PHYSICAL AI
物理AI产业相关概念
区别于纯数字大模型,物理AI是能感知三维物理空间、理解重力、摩擦、形变等真实物理规律,通过推演环境变化和数据反馈,自主完成感知、推理、决策、实体执行全闭环任务的AI技术体系。物理AI以人形机器人、智能汽车、工业智能体、智能终端等为载体,形成“端-边-云”三级分工架构。
图:“端、边、云”三级分工架构
(来源:华为《物理智能云边端协同架构研究报告》)
端侧专注微秒/毫秒级实时感知与高频运动控制,解决“快”和“安全”;边缘侧作为区域中枢,承担数据汇聚、本地模型微调、多机协作与弱网自治,解决“稳”和“联”;云端作为全局智脑,负责大模型开发、全局规划与运营,解决“强”和“智”。三级架构通过分层协同降低对单点算力依赖,兼顾确定性时延、复杂推理、多机协同与全局优化,是物理AI规模化落地的系统路径。
PHYSICAL AI
物理AI产业链情况
物理AI产业链呈现出清晰的层级架构与协同生态,硬件基础设施层提供计算、连接、供能、感知和物理执行条件,软件基础设施层组织模型与策略、仿真验证和场景数据,应用和业务层定义真实任务、运行流程和商业价值,三层围绕真实运行形成循环:应用产生任务和现场问题,硬件完成感知与执行,软件把运行数据转化为训练数据、仿真场景和验证用例,更新后的模型再进入设备和业务系统,三层共同构建了物理智能从泛在算力底座到垂直场景落地的高效工程化链路。
图:产业链图谱
(来源:根据IDC报告等综合整理绘制)
具体来看三层:
硬件基础设施层:连接真实数据与物理执行。硬件层包括能源电力、算力和IoT/OT连接基础设施。云端承担模型训练、批量仿真和数据处理,边缘节点负责现场协同与模型管理,设备端完成实时感知、推理和控制。传感器、摄像头、雷达和设备运行系统提供真实环境数据,控制器和执行器负责把模型判断转化为物理动作。
软件基础设施层:把运行反馈转化为可复用能力。软件基础设施层包括模型与策略、仿真与验证、场景数据与合成数据,三类能力决定物理AI的进化速度和规模复制能力。模型与策略方面,世界模型仍处于多条技术路线并行发展阶段,可用于交互环境生成、状态变化预测和行动结果推演;VLA模型连接视觉、语言和动作,为机器人及自主设备生成任务策略。仿真与验证方面,数字孪生、空间智能和仿真平台之间的协同正在加强。数字孪生提供设备结构、空间关系、物理参数、工艺规则和实时状态;空间智能帮助模型理解三维环境和对象关系;仿真平台承担测试、回归和安全验证,虚拟环境由此可以覆盖训练、方案推演、系统测试和运行优化。场景数据与合成数据方面,物理AI需要的数据已经从单帧图像和单点记录,扩展到包含时间、空间、设备状态、动作过程和执行结果的连续场景数据。软件层的一切优化最终都要回到物理世界中验证,而硬件层正是这个闭环的起止点。
应用和业务层:闭环质量影响商业化节奏。任务边界、数据反馈、安全责任和投入产出,是判断场景成熟度的四项重要条件。运行问题能够被记录、复现和验证的场景,更容易进入规模部署。智能驾驶已经形成较完整的数据采集、场景挖掘、仿真测试和版本回归流程,是当前较成熟的物理AI场景。具身智能正在从动作演示进入连续任务执行阶段,任务成功率、人工接管频率、异常恢复能力和跨环境适应能力,将逐步成为主要评价指标。无人机和空天系统需要把飞行状态、空间环境、通信链路、任务调度、运行监管和异常处置纳入统一的运行与验证体系。工业自动化拥有清晰的工艺、安全和成本目标,质量检测、预测维护、物料搬运、巡检、精密操作和无人作业等任务,已经开始产生可量化的效率、质量和安全收益,将继续成为物理AI的重要验证场。智能终端快速落地,AI正在成为各种智能终端的“大脑”,打通感知、分析、调度和执行闭环,一大批手机、电脑、家电、眼镜等新终端迎来颠覆性创新。
