过去几年，AI的主战场在屏幕之内；如今，它正向物理世界突破。

　　在使用AI更便捷地处理文本、图像之后，业内开始聚焦让人工智能走出数字屏幕，走进现实世界，这就是近期持续升温的概念——物理AI。

　　什么是物理AI？

　　物理AI是指能够理解物理世界规律并与现实环境进行感知、推理、决策和交互的智能系统‌。它被视为人工智能从数字世界向物理世界发展的关键阶段。

　　简单来说，就是让机器人看懂环境、自主思考、自己干活，真正融入我们的生活和生产中。

　　目前，随着各类服务机器人、工业人形机器人陆续上岗，物理AI正在产业化的路上，有望成为人工智能新一轮增长主力。

　　真实场景不断落地中

　　酒店、工厂机器人批量上岗

　　在上海的酒店场景中，新一代智能洗衣机器人已经进入正式投用前的最后测试阶段。

　　住店旅客通过手机下单后，将待洗衣物装进洗衣篮放在房间外，机器人就会自动取走并送至洗衣房进行洗烘，结束后再送回房间。

　　企业负责人告诉记者，他们的机器人是通过“双脑协同”模式完成任务。一个具身基座模型，负责理解任务和空间关系；另一个世界模型，可以模拟构建出3D的物理环境。机器人有时自己一晚上就能学会一项新任务，并且可以在真实环境里面一边自我尝试，一边自我学习进化。今年，企业计划推动1000台智能机器人落地各类真实场景。

　　除了服务业，工业场景也是物理AI的核心落地阵地。人形机器人在真实产线上进行上下料辅助作业，而在数字孪生的虚拟产线上，未来还可以部署机器人进行更多任务测试。

　　西门子（中国）有限公司战略发展部战略经理由健介绍，仿真数据及真实产线上各类设备的数据，都能为物理AI更好地进入物理世界提供坚实基础。

　　探索新趋势

　　不同机器人共用一个“大脑”

　　在当下物理AI的发展过程中，除了有能力更强的通用大模型作为“大脑”外，各类智能体技术也在帮助机器人的训练和操作进一步提速。不同形态的机器人，还能共用同一套底层“大脑”，“跨本体”调度成为新趋势。

　　记者在北京一家具身智能企业内看到，形态不同的机器人有的可以用于便利店服务、工业搬运等场景，有的则会打网球、跳街舞。这些机器人底层接入的是同一套具身模型。基于这一底座搭建的智能体，让机器人的训练方式也发生了变化。

　　银河通用联合创始人兼大模型负责人张直政介绍，过去机器人学习一个技能，需要采集高精度的机器人数据。现在有了这种基于同一套底层“大脑”搭建的智能体，机器人就可以直接从人类干活的视频中去学习。未来还会看到多模态大模型的成果逐渐被具身智能企业所吸收。

　　双臂机器人移箱取物

　　“大脑”接上技能池

　　在北京另一家AI企业内，一台借助智能体接入大模型的双臂机器人，正在对桌面上的不同物品进行抓取分拣。即使目标被箱子挡住，它也能进行分析，移开箱子后完成抓取。

　　无问芯穹首席技术官李伯勋告诉记者，他们用的是一个国产开源模型，可以把机器人的能力包装成“大脑”的技能池，从中选择一个合适方案实现最后的任务。推理效率跟开源方案相比提升数倍甚至数十倍。

　　李伯勋表示，他们通过96台机器人的群体经验学习，在手机包装、衣服折叠等复杂任务上甚至超过人类操作员的水平。每一台机器人的成功经验或者失败经验，都会成为下一台机器人能力的提升支撑。他们正在与业内合作完善从机器人纳管到训练、部署的全链条。

　　“快慢双脑”云协同

　　人形机器人多个任务一起做

　　在广东广州的一处展会现场，记者看到人形机器人还能根据订单需求，在等待咖啡制作的间隙，再取一份冰激凌，实现多任务的自主排程和并行操作。

　　相关负责人介绍，他们采用的是一套“快脑+慢脑”的架构，把不同大小、类别的模型，根据需要分别部署在机器人端侧和云上。

　　中国移动杭州研发中心副总经理程宝平表示，如果人要抓一个杯子，可能在一秒或者几十毫秒之内就拿走了。但对机器人来说，云上的模型所做的决策结果还没有返回到端侧，机器人反应不过来，不知道杯子已经被拿走了。未来如果网络、模型能力变得非常强以后，就能形成以云为主、以端为辅的结构。

　　物理AI发展面临哪些瓶颈？

　　与近几年图文、视频类AI大模型快速普及的情况不同，物理AI的发展面临的瓶颈和问题是训练数据和网络底座。

　　在北京一家物理AI数据企业内，操作员正佩戴专用设备采集整理房间时的动作数据。一旁的大屏幕上，每天来自全球的此类视频数据正按小时快速累计。而在另一处实验室里，机械臂作业的真实数据也在与仿真合成数据进行比对，从而让机器人能够在虚拟空间中准确、高效地完成训练。

　　企业负责人告诉记者，物理AI的预训练阶段，事实上更多还是需要仿真合成数据和人类视频数据。去年，企业头部客户对数据的需求还在十万小时级，今年头部客户需求已经达到百万小时级。除此以外，通用大模型企业在进入具身智能赛道时，同样可能用到大量物理世界的相关数据。

　　比如真实世界的摩擦力、重力、空间变化、突发状况，都是仿真数据无法完全模拟的。想要训练出足够智能、足够稳定的具身模型，行业需要千万小时甚至亿小时级别的海量真实交互数据。

　　数据以外，网络也是未来支撑物理AI落地的关键基础设施。在一个6G网络演示场景中，工作人员通过脑机接口发出指令，基站内的算力实时解析脑电信号，指挥机器狗和机器人配合完成危险品排查任务。

　　“这样的算力水平就要靠6G网络来提供。未来，如果要运行很多机器人、无人机或网联车，都需要动态配置算力。”中国移动研究院未来研究院副院长王飞说。

　　2030年物理AI市场规模

　　有望达4500亿美元

　　业内专家认为，未来物理AI在部署到具体生产环境的过程中，将产生软硬件集成、场景适配、调试运维等多类需求。

　　中国信通院工业互联网与物联网研究所高级工程师施建峰表示，目前，物理AI处于产业化早期，全球尚未形成统一的市场统计口径。但国际上已有机构预计，到2030年物理AI的市场规模有望达4500亿美元（约合人民币30027亿元）。下一步，物理AI规模化落地还需跨过多道门槛，既要在真实环境中长期稳定运行，也要把成本控制在可接受范围。

　　施建峰预测，未来将形成一批专业化的世界模型。比如，工业世界模型、智驾世界模型、具身世界模型、医疗健康世界模型。物理AI将从单体自主作业向多智能体协同演进。