内容来源| 本文摘编自机械工业出版社书籍
《一本书读懂物理AI：应用、产业与投资》杜雨著
责编| 二月
第 9928篇深度好文：6040 字 | 10 分钟阅读
当拉斯维加斯会展中心的聚光灯打在舞台中央、身着标志性黑色皮衣的黄仁勋走上CES2026的讲台时，整个科技世界都在屏息等待。
这位英伟达的创始人和CEO（首席执行官）没有像往年那样展示最新的游戏显卡或数据中心芯片，而是宣布了一个更宏大的愿景——AI从虚拟世界走向物理世界的历史性转折。
这场演讲不仅勾勒出英伟达在物理AI时代的技术版图，还揭示了一个精心设计的生态系统战略。
一、什么是物理AI？
当人工智能开始从屏幕里“走出来”，会发生什么？
想象一下这样的场景：一台机器人正在厨房里为你准备早餐，它需要知道怎样握住鸡蛋而不打碎，怎样控制火候而不烧焦煎饼，还要能够在水洒出来时及时反应。这台机器人不仅要懂得做早餐的步骤，还要理解真实世界的物理规律——重力、摩擦力、温度、材料的硬度。
这，就是物理AI的世界。
如果说传统AI是一个只会“动嘴”的顾问，那么物理AI就是一个真正“动手”的行动者。而支撑这种能力的，是一个完整的“感知—推理—行动—反馈”闭环系统，如图1-1所示。
1.感知：拥有真实世界的“感官”
物理AI的第一步是感知。它需要像人类一样，通过各种“感官”来获取环境信息。这些感官包括：
视觉传感器，让它“看到”周围的物体、颜色、形状、距离。
触觉传感器，让它“感受”物体的硬度、温度、质地。
力传感器，让它知道自己施加了多大的力。
位置传感器，让它明白自己在空间中的位置和姿态。
当一个机器人要拿起桌上的水杯时，它首先要用摄像头“看到”水杯在哪里，判断水杯的大小和形状；然后通过触觉传感器“感受”水杯的材质是塑料还是玻璃；通过力传感器知道需要用多大的力度才能稳稳抓住而不至于捏碎。
2.推理：理解物理世界的因果规律
感知到信息还不够，物理AI还需要“理解”这些信息意味着什么，以及应该如何反应。这就需要推理能力。但这里的推理不同于传统AI的逻辑推理。
物理AI需要理解物理世界的因果关系：
如果这个杯子是满的，倾斜角度太大会洒出来。
如果地面是湿滑的，走路要减慢速度避免滑倒。
如果物体很重，需要调整抓握姿势来保持平衡。
这种推理需要AI建立起对物理世界的“内部模型”，也就是所谓的“世界模型”（worldmodel）的理解。就像人类大脑中存在的那样，AI也需要在内部建立一个关于物理世界如何运作的模拟系统。
当你看到一个球被抛向空中时，即使闭上眼睛，你也能预测它会落下来—这就是你大脑中的世界模型在工作。
3.行动：在物理世界中实际执行
有了感知和推理，物理AI的下一步是行动—真正改变物理世界。这可能是：
机器人的机械臂移动到特定位置。
自动驾驶汽车转动方向盘。
无人机调整飞行姿态。
工业机器人焊接一个零件。
这些行动不是虚拟的单击或命令，而是实实在在的物理运动，会产生真实的物理后果。
4.反馈：从反馈中持续学习
最关键的是，这些环节构成了一个闭环。行动的结果会被重新感知，形成反馈，然后AI基于这个反馈调整自己的理解和下一步行动。
比如机器人抓杯子时发现杯子滑落了，它会立即感知到这个变化（感知），理解是因为抓握力度不够（推理），然后调整抓握姿态和力度（行动）。这个循环不断重复，让AI在真实的物理交互中不断学习和改进。
这个闭环系统和人类学习新技能的过程非常相似。当你第一次学习骑自行车时，你会感受到车身的晃动（感知），判断应该往哪边调整重心（推理），然后扭动把手或调整身体（行动），接着感受调整后的效果（反馈），如此循环往复，最终学会骑车。
正是这个完整的“感知—推理—行动—反馈”闭环，让物理AI能够在真实世界中自主地、智能地完成任务，而不仅仅是执行预设的程序。
二、物理AI与传统AI：
一张表看懂二者的本质区别
为了更清晰地理解物理AI与传统AI的差异，我们可以从多个维度进行对比，如表1-1所示。
从表1的对比中，我们可以看到几个本质区别。
其一，从“虚拟”到“实体”的跨越。
传统AI生活在比特的世界里，处理的是0和1组成的数字信息。而物理AI必须跨越到原子的世界，处理有质量、有体积、遵循物理规律的真实物体。这不是简单的延伸，而是维度的跃升。
其二，从“思考”到“行动”的飞跃。
传统AI的工作成果是信息—一段文字、一张图片、一个推荐结果。物理AI的工作成果是物理世界的真实改变—一个被移动的物体、一段自动驾驶的路程、一个被组装的产品。前者停留在“知”的层面，后者达到了“行”的境界。
