尚红网 AI革命下一站——物理AI有哪些新进展?

物理AI正从概念走向产业现实。浙商证券在最新发布的行业深度报告中指出，继感知AI、生成式AI、Agentic AI之后，物理AI将成为AI技术演进的下一站——其核心在于让模型理解并预测真实世界状态，从而驱动自动驾驶、具身智能和工业软件等场景的深度变革。

在市场规模上，Coatue Management预计物理AI市场规模至少可达6万亿美元，较数字AI高出约50%。英伟达CEO黄仁勋在2026年CES上表示，物理AI可重塑价值约50万亿美元的制造和物流产业。与此同时，顶尖学者与科技巨头正密集入场：图灵奖得主杨立昆成立的AMI Labs完成10.3亿美元种子轮融资；AI教母李飞飞联合创立的World Labs完成10亿美元新一轮融资，成立不到两年估值突破50亿美元；英伟达则宣布下一代芯片Feynman专为物理AI设计，预计2028年发布。

浙商证券认为，当前物理AI尚无固定实现范式，需由世界模型与VLA（视觉—语言—动作模型）共同支撑。自动驾驶、具身智能和工业软件构成物理AI最核心的三大落地场景，其中自动驾驶有望率先跑通"数据闭环"与"商业闭环"。报告建议重点关注具备世界模型能力的公司，以及上述三大场景中的软硬件标的。

技术定义：从生成式AI到物理AI的范式跃迁

浙商证券报告指出，物理AI是可以理解真实世界的AI系统，需要回答两个核心问题：世界接下来如何变化，以及实体发生动作之后世界会如何反应。相较于生成式AI局限于数字世界的语言理解与内容生成，物理AI的工作空间在真实物理世界，核心能力涵盖感知、行动与控制，价值体现于工业控制、具身智能和无人驾驶等实体场景。

黄仁勋将AI技术演进总结为三代范式：从感知AI到生成式AI，再到Agentic AI，下一站将是物理AI——"能够运行、推理、计划和行动的AI"。

物理AI的模型能力亦经历三个阶段的演进。1.0时代依赖硬编码规则，场景适应性差；2.0时代转向数据驱动，依靠海量数据模仿学习，但缺乏对物理世界的真正理解；当前进入3.0推理驱动时代，以世界模型+VLA+强化学习为核心，具备环境推理、因果理解与规划能力，支持复杂任务的闭环决策。

核心技术：世界模型与VLA尚未形成统一范式

浙商证券报告强调，当前物理AI的实现依赖世界模型与VLA两大核心组件，但两者均处于技术路线尚未收敛的阶段。

世界模型的原始概念来自强化学习领域，指AI智能体通过在内部构建外部世界表征，从而在"脑海中"预演行动方案。其核心价值在于，真实世界具有不可逆性，传统仿真也无法支持智能体进行"决策—观察结果"的反复试错循环，而世界模型则可构建无限逼近真实世界的虚拟环境，以更低成本、更安全的方式支撑AI训练。

谷歌DeepMind CEO Demis Hassabis在2026年CNBC开年采访中判断：AGI还差一块拼图，可能正是世界模型。

目前，世界模型在学术领域形成四条主流技术路线：观测级生成式模型强在"逼真"，以Sora为代表；潜在空间模型强在"效率"，以JEPA系列为代表；强化学习导向模型强在"决策"，以Dreamer系列为代表；以对象为中心的模型强在"可解释性"，以SlotFormer为代表。李飞飞认为，世界模型需具备生成式、多模态、交互式三种能力。

VLA模型（视觉—语言—动作模型）则通过端到端学习，在统一模型中将视觉和语言模态的任务语义映射到具体操作，省略手工设计规则与模块对接。自2023年谷歌DeepMind发布RT-2以来，VLA研究进入新阶段，斯坦福于2024年发布首个开源7B参数通用机器人操控VLA模型OpenVLA，英伟达于2025年发布面向通用人形机器人的开源VLA基础模型GR00T N1。

三大落地场景：自动驾驶、具身智能与工业软件

自动驾驶是浙商证券认为最有望率先跑通物理AI"数据闭环"与"商业闭环"的场景。每年全球车辆累计行驶里程约13万亿英里，可持续采集的多模态真实数据、清晰的商业收费模式以及可规模化复制的产业链，为自动驾驶构建独特优势。

2026年北京车展上，物理AI已成为隐形主线。自动驾驶解决方案商层面，小马智行CTO楼天城发布世界模型2.0，核心突破在于赋予AI自我诊断与定向进化能力；Momenta正式发布R7强化学习世界模型；轻舟智航宣布战略重心从"无人驾驶"全面升级为"通用物理AI"。车企层面，小鹏计划将2026年物理AI相关研发投入提升至70亿元；吉利发布WAM世界行为模型，并宣布与英伟达在物理AI领域深度协同；奇瑞官宣与英伟达达成全球战略合作，聚焦辅助驾驶、座舱AI和机器人三大领域。

具身智能被浙商证券定义为物理AI"感知—理解—推理—行动"闭环的核心载体。物理AI技术栈的演进，正推动机器人从"刚性自动化"走向"真实自主"——相比传统机器人，物理AI赋能的机器人可处理不可预测和未知零部件，减少人工编码工作量，加快部署速度。

工业软件被定位为物理AI训练、验证、部署和运维的"控制台"。报告认为，工业软件数据不可复制、安全合规要求高、云边端协同复杂，构成较强护城河，与物理AI之间呈互补共生、双向赋能关系：工业软件为物理AI提供物理底座、高质量数据与验证环境；物理AI则为工业软件提供智能加速、自动化决策与闭环优化能力。CAE仿真、数字孪生、工业控制、工业IoT、能源调度、EDA/CAD均是主要受益场景。