AI進(jìn)化關(guān)鍵之年，具身智能、自動(dòng)駕駛迎來“拐點(diǎn)時(shí)刻”？

特斯拉Optimus機(jī)器人完成工廠零件分揀、宇樹機(jī)器人在春晚上精準(zhǔn)完成舞蹈動(dòng)作、比亞迪拉開智能駕駛?cè)衿占靶蚰弧@些標(biāo)志性事件宣告了人工智能正在步入技術(shù)進(jìn)化的關(guān)鍵之年。

近日，阿里巴巴集團(tuán)CEO吳泳銘宣布，未來三年，阿里將投入超過3800億元，用于建設(shè)云和AI基礎(chǔ)設(shè)施，總額超過去十年總和。這也創(chuàng)下中國民營企業(yè)在云和AI基礎(chǔ)設(shè)施建設(shè)領(lǐng)域有史以來最大規(guī)模投資紀(jì)錄。據(jù)IDC預(yù)測，到2030年，AI將為全球經(jīng)濟(jì)貢獻(xiàn)19.9萬億美元，推動(dòng)2030年全球GDP增長3.5%。

從工業(yè)革命到信息革命，每一次技術(shù)躍遷都伴隨基礎(chǔ)設(shè)施的顛覆。如果說AGI是一場星辰大海的遠(yuǎn)征，那么AI基礎(chǔ)設(shè)施就是通往目的地的“陽關(guān)大道”。蒸汽機(jī)車需要鐵路網(wǎng)、電力需要電網(wǎng)、互聯(lián)網(wǎng)需要光纖與基站。AI的爆發(fā)，正在呼喚一張全新的基礎(chǔ)設(shè)施網(wǎng)絡(luò)——它不僅是數(shù)據(jù)傳輸?shù)墓艿溃沁B接實(shí)體與智能、協(xié)調(diào)全局與局部、平衡效率與安全的“神經(jīng)中樞”，是一個(gè)能讓機(jī)器智能與物理世界同頻共振的新型網(wǎng)絡(luò)。

在這個(gè)網(wǎng)絡(luò)下，機(jī)器人、自動(dòng)駕駛汽車、低空飛行器等各類智能體通過自主決策與協(xié)同控制，完成了一次又一次實(shí)時(shí)對(duì)話和人機(jī)交互，通往AGI新世界的大門也將由此開啟。

AGI必然路徑，從感知AI到物理AI

語音助手能準(zhǔn)確識(shí)別方言指令、手機(jī)攝像頭能自動(dòng)捕捉最燦爛的笑容，這些感知AI的杰作構(gòu)建了現(xiàn)代社會(huì)的數(shù)字感官。它們?nèi)缤[形的眼睛與耳朵，將光信號(hào)、聲波轉(zhuǎn)化為可計(jì)算的數(shù)據(jù)流。

但當(dāng)自動(dòng)駕駛汽車面對(duì)突發(fā)的道路塌陷，或服務(wù)機(jī)器人在凌亂的客廳里找不到充電接口時(shí)，單純的環(huán)境感知能力立刻暴露出致命短板。

波士頓動(dòng)力的人形機(jī)器人Atlas在平衡木上完成空翻時(shí)展現(xiàn)的不僅僅是動(dòng)作精準(zhǔn)度，更揭示了物理智能的本質(zhì)：重力加速度計(jì)算需要與關(guān)節(jié)扭矩控制同步，攝像頭捕捉的視覺信息必須即時(shí)轉(zhuǎn)化為肌肉記憶般的機(jī)械響應(yīng)。這種感知與行動(dòng)的毫秒級(jí)閉環(huán)，遠(yuǎn)比AlphaGo戰(zhàn)勝人類冠軍更能體現(xiàn)智能的本質(zhì)特征。

大模型的持續(xù)進(jìn)化，如同蝴蝶振翅般顛覆了人們對(duì)人工智能的傳統(tǒng)理解。從初次嘗試新架構(gòu)到發(fā)現(xiàn)新的普適定律，從能力泛化到模態(tài)無縫融合，這些突破性進(jìn)展正在不斷刷新機(jī)器智能的邊界。

大模型實(shí)現(xiàn)了感知與認(rèn)知能力的全面升級(jí)，讓機(jī)器具備了更加細(xì)膩豐富的理解能力。與此同時(shí)，人工智能正在向著另一個(gè)關(guān)鍵維度挺進(jìn)——對(duì)真實(shí)物理世界的模擬與適應(yīng)。