其三，从“离身”到“具身”的转变。
传统AI是“离身的”（disembodied），它不需要身体，纯粹的计算就足够了。而物理AI是“具身的”（embodied），它必须通过一个物理的“身体”（机器人、车辆、机械臂等）与世界交互，身体的形态、能力和限制都会深刻影响AI的行为。
其四，从“被动响应”到“主动改造”。
传统AI基本上是被动的—你问它问题，它给你答案；你给它任务，它输出结果。物理AI则是主动的—它需要在动态变化的环境中持续感知、决策、行动，主动地与世界交互并改造世界。
其五，风险与要求的本质差异。
传统AI犯错的代价通常是有限的——一个错误的推荐、一段不太合适的文字，用户不满意可以重新生成。但物理AI的错误可能导致严重后果—机器人的失误可能造成物理损坏，自动驾驶的误判可能危及生命安全。这要求物理AI具有更高的可靠性、安全性和鲁棒性。
这些本质区别意味着，物理AI不仅仅是在传统AI基础上加个机器人身体那么简单，它还需要全新的技术架构、训练方法和评估标准。
这也是为什么物理AI被视为人工智能发展的下一个重大阶段—它打开了AI应用的全新疆域。
三、CES2026演讲解读：
物理AI时代的三大信号
黄仁勋的演讲总是善于讲故事，但这次不同。他开门见山地指出，人工智能正在经历一次范式转变，从理解语言、图像这样的数字信息，转向理解重力、摩擦力、碰撞这样的物理法则。
这个转变看似简单，背后却是整个AI技术栈的重构。
1.信号一：物理AI不是未来，而是现在
黄仁勋用一句话定义了当下的时刻：“物理AI的ChatGPT时刻已经到来。”这个类比意味深长。
两年前，ChatGPT的横空出世让大语言模型从实验室走向大众，开启了生成式AI的时代。如今，黄仁勋相信，物理AI正处于类似的临界点——技术已经成熟，基础设施已经就绪，应用即将爆发。
他举的例子很具体：工厂里的机器人开始能够理解复杂的装配任务，自动驾驶汽车开始能够像人类一样“思考”交通状况，仓库里的自主系统开始能够协调数百台设备的协同工作。
这些不是遥远的概念验证，而是正在发生的商业现实。英伟达的多个合作伙伴在CES现场展示了基于物理AI技术的新一代产品，从人形机器人到智能工厂解决方案。
2.信号二：平台转型，而非产品迭代
更深层的信号是英伟达自身的定位转变。黄仁勋明确表示，AI已不仅仅是应用，而是平台。
软件开发正在从“编写程序”转向“训练模型”。计算正式进入GPU和加速计算的时代，传统CPU（中央处理器）为主的架构已经无法满足AI的需求。
这意味着什么？意味着英伟达不再满足于只提供芯片这个单一产品。它们要提供的是一个完整的平台——从训练模型的AI超级计算机，到测试验证的仿真系统，再到实际部署的边缘计算设备；从底层的硬件加速，到中间层的算法框架，再到上层的应用模型。这是一个端到端的技术栈，一个完整的生态系统。
演讲中反复出现的“三台计算机”概念就是这个平台思维的具体体现。开发一个物理AI系统，需要三种不同的计算资源协同工作：用于训练的AI超级计算机（如DGX系统），用于仿真验证的Omniverse平台（运行在RTXPRO服务器上），以及用于实际部署的边缘计算设备（如JetsonThor）。
这三者构成了一个闭环，让物理AI的开发从实验室走向工业化成为可能。
3.信号三：开放生态，共同繁荣
最出人意料的可能是英伟达在开源和开放方面的激进态度。黄仁勋宣布，英伟达将开源Cosmos世界基础模型、GR00T机器人模型、Alpamayo自动驾驶模型，甚至开放训练数据集和工具链。
这对于一家以技术壁垒著称的公司来说，是一个战略性的转变。为什么这么做？黄仁勋的解释很坦诚：“只有开放，每家公司才能造出自己的AI。”
物理AI的应用场景太广泛了——从制造业到物流，从农业到医疗，从建筑到能源。没有一家公司能够单独覆盖所有领域。英伟达需要的是一个繁荣的生态系统，无数的开发者和企业基于英伟达的平台构建各自的物理AI解决方案。
这是一场“生态战争”。在生成式AI领域，OpenAI选择了相对封闭的策略，把模型能力作为核心竞争力。英伟达则选择了相反的道路——开放模型和工具，但掌控底层的计算平台。谁的策略更有效？时间会给出答案。
这三大信号共同指向一个结论：物理AI不是一个孤立的技术突破，而是整个AI产业进入新阶段的标志。英伟达已经为这个新时代准备好了完整的技术方案和商业策略。
*文章为作者独立观点，不代表笔记侠立场。
热门跟贴