本报记者 金婉霞 袁传玺

    今年以来，物理 AI 在资本市场的热度持续提升。世界模型、具身智能、机器人训练平台等新概念受到广泛关注，越来越多的上市公司布局这一赛道。

    物理 AI 究竟是什么？简单来说，它使 AI 不再是 " 纸上谈兵 "。此前 AI 处理的是文字、图像、视频等虚拟信息，而物理 AI 要让机器真正理解重力、摩擦、空间、碰撞等物理规律，并驱动机器人、自动驾驶汽车、工业设备等实体在现实世界中完成复杂任务。

    当资本市场的聚光灯照向物理 AI，人们不禁要问：它与大众熟悉的大语言模型到底哪里不一样，是只会 " 思考 " 还是真能 " 动手 "？它距离真正走进工厂、医院乃至家庭还有多远？带着这些问题，《证券日报》记者走进研发一线，寻找物理 AI 如何从 " 会思考 " 向 " 会动手 " 进阶的答案。

    AI 开始理解真实世界

    光轮智能（北京）科技股份有限公司（以下简称 " 光轮智能 "）成立于 2023 年，致力于构建物理 AI 数据与评测基础设施。随着物理 AI 加速发展，光轮智能近期连续完成两轮融资，融资后估值已超 20 亿美元。

    走进光轮智能位于上海市嘉定区的物理 AI 实验区，《证券日报》记者看到，多组机械臂正在不同工位上进行抓取、开关柜门、工具操作等任务测试。光轮智能工作人员介绍，机械臂每完成一次动作，视觉、关节状态和接触反馈等多模态信息都会被同步记录，用于后续的数据分析、物理参数校准和模型评测。

     " 这些测试并非简单依靠机械臂重复动作来堆积数据，而是通过不同物体、参数和扰动条件，测量并验证机器人与真实世界交互中的作用力、接触状态、材料属性和运动结果，为仿真环境校准和模型评测提供依据。" 光轮智能工作人员表示，这是为了让机器理解在与真实世界交互时究竟发生了什么。比如，以开门为例，人类可以根据经验自然判断门的重量、把手的位置和开门方向，但对机器人而言，这一过程涉及视觉识别、路径规划、接触判断、力量控制和连续动作执行，门体重量、铰链阻尼、把手形态稍有变化，都可能导致原有策略失效。

    这也是物理 AI 区别于大语言模型的关键之处。

     " 以往 AI 更多基于文本、图片、视频等数据进行训练，而物理 AI 则进一步把物理规律加入训练过程，让 AI 不仅能够理解语言信息，更能够理解力、速度、碰撞、摩擦等物理信息，与真实世界发生交互。" 上海索辰信息科技股份有限公司（以下简称 " 索辰科技 "）物理 AI 负责人鹤川烁向《证券日报》记者表示，过去的大模型更多解决的是 " 知道 "，而物理 AI 则希望解决 " 做到 "。

    广州艾媒数聚信息咨询股份有限公司 CEO 张毅对《证券日报》记者表示，物理 AI 超越了传统 AI 在虚拟空间处理数据的范畴，核心在于让 AI 具备感知、决策并直接作用于物理实体的能力。" 其本质是构建一个‘感知—决策—执行’的闭环。通过传感器（如摄像头、雷达）感知物理环境，由 AI 模型进行实时分析与决策，再通过执行器（如机械臂、电机）完成具体操作。这使得 AI 从‘思考者’转变为‘行动者’，能够自主或半自主地在现实世界中完成复杂任务。" 张毅说。

    数据仍是关键支撑

    在这一背景下，世界模型（WorldModel）与仿真平台正成为物理 AI 发展的关键底座。

     " 所谓世界模型，就是在仿真平台通过构建符合物理规律的数字世界，让机器人能够在虚拟环境中完成大量训练、评估，再把这些能力迁移到真实世界，从而降低训练成本、缩短研发周期。" 一位行业人士表示。

    国泰海通证券股份有限公司策略研究团队认为，机器人、智能汽车等物理 AI 的发展长期受到训练数据不足、仿真体系碎片化等因素制约；随着世界模型与高保真仿真平台不断成熟，机器人研发正逐步由依赖真实试错，转向 " 虚拟训练 + 真实验证 " 的新模式，有望进一步提升研发效率。

    上海风语筑文化科技股份有限公司物理 AI 负责人在接受《证券日报》记者采访时也表示：" 随着人工智能加速向真实世界延伸，物理仿真、Sim2Real、训练平台及高质量合成训练数据等将成为支撑机器人、世界模型及各类智能体持续演进的重要底座。"

    要建好世界模型与仿真平台，数据，尤其是高质量的真实世界数据仍是关键。但与传统 AI 可以轻松从互联网抓取海量文本、图片不同，物理 AI 需要的是真实世界中机器人抓取、移动、交互过程中产生的动作数据。而这些数据，目前几乎没有现成的 " 数据库 " 可以用。

    光轮智能相关负责人对记者表示：" 自动驾驶已经是一项高度复杂的工程，但机器人面对的是一个更加开放和复杂的物理世界。汽车主要面对道路交通环境，而机器人需要进入家庭、工厂、仓储、农业等不同场景，与大量物体、材料和设备发生持续交互。"

