物理AI：通向具身智能的桥梁
2026年1月5日，在国际消费电子展（CES）的主论坛上，英伟达公司CEO黄仁勋发表了一场引人注目的演讲，提出“物理人工智能的‘ChatGPT时刻’已经到来”。在他看来，能够理解现实世界并具备推理与执行能力的AI，正在悄然改变各行各业。
中国科学技术大学人工智能与数据科学学院特任教授、博士生导师王翔在接受科技日报采访时表示，物理AI最有可能率先在智能科学发现与工业制造等关键领域实现应用落地。
物理AI究竟意味着什么？它将如何影响未来？又面临哪些现实挑战？
从“表达”到“执行”
2025年3月，黄仁勋在英伟达GPU技术大会上指出，生成式AI正在成为过去式，取而代之的是“代理AI”与“物理AI”的崛起。几个月后，在第三届中国国际供应链博览会的演讲中，他首次系统阐述了物理AI的定义：这是一种能够理解并交互于现实世界的AI技术，使自主系统（如机器人、自动驾驶车辆）具备感知、理解与操作复杂物理环境的能力。
黄仁勋将AI的发展划分为四个阶段：感知AI、生成AI、代理AI与物理AI。他认为，物理AI的关键在于将AI与物理世界的规律融合，使系统能够理解重力、摩擦、材料属性等物理特性，并实现从虚拟到现实的过渡。
王翔指出，物理AI的核心在于“感知—推理—执行—反馈”的闭环能力。它不仅具备思考能力，还能通过机器人等实体设备执行任务，并在现实反馈中不断优化自身。
他进一步强调，物理AI的目标并非在封闭环境中完成单一任务，而是在开放、动态和不确定的场景中实现泛化与稳定运行。如果说生成式AI让机器学会了“表达”，那么物理AI则赋予了机器“指挥行动”的能力。
2026年CES上，英伟达展示了两款关键产品：基于超过2000万小时真实数据训练的Cosmos模型，以及面向自动驾驶场景的开源推理模型Alpamayo。Cosmos被视为AI的“物理教材”，帮助系统理解碰撞、重力等基本物理规律；而Alpamayo则如同自动驾驶的“智能中枢”，在复杂路况中做出自主判断。
重塑产业格局
随着AI从虚拟世界走向物理世界并开始理解现实，其应用场景正以前所未有的广度和深度渗透到多个领域。从制造业到医疗健康，从交通出行到家庭服务，物理AI正在推动行业的革新。
王翔指出，物理AI最直接的影响在于将自动化从“固定流程”升级为“动态泛化”。在智能制造领域，物理AI正在重塑柔性生产的范式。传统产线依赖固定程序，一旦变更需要停机调试。而搭载物理AI的产线能够实时感知物料位置、检测缺陷，并动态优化生产节奏。例如，某新能源电池工厂通过英伟达Omniverse构建数字孪生系统，将设备利用率提升了35%，能耗降低20%。特斯拉工厂的焊接机器人在物理AI的支持下，精度突破0.1毫米，并具备双臂协作能力。
在工厂场景中，多台自主移动机器人能够协同作业，不仅避开静态障碍，还能预测人员路径，实现人机共融。黄仁勋预测，未来十年，工厂将由AI驱动的机器人团队主导。
如果说智能制造是物理AI的“试验场”，那么自动驾驶则是其“主战场”。目前，多数自动驾驶系统仍依赖标注数据，在雨雪或事故等边缘场景下表现受限。而基于物理AI的Alpamayo模型采用视觉—语言—动作架构，不仅能“看到”路况，还能“理解”交通参与者的行为意图。
数据显示，小鹏汽车的自动驾驶系统集成物理AI后，应对恶劣天气的能力提升了30%；特斯拉Optimus机器人通过虚拟训练，动作精度提高了50倍。
在医疗领域，物理AI推动了手术机器人迈向更高精度。传统远程手术依赖医生经验，而新一代系统通过物理建模，能够精确计算组织张力、缝合力度与器械形变，并自动调整参数。例如，在心脏搭桥手术中，物理AI能实时分析血流动力学与组织弹性，指导机械臂以最佳压力完成血管吻合，避免撕裂或渗漏。临床试验表明，达芬奇手术机器人集成物理AI后，术中出血量减少40%；超声穿刺机器人在经过虚拟器官模型训练后，操作失误率下降60%。
王翔还特别指出，物理AI在智能科学发现中潜力巨大。它能够将“假设—实验—分析—迭代”的过程转化为自动化闭环，推动自动化实验平台进行高通量探索，选择最有信息增益的实验，并实时纠正错误，从而加速新材料、新药和复杂工艺的研发。
挑战仍存
尽管物理AI展现出广阔前景，但其规模化落地仍面临多重障碍。
首先是数据成本问题。王翔表示，真实交互数据昂贵、稀缺，且存在反馈延迟，长尾工况难以覆盖，导致学习和迭代成本居高不下。例如，一辆无人驾驶汽车可能需要行驶数百万公里才能遇到极端天气下的紧急情况，而每次失误都可能带来巨大损失。
此外，物理AI还需在开放环境中应对未知场景与实时干扰，并在仿真与现实之间的偏差中保持鲁棒性和可控性。从虚拟到现实的跨越，仍然面临动力学建模、传感器噪声等多重技术障碍。
伦理与责任问题同样亟待解决。如果物理AI驱动的无人驾驶车辆发生事故，责任应归于开发者、运营商还是AI系统本身？当前法律体系尚未完善，相关规则亟需建立。王翔强调，物理AI必须具备内生安全机制，并叠加可验证的安全约束、全链路审计与合规闭环，才能支撑其大规模部署。
最后，人机信任仍是不可忽视的难题。许多人担忧被AI取代，或对机器决策缺乏信心。唯有通过透明设计、渐进部署与持续沟通，方能赢得公众认可。
王翔指出：“物理AI不仅是技术的升级，更是一次认知层面的跃迁。真正的智能，不只是‘算得快’，更是‘懂世界’。”
当机器人开始理解重力，当自动驾驶汽车学会预判雨天中的湿滑路面，当手术机械臂懂得生命的脆弱与组织的柔软……我们或许可以说，机器，正在逐步获得某种意义上的“具身智能”。