文 | 大模型之家

在中國北方的一片廣闊草原上，一個規模龐大的零碳能源系統正在運行。風機、光伏陣列、儲能設備、電解槽與氨合成裝置彼此聯動，構成了一張復雜的能源網絡。與傳統電力系統依賴人工經驗調度不同，這套系統由人工智能在毫秒級時間尺度內完成決策——它實時感知氣象變化，預測風光資源波動，并在物理約束下不斷優化整個能源系統的運行效率。

隨著可再生能源占比不斷提高，風光資源的波動性與碎片化特征讓傳統調度模式愈發吃力。越來越多行業開始意識到，能源系統需要從“被動響應”轉向“主動優化”，從依賴人工經驗走向由算法驅動的自主運行體系。在這一過程中，人工智能不再只是分析數據的工具，而開始直接參與物理世界的運轉。

也正是在這樣的背景下，越來越多科技企業開始將人工智能從數字世界延伸到現實世界，一個新的技術概念逐漸進入產業視野——物理人工智能，即讓AI具備感知環境、理解物理規律并對現實世界產生行動的能力。

人工智能的下一階段，不再只是生成圖像、文字或代碼，而是要進入真實世界，與重力、摩擦、能量守恒這些基礎物理規律直接交互。

01 AI正在離開屏幕

“下一波AI浪潮將是物理人工智能?！庇ミ_創始人兼首席執行官黃仁勛在多個場合反復強調這一觀點。在他看來，物理人工智能意味著AI必須學習物理定律，并在仿真環境中進行數萬次的演練，才能彌合從“模擬到現實”的巨大鴻溝。

這種判斷正在得到越來越多企業的呼應。

2026年初，芯片公司Arm宣布成立專門的“Physical AI”業務部門，將機器人與汽車業務整合在同一體系中，以應對不斷增長的智能機器人市場需求。

幾乎在同一時期，汽車芯片廠商 恩智浦半導體 也在公開場合表示，“物理AI”正在成為工業自動化、機器人與智能設備的重要增長動力。

這些變化背后，是人工智能能力結構的一次重要轉移。

這種范式的轉變，標志著AI正在從一種“咨詢工具”進化為一種“執行主體”。

2024年諾貝爾物理學獎授予了約翰·霍普菲爾德（John Hopfield）和杰弗里·辛頓（Geoffrey Hinton），這被視為物理學與計算機科學融合的里程碑。正如諾貝爾委員會所言，人工神經網絡的構建基礎深深植根于物理學原理。而到了2026年，這種融合已經從理論進入了產業實操。

過去的大模型主要解決認知問題——理解文本、生成圖像、回答問題。但現實世界遠比數字空間復雜。機器需要理解空間關系、物體屬性和因果關系，還必須在毫秒級時間內做出決策。

學術界對這一趨勢也給出了系統化解釋。一些研究將物理AI描述為一個包含“感知—認知—行動”閉環的智能體系，其中機器通過與環境的持續互動來形成知識，而不是僅依賴數據訓練。

02 機器人為AI賦予“肉體”

在具身智能概念如火如荼的當下，物理AI最直觀的形態便是機器人。根據國際機器人聯合會的數據，目前全球運行的工業機器人已經超過400萬臺，而隨著AI能力的提升，這一數字仍在快速增長。多家機構預計，未來幾十年機器人將在制造、物流和服務業中承擔越來越多的任務。

在MWC 2026的現場，中國企業在具身智能領域的表現驗證了這一趨勢。智元機器人、宇樹科技、北京人形機器人創新中心等機構展示的產品，其核心突破并不在于“長得像人”，而在于它們對空間智能的掌握。

在技術日新月異的推動之下，機器人行業正在經歷一場架構升級。過去的工業機器人通常是高度專用化的設備，每一臺機器只負責單一任務。如今結合AI系統后，機器人開始具備更強的通用能力，可以在不同場景之間快速切換。