從感知到?jīng)Q策再到控制執(zhí)行，端到端的智能系統(tǒng)正在崛起，機(jī)器的適應(yīng)性和靈活性持續(xù)突破，不僅能夠自主感知和推理復(fù)雜場景，更能夠主動(dòng)規(guī)劃行動(dòng)、做出決策，而具身智能、自動(dòng)駕駛的加速落地，又進(jìn)一步塑造了機(jī)器的物理形態(tài)。

作為人工智能發(fā)展的初級(jí)階段，感知式AI關(guān)注的是機(jī)器對(duì)環(huán)境的感知能力，使機(jī)器能夠通過視覺、聽覺等感官獲取信息，并進(jìn)行基本的理解和響應(yīng)。感知式AI使機(jī)器能夠與外界進(jìn)行初步交互，為更復(fù)雜的智能行為提供了可能性。這一階段的典型應(yīng)用包括語音識(shí)別、圖像處理以及推薦系統(tǒng)。

2012年，一個(gè)名為AlexNet的神經(jīng)網(wǎng)絡(luò)引爆了AI研究界，它的表現(xiàn)遠(yuǎn)遠(yuǎn)超過所有其他類型的模型，并贏得了當(dāng)年的ImageNet競賽。自那時(shí)起，神經(jīng)網(wǎng)絡(luò)開始騰飛。自ImageNet以來的13年里，計(jì)算機(jī)視覺研究者們掌握了物體識(shí)別，并轉(zhuǎn)向圖像和視頻生成，為后續(xù)生成式AI奠定了基礎(chǔ)。

在感知式AI的基礎(chǔ)上，生成式AI通過進(jìn)一步發(fā)展延伸，形成了機(jī)器生成內(nèi)容的能力。這一階段標(biāo)志著人工智能不僅能夠理解信息，還能創(chuàng)造文本、圖像和音頻等新的內(nèi)容，被認(rèn)為是“生產(chǎn)力放大器”，為營銷和創(chuàng)作領(lǐng)域提供了前所未有的工具和可能性。

今年，DeepSeek的火爆出圈將生成式AI再次推上了風(fēng)口。不過，DeepSeek底層邏輯依然是統(tǒng)計(jì)機(jī)器學(xué)習(xí)——喂數(shù)據(jù)、訓(xùn)練、輸出結(jié)果。這意味著生成式AI的技術(shù)天花板已經(jīng)清晰可見，甚至因?yàn)樗摹吧疃人伎肌边^程透明化，反而更讓人看清它的本質(zhì)——一個(gè)被訓(xùn)練出的智能模型，而非真正的智能體。

一個(gè)有趣的例子：當(dāng)被問“strawberry有幾個(gè)r”時(shí)，DeepSeek需要反復(fù)思考50秒才能給出正確答案。它能解決復(fù)雜問題，卻在簡單場景中暴露局限性。這是因?yàn)槠湟蕾嚱y(tǒng)計(jì)相關(guān)性，而不是因果邏輯。就像超市發(fā)現(xiàn)“尿布和啤酒銷量正相關(guān)”，AI能發(fā)現(xiàn)規(guī)律，卻無法理解背后是“爸爸們順手買酒”的因果鏈。”即便強(qiáng)如OpenAI，也在嘗試反思式推理（如GPT-4o的多路徑思考），但本質(zhì)仍是數(shù)據(jù)驅(qū)動(dòng)的優(yōu)化。

近日，Meta首席AI科學(xué)家楊立昆（Yann LeCun）在2025年人工智能行動(dòng)峰會(huì)上表示，AI需要理解物理世界，只有在這基礎(chǔ)上，AI才能真正接近人類智慧。

盡管當(dāng)前的大模型在諸如通過律師資格考試、解決數(shù)學(xué)問題等任務(wù)上表現(xiàn)出色，但它們無法執(zhí)行日常生活中的基本任務(wù)，如做家務(wù)。對(duì)于人工智能而言，許多看似簡單的動(dòng)作，如洗碗或擦桌子，依然是無法解決的復(fù)雜問題。這些模型并未真正理解物理世界，只是通過模式識(shí)別和數(shù)據(jù)生成來模擬現(xiàn)象。

為進(jìn)一步提升AI理解真實(shí)世界的能力，物理AI被提了出來，它使人工智能系統(tǒng)不僅能夠理解信息，還能在物理世界中進(jìn)行操作，它結(jié)合了對(duì)物理現(xiàn)象的理解與智能決策能力，使得智能系統(tǒng)能夠靈活應(yīng)對(duì)復(fù)雜情況。

