希望真正记录的，是一个比“哪些公司值得关注”更根本的判断：AI正在从符号世界进入因果世界，而这件事的难度、节奏和机会分布，与过去三年的大模型叙事完全不同。
大语言模型的能力边界，在物理世界里会突然变得很窄。它读过关于重力、摩擦、碰撞的海量文本，能流畅地描述“杯子掉下来会碎”，但它并不真正理解重力、惯性和碰撞之间的因果链条。换一个场景（把杯子换成球形瓶子，放在有坡度的桌面上，从不同位置碰一下），它就容易给出错误答案。原因不复杂：语言模型的训练信号来自文本中的共现概率，而不是来自与物理世界交互之后收到的因果反馈。它可以“说对”，但不能“做对”。
物理AI要解决的正是这个问题。它的核心不是给语言模型加一个机器人身体，而是用世界模型重新建立AI对时间、空间、因果和物理常识的内部表征。大语言模型预测的是“下一个词”，世界模型预测的是“物理世界的下一个状态”。一个是在符号序列里找规律，一个是在因果结构里做推演。这个区别看起来是技术细节，实际上是AI能否从“能说”走到“能做”的分水岭。沈向洋把物理AI称为通用AI的第三次浪潮，第一波是数字AI从理解走向生成，第二波是智能体从对话走向执行，第三波是智能从数字“大脑”走向现实“本体”，在物理世界中形成闭环学习。前两波改变的是信息的生产和调用方式，第三波改变的才是AI与真实世界之间的关系。
但这个“真正的未来”，当前卡在一个非常具体的地方：数据。
全球高质量物理交互数据大约只有50万小时，而GPT-5级语言模型的训练数据折算超过100亿小时。行业可用数据距GPT-3级别通用水平存在200倍以上的缺口，对应市场空间超过500亿元。沈向洋的判断很直接：“数据短缺是AI走向物理世界的最大挑战”。真机遥操作采集的数据质量最高，但绑定本体、成本高、难以规模化；一台机器人每天有效采集量大约200条，而且不同构型的机器人之间数据很难通用。纯靠“多建采集中心、多雇人遥操作”来填这个缺口，在物理上走不通。
这才是物理AI赛道最值得被认真看待的地方：它的瓶颈不在算法，而在供给。谁在解决“物理数据从哪来、怎么规模化、怎么保证物理一致性”的问题，谁就站在了这条产业链上最确定的付费环节。合成数据不是“退而求其次”，而是在真机数据无法规模化时唯一可能填上量级缺口的路径；仿真引擎不是“辅助工具”，而是决定合成数据能不能被真实世界信任的语法层。光轮智能做的是物理精确的仿真合成数据和评测体系，飞捷科思的可微分引擎解决的是传统仿真“物体穿墙”“仿真数据无法真机复用”的物理失真，摩尔线程与光轮智能的合作则是在国产算力上跑通“仿真—训练—评测”的闭环。这些公司被放进30强名单，不是因为它们“代表未来”，而是因为它们站在物理AI数据供给链条上绕不开的位置。
工业场景已经给出了比任何叙事都硬的证据。一家大型电厂接入物理AI预警系统后，报警准确率98.38%，现场值守一年减少23人、节约人工成本690万元，管理逻辑从“设备坏了才知道”变成“提前就知道该修”。一个国家级绿氢示范项目把84台电解槽接入系统，新能源消纳率保持在95%以上，年收益超过3000万元。核电主泵应用相关技术后，预警准确率超过95%，运维工作量减少30%，单台设备年效益超过500万元。这些数字的意义不在于“AI又找到了一个应用场景”，而在于它证明了物理AI可以在高价值、高可靠性要求的工业环境中产生可审计、可复用的经济回报。物理AI的第一个大规模落地场，大概率不是人形机器人走进家庭，而是工业设备的预测性维护、工艺优化和产线仿真，那里的付费意愿最真实，数据闭环最可控，错误代价也最容易被量化。
（文/左侧）
e-Mail：lab@enet16.com