行業人士普遍認為，這種變化將重新定義自動化的邊界。隨著硬件成本下降和AI能力提升，機器可能在未來十年內承擔大量重復性勞動。

但物理AI的應用范圍遠不止機器人。

在自動駕駛領域，AI需要實時理解道路環境并做出決策；在工業制造中，AI可以用于設備預測維護和生產調度；在智慧城市和智能建筑系統中，AI也被用于監控與管理復雜基礎設施。

一些公司甚至嘗試通過模擬真實世界來訓練AI模型。以商湯科技推出的“開悟”生成式世界模型為例，它不僅是一個高精度的虛擬環境，更是一套能夠理解并預測物理演變的認知系統。依托商湯絕影的產業積淀，“開悟”能自主生成符合真實物理邏輯的長尾場景，使自動駕駛與機器人系統在進入現實世界前，便已在“數字化實驗室”中完成了數億次的極端工況演練。這種模式正在重塑具身智能從虛擬到現實的遷移范式。

03 AI成為能源產業的“中樞神經”

如果說機器人是物理AI最直觀的應用場景，那么能源系統則代表另一條更為復雜的技術路徑。

近年來，隨著新能源比例不斷提升，電力系統的復雜度正在顯著增加。天氣變化、電力市場價格以及設備運行狀態都會影響系統運行效率。因此，一些企業開始嘗將AI引入電力系統管理。其中，遠景科技集團提出了將人工智能與能源系統深度融合的思路。

遠景科技集團董事長、遠景能源創始人張雷指出，傳統大模型主要用于消費互聯網場景，而能源系統屬于復雜的物理系統，其運行必須遵循物理規律和工程約束，因此需要新的AI模型體系。

在新型電力系統中，由于氣象資源的隨機性和波動性，傳統的調度手段已難以應對多變的場景。遠景推出的“伽利略AI風儲一體機”及其背后的“天樞”能源大模型，本質上就是將物理控制作為核心，將風機、儲能系統與AI模型結合，通過云、邊、端協同實現實時控制和優化調度。

從行業視角看，這種探索體現出物理AI的另一種形態——即通過AI對復雜工業系統進行整體優化，而不僅僅是控制單一設備，將能源系統實現從簡單的基礎設施堆疊到“智能體生態”的轉變。

04 從算法競爭到系統競爭

與互聯網時代的AI不同，物理AI的競爭不僅是算法競爭，更是一場系統工程的競爭。

一個完整的物理AI系統通常包含多個關鍵環節：傳感器、計算芯片、網絡連接、控制系統以及執行機構。只有當這些要素協同工作，機器才有可能在現實世界中穩定運行。

這也是為什么越來越多科技公司開始從單一技術走向系統化布局。

芯片企業正在開發專門面向機器人和自動駕駛的計算平臺；通信企業嘗試將網絡升級為支持AI運行的基礎設施；機器人公司則在硬件與軟件之間尋找新的協同方式。

在這一過程中，產業鏈的重要性變得更加明顯。機器人、電機、傳感器和電池等核心組件，都依賴成熟的制造體系。只有當這些供應鏈形成規模，物理AI設備才有可能從實驗室走向量產。

因此，一些行業觀察者認為，物理AI的競爭格局將不僅由技術決定，也與產業基礎密切相關。

05 寫在最后

如果回看過去二十年的技術發展，可以發現人工智能經歷了幾個明顯階段。

早期AI主要集中在算法研究；移動互聯網時代，AI成為互聯網產品的核心能力；而在生成式AI浪潮中，大模型成為技術競爭的焦點。

如今，隨著機器人、自動駕駛與工業AI的發展，人工智能正在從“信息智能”走向“物理智能”。

從機器人到能源系統，從工業設備到城市基礎設施，越來越多行業正在將人工智能視為一種新的基礎能力。

技術周期的變化往往需要多年時間才能顯現。但從當前產業動向來看，當人工智能真正開始“觸摸世界”時，一個新的產業階段已經悄然展開。