物理AI賦予具身智能、自動(dòng)駕駛更強(qiáng)的環(huán)境感知、理解和交互能力，使它們能夠更好地理解周圍環(huán)境，并根據(jù)物理規(guī)律做出相應(yīng)的反應(yīng)。例如，AI可以直接控制倉庫中的機(jī)器人進(jìn)行貨物運(yùn)輸，或是優(yōu)化自動(dòng)駕駛汽車的行駛策略。

從感知式AI、生成式AI，最終邁向物理AI，這一演變過程反映了人工智能技術(shù)不斷演進(jìn)的軌跡。每個(gè)階段都承襲了前一階段人工智能發(fā)展的技術(shù)成果，使得機(jī)器不僅能夠“看”和“聽”，還能夠“理解”和“行動(dòng)”。這種逐步演進(jìn)為實(shí)現(xiàn)更高級(jí)別的通用人工智能（AGI）奠定了基礎(chǔ)，也為各行各業(yè)帶來了深遠(yuǎn)影響。

AI與物理智能“雙螺旋上升”

傳統(tǒng)人工智能如同“缸中之腦”，雖能解方程、作詩詞，卻無法真正觸碰現(xiàn)實(shí)。物理AI的顛覆性在于：它將智能注入物理實(shí)體，讓機(jī)器具備“感知-決策-執(zhí)行”的閉環(huán)能力。從自動(dòng)駕駛車輛到智能電網(wǎng)，從柔性機(jī)器人到分子級(jí)制造設(shè)備，這些系統(tǒng)不再滿足于“理解世界”，而是執(zhí)著于“改變世界”。

相比生成式AI處理的是一維或二維信息的輸入，如文字、圖片、音頻或視頻，并輸出相同類型的信息，物理AI需要從三維、甚至四維（包含時(shí)空）的角度理解信息，這與信息智能有本質(zhì)的不同。

在輸入層面，物理AI系統(tǒng)可以從許多工具中獲取輸入，比如攝像頭、慣性傳感器、雷達(dá)和激光雷達(dá)，處理的是感知和理解世界的數(shù)據(jù)，包括視覺和觸覺等感官信息，并且能夠直接從傳感器數(shù)據(jù)中學(xué)習(xí)和理解環(huán)境，讓人工智能從單純的感知、生成，進(jìn)階到能夠進(jìn)行推理、規(guī)劃與行動(dòng)。

在輸出層面，物理AI生成的是TSD數(shù)據(jù)，即時(shí)間（T）序列（S）數(shù)據(jù)，這種數(shù)據(jù)可以直接用于控制具身智能，賦予其一個(gè)能在現(xiàn)實(shí)物理規(guī)則下靈活運(yùn)轉(zhuǎn)的“大腦”。

此外，生成式AI和物理AI在產(chǎn)品形態(tài)和應(yīng)用場景也有所不同。生成式AI不受時(shí)間影響，不需要實(shí)時(shí)反饋，例如ChatGPT中有些信息可能只更新到去年9月。而物理AI系統(tǒng)必須實(shí)時(shí)處理輸入信息，需要實(shí)時(shí)感知和推理環(huán)境，以確保具身智能能夠及時(shí)響應(yīng)。

目前，大多數(shù)物理AI系統(tǒng)還只能處理特定任務(wù)或小環(huán)境，并且效果參差不齊。落地上，一個(gè)目前很火的例子是宇樹科技的四足機(jī)器狗，可以爬山涉水，還可以用一連套高難度的體操動(dòng)作亮相，包括原地旋轉(zhuǎn)兩周接倒立旋轉(zhuǎn)三周半，以及一套流暢的托馬斯全旋、側(cè)空翻和360度跳躍轉(zhuǎn)體等。

如同大模型革新了生成式AI一樣，物理AI成為具身智能、自動(dòng)駕駛等領(lǐng)域進(jìn)入新階段的“鑰匙”。

首先，大模型“上車”難題將得到很好解決。

目前，大模型在汽車領(lǐng)域的應(yīng)用主要體現(xiàn)在兩個(gè)方面：一是智能座艙，二是自動(dòng)駕駛。前者跟大模型技術(shù)有著天然的契合度，因?yàn)楫?dāng)前的智能座艙更側(cè)重于娛樂和交互功能，這與大模型的語言處理能力非常相符，難點(diǎn)在于后者。

