物理AI：人工智能發展又一高光時刻

　“物理人工智能（物理AI）的‘ChatGPT時刻’已經到來。”2026年1月5日，英偉達公司首席執行官黃仁勛在國際消費電子展（CES）的主題演講中宣告。在他看來，那些能理解現實世界、進行推理并規劃行動的AI模型，正悄然惠及并改變無數行業。

　　物理AI不僅是技術升級，更可能以前所未有的深度賦能千行百業。中國科學技術大學人工智能與數據科學學院特任教授、博士生導師王翔在接受科技日報記者采訪時表示：“物理AI最有可能率先在智能科學發現、智能工業制造等場景中落地應用。”

　　那么，什么是物理AI？它將如何重塑未來？又面臨哪些挑戰？

從制造業到醫療，從交通到家庭服務，物理AI正以前所未有的深度融入并賦能各行各業。圖為一名男子在2026年美國拉斯維加斯消費電子展上走過印有物理AI字樣的展臺。

新華社發（曾慧攝）

　　從“會說話”到“會做事”

　　2025年3月，黃仁勛在英偉達GPU技術大會上斷言，生成式AI已成為過去，未來屬于“代理AI”與“物理AI”。半年后，他在第三屆中國國際供應鏈博覽會上首次系統闡述了這一概念：物理AI是指能夠理解現實世界并與之進行交互的AI模型，是一種“使自主機器（如機器人、自動駕駛汽車等）在真實物理世界中感知、理解和執行復雜操作”的技術。

　　黃仁勛將AI的演進分為四個階段：感知AI、生成AI、代理AI、物理AI。他認為，物理AI的核心在于“AI與物理世界的融合”，其關鍵是讓AI系統理解并應用重力、摩擦、材料特性等物理規律，實現從虛擬智能到實體執行的跨越。

　　“物理AI意味著AI系統具備在真實世界中‘感知—推理—行動—反饋’的閉環能力。”王翔闡釋道，“它不僅會思考，更能通過機器人等具身設備執行任務，并從真實反饋中持續糾錯、自我進化。”

　　他進一步強調：“物理AI的核心不是在封閉環境中完成單一任務，而是在開放、動態、充滿不確定性的場景中穩定運行、泛化適應。如果說生成式AI讓機器學會‘表達’，物理AI則賦予機器‘指揮行動’的能力。”

　　2026年CES展會上，英偉達以兩款產品為物理AI寫下注腳：基于超2000萬小時真實數據訓練的物理AI模型Cosmos，以及面向自動駕駛場景的開源推理模型Alpamayo。前者如AI的“物理教科書”，教會機器理解碰撞、重力等行為規律；后者則是自動駕駛的“大腦”，能在復雜路況中自主判斷、安全通行。

　　重塑相關產業圖景

　　當AI的觸角從虛擬世界延伸至物理維度，并真正理解了物理世界，它的應用場景便如星辰大海般展開。從制造業到醫療，從交通到家庭服務，物理AI正以前所未有的深度融入并賦能各行各業。黃仁勛多次強調，物理AI與機器人技術將開啟新一輪工業革命。

　　王翔指出，物理AI最直接的影響是把自動化從“固定流程”推進到“動態泛化”。在智能制造中，物理AI正塑造柔性生產新范式。傳統產線依賴固定程序，變更即需停機調整。而搭載物理AI的產線可實時感知物料位置、檢測缺陷、動態優化節奏。例如，某新能源電池廠通過英偉達Omniverse構建數字孿生系統，使設備利用率提升35%，能耗降低20%。特斯拉工廠的焊接機器人在物理AI輔助下，精度突破0.1毫米，甚至能雙手協同完成精密作業。

　　更值得關注的是，多臺自主移動機器人可在車間協同作業，不僅能避開靜態障礙，還能預判工人路徑、主動避讓，實現真正的人機共融。黃仁勛預言：“未來十年，工廠將由AI協調的機器人團隊運營。”

　　如果說智能制造是“練兵場”，那么自動駕駛便是物理AI的“主戰場”。當前多數自動駕駛系統仍依賴標注數據，面對雨雪、事故等“邊緣場景”往往力不從心。而基于物理AI的Alpamayo模型采用視覺—語言—行動架構，不僅能“看見”路況，更能“理解”交通參與者的意圖與行為之間的因果關系。

　　數據顯示，小鵬自動駕駛系統融合物理AI后，應對惡劣天氣的能力提升30%；特斯拉Optimus機器人通過虛擬訓練，動作精度提高50倍。

　　在醫療領域，物理AI正推動手術機器人走向更高精度。傳統遠程操作依賴醫生經驗，而新一代系統可通過物理建模，精確計算組織張力、縫合力度與器械形變，自動調整參數。例如在心臟搭橋手術中，物理AI能實時分析血流動力學與組織彈性，指導機械臂以最佳壓力完成血管吻合，避免撕裂或滲漏。臨床試驗表明，達芬奇手術機器人集成物理AI后，術中出血量減少40%；超聲穿刺機器人在經過虛擬器官模型訓練后，操作失誤率下降60%。

　　王翔則特別關注物理AI在智能科學發現中的潛力：“它將‘假設—實驗—分析—迭代’轉化為可規模化的自動閉環，驅動自動化實驗平臺進行高通量探索，主動選擇信息增益最大的實驗并實時糾錯，從而加速新材料、新藥與復雜工藝的研發。”

　　仍有險峰待攀登

　　盡管前景廣闊，物理AI的大規模落地仍面臨多重挑戰。

　　首當其沖的是成本問題。王翔表示：“真實交互數據昂貴、稀缺且反饋延遲，長尾工況難以覆蓋，導致物理AI的學習與迭代成本居高不下。”例如，一輛無人車可能需行駛數百萬公里才能遭遇一次極端天氣下的緊急場景，而每一次失誤都可能代價高昂。

　　此外，物理AI需在開放環境中應對未知場景、實時干擾，并在仿真與現實的偏差中保持魯棒性與可控性。而且，從虛擬到現實的跨越，物理AI仍面臨動力學、傳感噪聲等多重壁壘。

　　倫理與責任問題同樣不容忽視。若物理AI驅動的無人車發生事故，責任應歸于開發者、運營商還是AI自身？當前法律框架尚未完善，亟待建立清晰規則。王翔強調：“物理AI必須具備內生安全機制，疊加可驗證的安全約束、全鏈路審計與合規閉環，才能支撐其規模化部署。”

　　最后，人機信任的鴻溝依然存在。許多人擔憂被AI取代，或對機器決策缺乏信心。唯有通過透明設計、漸進部署與持續溝通，才能贏得社會接納。

　　王翔強調：“物理AI不僅是技術的迭代，更是認知的躍遷。真正的智能，不只是‘算得快’，更是‘懂世界’。”

　　當機器人開始理解重力，當自動駕駛汽車學會預判風雨中的濕滑路面，當手術機械臂懂得生命的脆弱與組織的柔軟……我們或許可以說，機器，正在獲得某種意義上的“具身意識”。

（記者 劉 霞）