物理AI正從概念走向產業現實。浙商證券在最新發布的行業深度報告中指出，繼感知AI、生成式AI、Agentic AI之后，物理AI將成為AI技術演進的下一站——其核心在于讓模型理解并預測真實世界狀態，從而驅動自動駕駛、具身智能和工業軟件等場景的深度變革。

在市場規模上，Coatue Management預計物理AI市場規模至少可達6萬億美元，較數字AI高出約50%。英偉達CEO黃仁勛在2026年CES上表示，物理AI可重塑價值約50萬億美元的制造和物流產業。與此同時，頂尖學者與科技巨頭正密集入場：圖靈獎得主楊立昆成立的AMI Labs完成10.3億美元種子輪融資；AI教母李飛飛聯合創立的World Labs完成10億美元新一輪融資，成立不到兩年估值突破50億美元；英偉達則宣布下一代芯片Feynman專為物理AI設計，預計2028年發布。

浙商證券認為，當前物理AI尚無固定實現范式，需由世界模型與VLA（視覺—語言—動作模型）共同支撐。自動駕駛、具身智能和工業軟件構成物理AI最核心的三大落地場景，其中自動駕駛有望率先跑通"數據閉環"與"商業閉環"。報告建議重點關注具備世界模型能力的公司，以及上述三大場景中的軟硬件標的。

技術定義：從生成式AI到物理AI的范式躍遷

浙商證券報告指出，物理AI是可以理解真實世界的AI系統，需要回答兩個核心問題：世界接下來如何變化，以及實體發生動作之后世界會如何反應。相較于生成式AI局限于數字世界的語言理解與內容生成，物理AI的工作空間在真實物理世界，核心能力涵蓋感知、行動與控制，價值體現于工業控制、具身智能和無人駕駛等實體場景。

黃仁勛將AI技術演進總結為三代范式：從感知AI到生成式AI，再到Agentic AI，下一站將是物理AI——"能夠運行、推理、計劃和行動的AI"。

物理AI的模型能力亦經歷三個階段的演進。1.0時代依賴硬編碼規則，場景適應性差；2.0時代轉向數據驅動，依靠海量數據模仿學習，但缺乏對物理世界的真正理解；當前進入3.0推理驅動時代，以世界模型+VLA+強化學習為核心，具備環境推理、因果理解與規劃能力，支持復雜任務的閉環決策。

核心技術：世界模型與VLA尚未形成統一范式

浙商證券報告強調，當前物理AI的實現依賴世界模型與VLA兩大核心組件，但兩者均處于技術路線尚未收斂的階段。

世界模型的原始概念來自強化學習領域，指AI智能體通過在內部構建外部世界表征，從而在"腦海中"預演行動方案。其核心價值在于，真實世界具有不可逆性，傳統仿真也無法支持智能體進行"決策—觀察結果"的反復試錯循環，而世界模型則可構建無限逼近真實世界的虛擬環境，以更低成本、更安全的方式支撐AI訓練。

谷歌DeepMind CEO Demis Hassabis在2026年CNBC開年采訪中判斷：AGI還差一塊拼圖，可能正是世界模型。

目前，世界模型在學術領域形成四條主流技術路線：觀測級生成式模型強在"逼真"，以Sora為代表；潛在空間模型強在"效率"，以JEPA系列為代表；強化學習導向模型強在"決策"，以Dreamer系列為代表；以對象為中心的模型強在"可解釋性"，以SlotFormer為代表。李飛飛認為，世界模型需具備生成式、多模態、交互式三種能力。

VLA模型（視覺—語言—動作模型）則通過端到端學習，在統一模型中將視覺和語言模態的任務語義映射到具體操作，省略手工設計規則與模塊對接。自2023年谷歌DeepMind發布RT-2以來，VLA研究進入新階段，斯坦福于2024年發布首個開源7B參數通用機器人操控VLA模型OpenVLA，英偉達于2025年發布面向通用人形機器人的開源VLA基礎模型GR00T N1。

三大落地場景：自動駕駛、具身智能與工業軟件

自動駕駛是浙商證券認為最有望率先跑通物理AI"數據閉環"與"商業閉環"的場景。每年全球車輛累計行駛里程約13萬億英里，可持續采集的多模態真實數據、清晰的商業收費模式以及可規模化復制的產業鏈，為自動駕駛構建獨特優勢。

2026年北京車展上，物理AI已成為隱形主線。自動駕駛解決方案商層面，小馬智行CTO樓天城發布世界模型2.0，核心突破在于賦予AI自我診斷與定向進化能力；Momenta正式發布R7強化學習世界模型；輕舟智航宣布戰略重心從"無人駕駛"全面升級為"通用物理AI"。車企層面，小鵬計劃將2026年物理AI相關研發投入提升至70億元；吉利發布WAM世界行為模型，并宣布與英偉達在物理AI領域深度協同；奇瑞官宣與英偉達達成全球戰略合作，聚焦輔助駕駛、座艙AI和機器人三大領域。

具身智能被浙商證券定義為物理AI"感知—理解—推理—行動"閉環的核心載體。物理AI技術棧的演進，正推動機器人從"剛性自動化"走向"真實自主"——相比傳統機器人，物理AI賦能的機器人可處理不可預測和未知零部件，減少人工編碼工作量，加快部署速度。

工業軟件被定位為物理AI訓練、驗證、部署和運維的"控制臺"。報告認為，工業軟件數據不可復制、安全合規要求高、云邊端協同復雜，構成較強護城河，與物理AI之間呈互補共生、雙向賦能關系：工業軟件為物理AI提供物理底座、高質量數據與驗證環境；物理AI則為工業軟件提供智能加速、自動化決策與閉環優化能力。CAE仿真、數字孿生、工業控制、工業IoT、能源調度、EDA/CAD均是主要受益場景。