對(duì)于自動(dòng)駕駛而言，如何在復(fù)雜動(dòng)態(tài)的交通環(huán)境中實(shí)現(xiàn)高效、安全的車輛控制成為一大核心難題。現(xiàn)有的自動(dòng)駕駛系統(tǒng)普遍缺乏多智能體協(xié)作能力、高效決策與解釋能力，在面對(duì)復(fù)雜交通環(huán)境時(shí)，難以有效理解周圍交通參與者的行為和意圖。

第二是數(shù)據(jù)。在自動(dòng)駕駛領(lǐng)域，大模型需要“喂”大量的真實(shí)世界數(shù)據(jù)進(jìn)行訓(xùn)練，讓它更擬人。所以如何讓這些數(shù)據(jù)更好地服務(wù)大模型做訓(xùn)練，這是目前普遍車企面臨的另一個(gè)難點(diǎn)。

其次，人形機(jī)器人加速邁向“ChatGPT時(shí)刻”。

去年，人工智能機(jī)器人初創(chuàng)公司Figure AI發(fā)布Figure 02時(shí)，就曾引發(fā)市場高度關(guān)注。Figure 02在大腦上，集成了OpenAI的GPT-4o多模態(tài)大模型，使其能夠更好地理解和響應(yīng)復(fù)雜指令。

多模態(tài)大模型不僅是技術(shù)的簡單疊加，而是推動(dòng)物理AI向前發(fā)展的重要技術(shù)支撐。大模型能力的本質(zhì)是對(duì)信息的壓縮與二次處理，多模態(tài)大模型擴(kuò)大了信息輸入模態(tài)，提升了模型能力天花板。

多模態(tài)大模型技術(shù)路徑是從圖像-語言模態(tài)融合再到三種以上模態(tài)的融合。語言模態(tài)的訓(xùn)練賦予了模型邏輯思維能力與信息生成能力；視覺模態(tài)的信息流密度較高，也與現(xiàn)實(shí)世界更貼切，可以大幅度拓展應(yīng)用場景，因此成為多模態(tài)技術(shù)的首選信息載體。在此基礎(chǔ)上，模型可以繼續(xù)發(fā)展動(dòng)作、聲音、觸覺等不同模態(tài)，以應(yīng)對(duì)更加復(fù)雜的場景。

多模態(tài)大模型的核心優(yōu)勢在于卓越的信息融合能力。通過對(duì)不同模態(tài)數(shù)據(jù)的同步處理與深度整合，模型能夠挖掘出跨模態(tài)信息之間的內(nèi)在關(guān)聯(lián)，從而生成更全面、準(zhǔn)確且富有洞察力的理解與回應(yīng)。

例如，在圖像描述生成任務(wù)中，模型可以結(jié)合圖像中的視覺元素與相關(guān)文本描述，生成精準(zhǔn)且流暢的自然語言描述，讓機(jī)器不僅能“看到”圖像內(nèi)容，更能以人類可理解的語言“講述”其中的故事，因此更能滿足機(jī)器在物理世界中廣泛應(yīng)用的需求。

通往AGI的新型網(wǎng)絡(luò)基礎(chǔ)設(shè)施

物理AI的崛起，正在將人工智能發(fā)展推向一個(gè)臨界點(diǎn)：我們能否構(gòu)建一張足夠智慧、堅(jiān)韌且包容的網(wǎng)絡(luò)，既釋放技術(shù)的全部潛力，又守護(hù)技術(shù)的核心價(jià)值？這不僅是工程師的挑戰(zhàn)，更是全社會(huì)的共同課題。

物理世界的運(yùn)行法則遠(yuǎn)比數(shù)字空間殘酷：決策偏差導(dǎo)致的不是程序報(bào)錯(cuò)，而是血淋淋的交通事故；模型推理需要的不是概率優(yōu)化，而是毫秒級(jí)的精準(zhǔn)控制。車路云網(wǎng)絡(luò)作為智能體與實(shí)體世界實(shí)時(shí)交互的AI網(wǎng)絡(luò)，正是打破這層玻璃的關(guān)鍵鑰匙，其通過大規(guī)模部署路側(cè)感知單元、每秒處理海量數(shù)據(jù)的邊緣計(jì)算節(jié)點(diǎn)，以及覆蓋城市道路的網(wǎng)絡(luò)，將數(shù)字智能注入物理世界的毛細(xì)血管。

這個(gè)龐大網(wǎng)絡(luò)的技術(shù)內(nèi)核在于“通感算一體化”架構(gòu)的突破。通信光纖如同神經(jīng)系統(tǒng)傳遞著每輛汽車0.1秒內(nèi)的加速度變化，激光雷達(dá)陣列如同視覺神經(jīng)捕捉著200米外行人的步態(tài)特征，云端超算集群則在時(shí)空維度編織著城市交通的數(shù)字孿生。

