什么是Physical AI？智能机器时代已来临

说起来，在很长一段时间里，人工智能一直是个“软件居民”。它读文档、写文章、给图片分类、回答各种问题——但就是没法对真实世界施加任何实际影响。它没法从生产线上拿起一个零件，没法在凌晨两点在仓库里穿行，更没法在没人告诉它该找什么的情况下，对从未见过的危险做出反应。

但这一切正在改变。

，指的是那些不仅能处理信息，还能感知、推理并对自己所处的物理环境做出行动的人工智能系统。AI从软件能力蜕变为现实世界的运营存在，这可能是该技术发展史上最深刻的一次转折。而对于那些运营着物理环境的组织来说，这个转变正在当下发生，就在眼前。

Physical AI是为在物理世界中运行和交互而专门设计的一类AI系统。传统AI处理数字输入、产生数字输出，而Physical AI系统则通过摄像头、激光雷达、麦克风和其他传感器采集感知数据，对数据背后的上下文含义进行推理，并据此采取物理行动。

它和自2022年以来占据公众注意力的生成式AI有着本质区别。生成式AI产生内容——文本、图像、代码和音频。而Physical AI产生的是

。

生成式AI模型可以描述如何在仓库里导航——但Physical AI系统是真正在里头跑。一个输出的是信息，另一个输出的是物理行动。

这个术语的广泛流行，很大程度上要归功于Jensen Huang（黄仁勋）在CES 2025上的断言：“机器人领域的ChatGPT时刻已经到来。”他把Physical AI定位为大语言模型时代之后的下一波变革浪潮。市场数据也印证了这一点：全球Physical AI市场规模在2025年估值约为50亿美元，预计到2033年将达到830亿至1190亿美元，年复合增长率约32%~36%。

Physical AI是多种能力的组合，这些能力共同使机器能够在物理世界中智能地运行。要理解它的工作原理，需要先了解每个系统赖以存在的三个层次。

---

任何Physical AI系统的基础，都是感知环境的能力。计算机视觉是最主要的感知技术，约占Physical AI技术市场的42%~45%。它赋予机器实时观看和解读摄像头视觉数据的能力，包括检测物体、理解空间关系、识别人物和追踪运动。

需要注意的是，Physical AI中的计算机视觉远不止是过去十年定义了该领域的物体分类任务。它必须同时理解深度、运动和环境上下文，推理某个场景的含义以及接下来可能发生什么——而不仅仅是给当前存在的东西打上标签。这就是为什么从窄域训练的计算机视觉模型转向大型视觉模型（Large Vision Models, LVMs）如此重要：物理环境真正需要的是一般性视觉理解，而非特定任务的检测。

---

推理与决策

光有感知还不够。系统必须决定如何应对它所感知到的信息。这就是推理能力发挥作用的地方——这些能力越来越由大语言模型（LLM）、视觉语言模型（VLMs）和多模态基础模型提供支撑。系统必须解读当前情境、确定恰当的响应方案、规划一系列行动并按顺序实时执行。

在复杂的物理任务中，这个推理层必须处理不确定性、不完整信息以及开发阶段未曾预料到的新场景。这正是Physical AI与早期基于规则的自动化系统之间的根本区别之一——后者只能对明确编过程序的情境做出响应。

---

行动：控制系统与执行

第三层是物理行动。控制系统将推理层的决策转化为物理动作——无论是操控自动驾驶车辆、合拢机械臂的手指、调整人形机器人的步态，还是在运营工作流中触发警报。这些控制系统的设计和精度，直接决定了Physical AI系统能否在人类工人身边可靠且安全地运行。

---

Physical AI如何工作：在模拟与真实环境中训练

训练Physical AI是该领域技术挑战最大的任务之一。与可以从互联网上抓取文本进行训练的语言模型不同，Physical AI系统必须从物理交互中学习——而物理交互缓慢、昂贵，有时大规模重复还伴随着危险。

• 模拟环境中的强化学习：
  AI系统在模拟物理环境中通过试错学习，成功的动作获得奖励，失败的受到惩罚。在模拟环境中运行数百万次试错，能大幅压缩实际世界中难以实现的时间线。NVIDIA的Cosmos和Isaac Lab平台正是为此而设计，在实际部署前生成合成物理环境用于训练AI系统。

• 来自人类示范的模仿学习：
  AI系统通过观察和复制人类行为来学习。人类操作员演示目标任务，系统学习如何复现。这种方法在难以定义奖励函数的复杂操控任务中尤其重要。

• 基础模型迁移：
  将具有广泛世界知识的预训练大模型在物理任务数据上进行微调，利用模型中已嵌入的通用推理能力，而非从头开始训练。这能大大减少在特定领域训练Physical AI所需的数据量。

强化学习仍然是Physical AI在规则清晰且可可靠模拟的环境中的主导范式，包括自动驾驶车辆导航、机械臂操控和物流路径规划。强化学习的试错本质意味着系统会开发出人类设计者未曾预料到的策略，往往能得出比人工设计方案更快、更鲁棒或更节能的解法。

---

Physical AI的实际部署：已落地的应用场景

需要强调的是，Physical AI并非未来技术——它已经在多个行业以商业规模部署。

行业	Physical AI应用	实例
汽车	自动驾驶导航、驾驶辅助	Tesla全自动驾驶（Full Self-Driving）、Waymo自动驾驶出租车队
制造	机械臂装配、质量检测、协作机器人	现代汽车工厂的Boston Dynamics Spot、ABB机器人系统
物流	自主移动机器人、仓库导航、分拣	Amazon仓库的Agility Robotics Digit
医疗	手术辅助、患者监护、药房自动化	da Vinci手术系统、自动发药系统
建筑	工地监控、设备自动化、安全合规	无人机巡检、自动驾驶挖掘机
运营/HSE	实时视觉智能、智能体安全监控	VGI驱动的自然语言查询式运营洞察

