念存在多年，早期仅是“3D模型+实时数据看板”。物理AI使数字孪生实现质变，成为重塑传统工业研发和生产的核心工具。

案例一：宝马的“虚拟工厂” 与效率飞跃
在宝马莱比锡工厂，工程师通过数字孪生系统调整机器人布局、模拟物料流动并进行虚拟调试，优化后再实施。结果，新产线规划效率提升近30%，节约数千万欧元成本，并提前数月上市。

案例二：富士康的“产线预演” 与风险规避
报告图8展示了富士康如何将工业机器人融入数字孪生。工程师在虚拟环境中测试多种机器人部署方案，提前识别潜在碰撞与效率瓶颈，找到最优解，避免现实中的停工损失与安全风险。技术跃迁：传统数字孪生主要回答“发生了什么”，而物理AI赋能的数字孪生则能回答“为什么会发生”和“如果改变参数会怎样”。它从被动映射变为主动的“虚拟试验场”。

2、智能驾驶与具身智能：让机器从 “遵守规则” 到 “理解世界”

01训练革命：用合成数据攻克“长尾场景” 难题
自动驾驶面临的主要挑战是，最危险的场景往往极为罕见（如极端天气下的突发事故），而在现实中收集这些数据既昂贵又危险。物理AI通过生成式仿真，在虚拟环境中创造无限多样的极端场景供AI学习。报告中的图10-12展示了这一过程：AI在虚拟环境中经历了成千上万次暴雨、浓雾、路面油渍和行人突然出现等“危险”，而现实中一次都未发生。这种训练方式成本低、安全，能有效提升模型的鲁棒性。

02推理进化：技术路径之争与未来方向
传统自动驾驶采用模块化架构（感知-规划-控制），信息传递存在损耗和延迟。物理AI推动架构变革，报告中的表3对比了三种主流方案：
•端到端模型（如特斯拉）：高效但“黑箱”特性带来安全认证挑战。
•视觉-语言-动作模型/VLA（如小鹏）：可解释性强，能理解自然语言指令，但依赖高质量对齐数据，实时性有挑战。
•世界模型（如英伟达方案）：擅长前瞻性推理和生成训练数据，但计算开销大且预测不确定。
报告指出，短期内VLA因可解释性占优，而中长期世界模型可能更具前瞻性。物理AI的应用使系统不仅能“看到”路面积水，还能推理出“摩擦力下降，需提前轻柔刹车”。

03具身智能：物理 AI 的终极考场
机器人拿起装水的玻璃杯时，需理解杯子的刚性与易碎性、液体的惯性、手爪的正压力和静摩擦力等物理问题。Figure AI和Agility Robotics等公司正在基于世界模型，训练机器人掌握这些人类儿童时期学到的“物理常识”，以提升其通用能力。

1、上游：芯片与控制器 —— 物理 AI 的 “神经中枢”

01英伟达的“芯片 - 算法 - 平台” 全栈霸权
报告分析了英伟达的生态护城河构建：
1. Omniverse平台，连接3D软件，构建虚拟场景；
2. Cosmos模型，开源基础模型，生成精准合成数据；
3. DGX系统，超算平台用于模型训练；
4. Thor芯片，专为机器人和自动驾驶设计的边缘推理芯片。
这形成强大的商业闭环，推动硬件销售。

02中国玩家的差异化生存与创新尽管面临生态压力，报告指出中国企业在特定场景取得突破，显示自研芯片趋势：
•地平线、华为等通过“算法 + 芯片”协同设计，在智能驾驶域控制器市场实现差异化竞争。
•智微智能的“大脑-小脑”分层控制器架构优化工业机器人，解决算力内耗与响应延迟问题。
•天准科技基于英伟达Thor芯片进行深度软硬优化，推出“开箱即用”的具身智能大脑产品。
•小鹏、蔚来等整车厂为追求算法与硬件深度适配，已启动自研芯片进程，反映产业对算力效率的追求。

2、中游：数据与算法 —— 物理 AI 的 “知识源泉”
数据：两个来源与核心壁垒
物理AI需高质量时空关联数据，获取成本是核心壁垒。报告提到两大来源：

01真实世界采集与存量挖掘：
思看科技、奥比中光、凌云光等3D视觉厂商提供高精度物体形变和位姿数据采集能力。群核科技发布的InteriorGS等高质量3D高斯语义数据集，提供丰富的带物理属性的室内空间信息。
02合成数据生成——“数据工厂”：
索辰科技是国产CAE领军企业，其核心价值在于运用多物理场仿真技术（流体、结构、电磁），生成难以获取极端环境数据（如低空湍流场），成为物理AI的数据工厂。

算法四类玩家竞合：
1. 科技巨头（如英伟达、谷歌）：提供基础模型（GROOT, RT-X）和全栈工具链；
2. 第三方平台（如索辰科技）：专注仿真引擎，为特定行业提供高精度试验场；
3. 解决方案提供商（如Momenta）：将前沿研究工程化，为整车厂提供自动驾驶全栈算法；
4. 整机厂自研（小鹏等）：自主研发VLA等算法，实现产品差异化优化体验。

3、下游：系统集成 ——  物理 AI 的 “最后一公里” 与价值变现
应用高度专业化，需要深度改造以适应各行业需求，因此系统集成商价值凸显。如亚信科技将自研数字孪生平台与Omniverse深度集成，并结合电信政务行业知识，为客户提供跨行业解决方案，如智慧园区和智慧矿山。其核心壁垒在于行业知识积累以及持续获得最新技术并转化业务价值。

基于报告逻辑推演, 发展将经历三个阶段：
1. 短期（2025-2028）：工具增强阶段
作为专业工具，在工业设计/自动驾驶/机器人开发领域应用，大幅提升效率，第一个全虚拟训练无需真实调优即可部署工业机器人问世；
2. 中期（2028-2035）：场景重构阶段
重塑行业工作流, 智能工厂自优化生产,L4级自动驾驶商业化, 家庭服务机器人实用, 数字孪生扩展至智慧城市；
3. 长期(2035后)：范式革命阶段
由工具进化为伙伴, 通用型人形机器人适应非结构环境，与人类协作，通过图灵测试的人机交互成为现实。

物理AI的发展揭示了一个深刻事实：人类最珍贵的智能，或许不是抽象推理或艺术创造，而是那些难以言传的物理直觉——对物体重量的微妙感知、对抛物线轨迹的瞬间判断、对复杂力学平衡的直觉把握。这些直觉是亿年进化与数万年生存实践的结晶。如今，我们试图在短短几十年内，通过数据与算法，让硅基智能掌握这些古老的碳基智慧。
当AI真正学会“触摸”并理解物理世界时，我们与机器的关系将根本改变。它们不再只是执行指令的工具，而是能理解环境、预测后果、自主行动的智能体。物理AI的潘多拉魔盒已开启，这次我们并非无知。接下来的故事，将由工程师、企业家、投资者及每位与智能实体共享世界的人共同书写。