    更大的挑战在于，目前机器人尚未形成大规模部署，行业难以像自动驾驶一样，依靠大量真机持续回流数据形成闭环。同时，真机数据通常与特定机器人本体、传感器配置和任务流程深度绑定，硬件形态或任务需求发生变化后，历史数据的复用效率也会下降。因此，物理 AI 需要由人类行为数据、仿真合成数据和真实部署反馈构成多层次数据供给，并通过工业级评测形成持续迭代闭环。

    如何获取高质量数据？多家企业已开始布局。

    索辰科技将目光瞄准了机器人的 " 训练场 "。今年以来，该公司围绕 " 天工 · 开物 " 物理 AI 平台持续完善物理场景库，覆盖具身智能、低空经济、新能源、航空航天等多个领域，希望通过高保真物理仿真环境，让机器人能够在数字世界中完成大量训练，再迁移至真实世界。与此同时，该公司还在浙江嘉兴建设物理仿真实验基地，进一步完善虚拟训练能力。据悉，目前该公司物理 AI 业务已实现商业化收入，不过整体仍处于初级阶段。

    光轮智能则将自身的使用场景聚焦于 " 考场 " 测评。该公司推出工业级具身智能仿真评测平台 RoboFinals，通过标准化任务、物理可信的仿真环境和可量化评价指标，对不同机器人本体、模型和版本进行统一验证。这套体系更强调可规模化、可复现和可诊断：既能够在统一任务和相同条件下比较不同模型，也能够识别模型的能力边界，并将评测结果持续反馈至数据生成和模型训练环节。

    也有企业选择从数据源头切入。比如，上海觅蜂具身智能科技有限公司（以下简称 " 觅蜂科技 "）发布了轻量化多模态数据采集夹爪 MEgoGripper 及数据治理平台 MEgoEngine，希望打通机器人数据从采集、治理到训练的完整链路。通过毫米级轨迹重建、多模态时间同步以及自动化数据治理，机器人每一次抓取、移动、操作都能够被完整记录，并进一步转换为模型可学习的数据。7 月 8 日，觅蜂科技表示，基于觅蜂科技所提供的大量、标准化高质量真机遥操数据，蚂蚁集团旗下蚂蚁灵波科技迭代推出了新一代具身基座模型 LingBot-VLA2.0，后者的预训练数据集总量达 6 万小时，其中包含 5 万小时多机型高质量真机数据、1 万小时第一视角人类操作精炼数据。

    与此同时，越来越多企业开始将世界模型作为物理 AI 的重要底座。今年上半年，北京五一视界数字孪生科技股份有限公司发布物理直觉世界模型 51WorldModel 以及面向具身智能的 Agent 底座系统，已覆盖智能驾驶、具身机器人、数字工厂、智慧港口、低空经济等多个场景，希望通过统一的世界模型能力，让 AI 能够更安全、高效地进入真实物理世界。

    自动驾驶率先破局

    如果说仿真平台和世界模型是物理 AI 的 " 数字训练场 "，那么下游的真实应用场景则是检验其能力的 " 终极考场 "。

    物理 AI 覆盖的终端场景包括人形机器人、工业机械臂、无人机、自动驾驶汽车等。其中，机器人赛道尽管起步更早、社会关注度更高，但受限于数据获取难度和场景复杂度，仍处在从实验室走向初步商业化的攻坚阶段。而自动驾驶凭借极高的商业确定性和大规模量产车回传的海量真实数据，率先走完了从实验室到规模化量产的闭环，成为物理 AI 落地的 " 主战场 "。

    在自动驾驶赛道，物理 AI 正推动行业革新。小马智行股份有限公司创始人、CEO 彭军对《证券日报》记者表示，该公司最新发布的 PonyWorld 世界模型 2.0，标志着自动驾驶研发范式向 "AI 驱动 " 演进。世界模型主要用于训练环节，而非直接部署在车上做决策。

    同时，MomentaGlobalLimited（以下简称 "Momenta"）的 R7 世界模型也已走向量产阶段。基于超 120 亿公里的实车与仿真里程，Momenta 能够实时推演物体的运动因果链，在面对路面突发障碍物等复杂场景时，实现毫秒级动态决策。

     MomentaCEO 曹旭东对《证券日报》记者表示，物理 AI 的核心是数据 Scaling（规模化）与商业 Scaling 的正反馈循环，而自动驾驶是目前唯一同时实现这两者的物理 AI 领域。

    曹旭东表示，自动驾驶行业具有极强的规模效应和先发优势。以工程化能力为例，Momenta 交付首个 10 万台车，用了 2 年时间；但现在仅需要不到 40 天即可完成 10 万台车交付。

    从 " 读懂图片 " 到 " 写出文字 "，再到如今的 " 采取行动 "，人工智能正迎来其发展中的 " 关键一跃 "。物理 AI 的崛起，不仅是技术路线的迭代，更是 AI 由物理世界的 " 旁观者 " 向 " 行动者 " 的角色转变。张毅表示，当 AI 真正拥有了 " 物理常识 "，它必将前所未有地深度融入千行百业，甚至是开启一个由智能体与人类协同的全新的生产力时代。