PHYSICAL AI
产业发展趋势
物理AI是一个长周期、高壁垒、技术密集型产业,行业发展将遵循从技术基础层到行业应用层的长期迭代逻辑。基于当前的产业布局与技术迭代进度,物理AI行业的发展趋势,可以高度明确为四个核心方向,且产业端已经有明确的落地迹象:
1.技术融合:从路线分化到融合发展。物理AI的技术底座是世界模型,但学术界至今没有统一的定义,不同领域对世界模型理解完全不同:计算机视觉将其视作视频生成工具,机器人领域把它当作环境状态预测器,强化学习把它看作策略训练的环境代理。核心分歧在于:世界应当以像素、三维几何,还是抽象表征的形式被模型理解。因此世界模型分化出四大主流技术路线:像素生成派——“画”出世界(Sora、国内Seedance系列);空间智能派——3D/4D可视化世界(李飞飞World Labs 系列、群核Lux3D);潜空间表征派——物理直觉预测(杨立昆团队V‑JEPA、AdaJEPA);潜空间融合派——原生多模态融合(北京智源研究院悟界·RoboBrain Orca,国内本土路线)。四条路线各有优势,行业没有统一评判标准,大家对优先级(物理精度/长程推演/实时推理)看法各不相同,当下的路线分歧,是技术演进必经的混乱创新阶段,路线之争未必会以“谁消灭谁”的方式终结,更可能是在争论和实践中走向技术融合。而在这场仍在进行的路线之争中,一个事实已经清晰,世界模型不再是某个实验室或者某个公司的专属赛道,而是全球AI产业竞相争夺的下一代基座。
2.数据瓶颈:合成数据成为训练数据的核心来源。数据是AI的“燃料”,更是物理AI的“核燃料”,数据是物理AI发展的核心瓶颈。行业的破局之路,是合成数据的规模化应用,这也是英伟达、索辰科技、五一视界等头部企业在数据层布局的核心方向。行业的技术发展路径已经清晰:以真实数据为基础、合成数据为主体,通过“仿真训练-实体验证-数据反馈-仿真迭代”的Sim2Real闭环验证逻辑,解决物理AI训练数据量级不足的行业痛点。根据斯坦福大学的报告,全球头部物理AI实验室用于后训练的数据中,合成数据的占比已突破55%,较2024年增长近4倍,且在工业级仿真、高阶智驾等垂直领域,这一比例更是高达80%以上。
3.应用场景:从封闭可控环境向开放动态环境延伸。行业将遵循“从封闭到开放、从简单到复杂、从低泛化到高泛化” 的落地产能路径,逐步拓展应用边界——从最初的场景封闭、环境可控、工序标准化的工业级场景,如工业机器人、高阶智驾封闭测试场景,逐步延伸到开放道路自动驾驶、家庭服务机器人等复杂场景;先在技术成熟度高、泛化需求低的垂直场景验证技术价值,再支撑更泛化的高阶场景需求。物理AI的技术应用场景极其广阔,但从技术成熟度、落地条件、商业价值的综合维度来看,自动驾驶与具身智能被行业公认为是最先实现规模化变现、市场增量空间最大的核心赛道,也是当前全球头部企业资源投入最多的方向。
4.国产化替代:国内基础技术层的自主可控进程加快。国内对物理AI核心技术的自主可控需求将进一步提升。在国际技术壁垒的背景下,国内厂商已经在仿真引擎、多模态传感器、实时运动控制算法等关键基础技术领域实现突破,比如索辰科技的多物理场仿真引擎、五一视界的51Sim仿真平台,已经完全适配国内本地化场景。后续国内的行业生态将以本土化场景为核心,逐步实现对国际技术方案的替代,行业生态将进一步独立发展。