當(dāng)暴雨導(dǎo)致某路口能見度驟降時(shí)，路側(cè)基站能在百毫秒內(nèi)完成對(duì)車道行駛軌跡的預(yù)測，并通過車路云網(wǎng)絡(luò)向800米范圍內(nèi)的車輛發(fā)送分級(jí)制動(dòng)指令，賦予自動(dòng)駕駛車輛實(shí)現(xiàn)超越人類反應(yīng)極限的群體決策能力。

虛實(shí)融合的AI網(wǎng)絡(luò)正在重構(gòu)技術(shù)演進(jìn)的底層邏輯。車路云架構(gòu)將70%的感知計(jì)算任務(wù)轉(zhuǎn)移至路側(cè)設(shè)備后，車輛只需保留基礎(chǔ)算力模塊，如同普通駕駛者借助智能交通系統(tǒng)獲得“上帝視角”，相當(dāng)于用市政設(shè)施的群體智能彌補(bǔ)了單車感知的物理局限。

更深層的變革發(fā)生在模型和算法層面。數(shù)字世界AI可以承受99%的準(zhǔn)確率，但控制剎車系統(tǒng)的模型容錯(cuò)率必須是六個(gè)九。車路云網(wǎng)絡(luò)通過數(shù)字孿生技術(shù)，將現(xiàn)實(shí)路網(wǎng)克隆為可無限試錯(cuò)的虛擬沙盤。這種虛實(shí)閉環(huán)的進(jìn)化機(jī)制，讓人工智能在應(yīng)對(duì)電動(dòng)自行車突然變道時(shí)，能像三十年駕齡的老司機(jī)般預(yù)判軌跡，卻又不受人類駕駛員的情緒干擾。

在車路云網(wǎng)絡(luò)中，車輛不僅僅是信息的接收者，它同時(shí)也是信息的生產(chǎn)者。每一輛車的傳感器、攝像頭和其他設(shè)備所收集到的數(shù)據(jù)，都會(huì)實(shí)時(shí)傳輸?shù)皆贫恕＿@些數(shù)據(jù)不僅幫助優(yōu)化當(dāng)前車輛的駕駛決策，還會(huì)反向影響整個(gè)智能交通系統(tǒng)的運(yùn)行，通過共享信息，多個(gè)車輛和交通管理系統(tǒng)可以形成協(xié)同感知，從而提升整體道路的安全性和流暢度。

站在技術(shù)演進(jìn)的維度觀察，車路云網(wǎng)絡(luò)的價(jià)值遠(yuǎn)不止于交通效率的提升。它證明了一個(gè)更具普適性的范式：當(dāng)AI突破數(shù)字世界的邊界，其進(jìn)化軌跡必然要與物理實(shí)體深度融合。

這種融合不是簡單的控制與被控制，而是通過持續(xù)的環(huán)境交互形成自主演化能力。就像生物神經(jīng)系統(tǒng)的進(jìn)化史，從單細(xì)胞生物的應(yīng)激反應(yīng)到人類大腦的復(fù)雜認(rèn)知，智能的躍升永遠(yuǎn)伴隨著與真實(shí)世界互動(dòng)維度的拓展。

物理AI的覺醒，昭示著智能革命的拐點(diǎn)時(shí)刻已經(jīng)到來。當(dāng)城市化作流動(dòng)的神經(jīng)網(wǎng)絡(luò)，每個(gè)機(jī)器人、每輛汽車都可以成為自主決策的智能體。就像DeepSeek創(chuàng)始人梁文峰所言：“AI 的未來不在于取代人類，而應(yīng)該像水電一樣成為基礎(chǔ)設(shè)施，讓每個(gè)人都能享受到科技帶來的便利。”

實(shí)驗(yàn)室里的機(jī)械臂正在學(xué)習(xí)預(yù)測咖啡杯滑落前的震顫頻率，氣象AI系統(tǒng)同步調(diào)整著風(fēng)力發(fā)電機(jī)的葉片角度。這些看似碎片化的技術(shù)突破，實(shí)則在編織覆蓋全球的智能協(xié)同網(wǎng)絡(luò)。當(dāng)這個(gè)網(wǎng)絡(luò)達(dá)到臨界規(guī)模時(shí)，或許我們終將理解圖靈在1950年提出的那個(gè)終極問題：機(jī)器能否思考？答案可能藏在機(jī)器與物理世界持續(xù)對(duì)話時(shí)產(chǎn)生的電光石火之中。