Physical AI最清晰的公共图示是自动驾驶车辆。自主驾驶同时需要Physical AI栈的每一个要素：计算机视觉感知车道、障碍物和行人；推理解析复杂且模糊的交通场景；控制系统将决策实时转化为转向、加速和制动。

正是这套让AI足够强大到在公开道路上驾驶汽车的架构，同样使其能够操作生产线上的机械臂或仓储物流中的自主移动机器人。

最引人注目的Physical AI系统是那些已经从研究新奇事物走向商业部署的人形机器人。Tesla Optimus Gen 3于2026年1月开始量产。Boston Dynamics的电动Atlas部署在现代汽车工厂。Agility Robotics的Digit在Amazon仓库中运行。

这些人形机器人是Physical AI最可辨识的形态，但并非商业化最成熟的形态。Physical AI部署量最大的领域反而是那些不太显眼的系统：在公共道路上运行的自动驾驶车队、电子和汽车制造中运转生产线的机械臂单元、以及管理物流仓储库存和拣货的自主系统。

---

Physical AI运营：视觉智能的作用

对于大多数组织而言，Physical AI最触手可及且立竿见影的价值体现并非人形机器人或自动驾驶车辆——而是嵌入在工厂已安装摄像头中的智能。

计算机视觉占据Physical AI市场最大的技术份额，因为它是最广泛可部署的物理世界感知形式。每个装有摄像头的设施都在持续产生物理世界数据。问题始终在于：AI能否让组织实时从这些数据中提取智能，以及这些智能能否驱动行动、而不仅仅是生成报告。

这正是Physical AI与智能体式计算机视觉（Agentic Computer Vision）的汇合点。一个智能体式的Physical AI系统不会仅仅检测到摄像头画面中的事件然后记录日志——它会感知正在发生什么、推理上下文、确定恰当的响应方案、并执行完整的工作流：通知正确的团队、更新相关系统、记录事件并发起纠正措施——而人类甚至还没看完一帧画面。

物理环境产生数据，AI系统处理数据并采取行动。

视觉型Physical AI能够在环境中推理。如果叉车驶入行人专用区，应该怎么办？

视觉通用智能（Visual General Intelligence, VGI）——这个概念在2025年被定义并发布基础白皮书——是将Physical AI原理应用于企业级运营视觉智能的实践。传统计算机视觉针对特定环境中的特定任务训练，而VGI系统能够理解任何物理环境、用自然语言回答关于环境的任何问题，并在无需模型训练或标注的情况下对所见采取行动。这就是Physical AI从实验阶段走向运营阶段的样貌。

---

Physical AI vs. 生成式AI：理解差异

Physical AI与生成式AI的关系常常被误解。它们并非竞争关系——生成式AI正在越来越多地成为Physical AI系统的一个组成部分。区别在于AI最终做什么。

• 生成式AI：
  响应数字输入产生数字内容。输出结果是文本、图像、代码或音频。它在软件环境中运行。

• Physical AI：
  响应来自真实世界环境的感知输入产生物理行动。输出结果是运动、决策和运营后果。它在物理世界中运行。

• 交汇点：
  现代Physical AI系统越来越多地使用生成式AI模型作为它们的推理层。大语言模型解读情境，视觉语言模型处理视觉输入，控制系统执行动作——生成式AI让Physical AI更强大，而Physical AI给生成式AI装上了身体。

正是这种交汇，使当前这个时刻区别于以往每一波机器人和自动化浪潮。前几代物理系统以固定规则编程，无法适应训练范围之外的场景。而基于基础模型构建的Physical AI系统能够泛化。

在先进制造工厂组装车辆的自主机械臂。经过装配任务训练的机械臂，配合适当的基础模型集成，可以适应从未处理过的新型零件。在一个城市训练过的自动驾驶车辆可以在另一个城市导航。部署在制造工厂的运营视觉智能系统，可以让从未写过一行代码的HSE经理用自然语言查询。

---

常见问题

Physical AI是指感知、推理并对其所处的物理世界做出行动的AI系统。与传统人工智能处理数字输入并产生数字输出不同，Physical AI系统通过传感器、摄像头和执行器直接与真实世界环境交互。实例包括自动驾驶车辆、人形机器人、机械臂系统和AI驱动的运营视觉平台。

Physical AI通过三个集成层工作：感知（通常是计算机视觉和传感器融合）、推理（通常是基础模型或强化学习智能体）和行动（将决策转化为物理运动或运营响应的控制系统）。训练Physical AI通常涉及模拟环境中的强化学习、来自人类示范的模仿学习，或在物理任务数据上微调预训练的基础模型。

传统机器人以固定规则编程，只能执行它们明确设计好的任务。Physical AI系统能够泛化，适应新场景，从经验中学习，并像人观察和解读环境那样进行上下文推理。Physical AI使机器人比基于规则的自动化系统更加智能和适应性强。

计算机视觉是大多数Physical AI系统的主要感知层，占据Physical AI技术市场相当大的份额。它赋予机器实时看见和解读物理世界的能力：检测物体、理解空间关系、追踪运动、识别事件。没有计算机视觉，大多数Physical AI系统对其运行的环境将形同瞎子。