2026 年世界人工智能（885728）大会（WAIC）上，物理 AI 已经成为继大语言模型和智能体之外，从业者们最为关注的发展方向之一。而数据不足或数据维度不够，当前已经成为物理 AI（如自动驾驶、具身智能机器人）发展的实际掣肘。

对此，速腾聚创（HK2498）市场总监谢阗地认为，物理 AI 正处于一个 " 即将爆发但尚未全面爆发 " 的阶段，急需通过相匹配的传感器（885946）进行海量的数据积累。

" 过去我们的传感器（885946）主要是卖给机器人公司，大家一起来做机器人对环境的感知。" 谢阗地表示，" 但从今年开始，我们发现一个非常鲜明的趋势：有大量 AI 数据基建公司正在与我们展开深度合作。他们专注于做数据的采集、加工和闭环，以此来训练更好的具身智能模型，让机器人能够处理更复杂的任务。在这个过程中，整个数据闭环体系对感知数据的质量提出了全新的要求。"

" 大家已经见证了大语言模型的巨大潜力，甚至它能完成许多超预期的任务。我们相信，具身智能或者说物理 AI 也将经历类似的发展曲线。传统的视频数据对于具身大模型来说，其实是相对粗糙的。它需要更完整的空间数据结构，需要更精确的深度信息，这对传感器（885946）提出了极高的要求。传统的单摄像头或者普通视频素材可能就不够用了。这也催生了一批新兴的专业做具身数据的公司，我们正在与这些公司建立生态合作。" 谢阗地告诉记者。

记者从 WAIC 上了解到，目前具身智能机器人主要通过两种方式进行仿真训练，一是利用传统图像，以智能化模拟仿真空间的方式训练 AI，其优势是可以在短时间内通过模拟仿真环境获得大量实验场景；二是通过激光雷达等数采传感器（885946），对特定场景的空间进行数字化提取，再借助仿真软件（如虚幻引擎）进行训练。

目前，后一种方式取得了更快的商业化进展，因为具身智能企业短期的应用场景主要围绕特定空间的标准化流程来实现解决方案落地。

" 目前许多 AI 公司在用传统视频数据，通过算法和计算网络去计算深度信息。但我们要知道，获得深度信息最快、最直接、最精准的方法就是利用激光雷达的工作原理去直接测量。我们其实发现，所有公司在做物理 AI 时，最终都意识到需要准确的深度信息，才能让机器人理解现实世界，理解前后左右的结构关系。这就需要新的数据采集结构和加工流程。"

（作者：赵云帆 编辑：郑世凤 , 张明艳 视频编辑：柳润瑛）