“ 物理人工智能（物理 AI ）的 ‘ChatGPT 时刻 ’ 已经到来。 ”2026 年 1 月 5 日，英伟达公司首席执行官黄仁勋在国际消费电子展（ CES ）的主题演讲中宣告。在他看来，那些能理解现实世界、进行推理并规划行动的 AI 模型，正悄然惠及并改变无数行业。
物理 AI 不仅是技术升级，更可能以前所未有的深度赋能千行百业。物理 AI 最有可能率先在智能科学发现、智能工业制造等场景中落地应用。
那么，什么是物理 AI ？它将如何重塑未来？又面临哪些挑战？
从 “ 会说话 ” 到 “ 会做事 ”
2025 年 3 月，黄仁勋在英伟达 GPU 技术大会上断言，生成式 AI 已成为过去，未来属于 “ 代理 AI” 与 “ 物理 AI” 。半年后，他在第三届中国国际供应链博览会上首次系统阐述了这一概念：物理 AI 是指能够理解现实世界并与之进行交互的 AI 模型，是一种 “ 使自主机器（如机器人、自动驾驶汽车等）在真实物理世界中感知、理解和执行复杂操作 ” 的技术。
黄仁勋将 AI 的演进分为四个阶段：感知 AI 、生成 AI 、代理 AI 、物理 AI 。他认为，物理 AI 的核心在于 “AI 与物理世界的融合 ” ，其关键是让 AI 系统理解并应用重力、摩擦、材料特性等物理规律，实现从虚拟智能到实体执行的跨越。
“ 物理 AI 意味着 AI 系统具备在真实世界中 ‘ 感知 — 推理 — 行动 — 反馈 ’ 的闭环能力。 ” 王翔阐释道， “ 它不仅会思考，更能通过机器人等具身设备执行任务，并从真实反馈中持续纠错、自我进化。 ”
他进一步强调： “ 物理 AI 的核心不是在封闭环境中完成单一任务，而是在开放、动态、充满不确定性的场景中稳定运行、泛化适应。如果说生成式 AI 让机器学会 ‘ 表达 ’ ，物理 AI 则赋予机器 ‘ 指挥行动 ’ 的能力。 ”
2026 年 CES 展会上，英伟达以两款产品为物理 AI 写下注脚：基于超 2000 万小时真实数据训练的物理 AI 模型 Cosmos ，以及面向自动驾驶场景的开源推理模型 Alpamayo 。前者如 AI 的 “ 物理教科书 ” ，教会机器理解碰撞、重力等行为规律；后者则是自动驾驶的 “ 大脑 ” ，能在复杂路况中自主判断、安全通行。
重塑相关产业图景
当 AI 的触角从虚拟世界延伸至物理维度，并真正理解了物理世界，它的应用场景便如星辰大海般展开。从制造业到医疗，从交通到家庭服务，物理 AI 正以前所未有的深度融入并赋能各行各业。黄仁勋多次强调，物理 AI 与机器人技术将开启新一轮工业革命。
王翔指出，物理 AI 最直接的影响是把自动化从 “ 固定流程 ” 推进到 “ 动态泛化 ” 。在智能制造中，物理 AI 正塑造柔性生产新范式。传统产线依赖固定程序，变更即需停机调整。而搭载物理 AI 的产线可实时感知物料位置、检测缺陷、动态优化节奏。例如，某新能源电池厂通过英伟达 Omniverse 构建数字孪生系统，使设备利用率提升 35% ，能耗降低 20% 。特斯拉工厂的焊接机器人在物理 AI 辅助下，精度突破 0.1 毫米，甚至能双手协同完成精密作业。
更值得关注的是，多台自主移动机器人可在车间协同作业，不仅能避开静态障碍，还能预判工人路径、主动避让，实现真正的人机共融。黄仁勋预言： “ 未来十年，工厂将由 AI 协调的机器人团队运营。 ”
如果说智能制造是 “ 练兵场 ” ，那么自动驾驶便是物理 AI 的 “ 主战场 ” 。当前多数自动驾驶系统仍依赖标注数据，面对雨雪、事故等 “ 边缘场景 ” 往往力不从心。而基于物理 AI 的 Alpamayo 模型采用视觉 — 语言 — 行动架构，不仅能 “ 看见 ” 路况，更能 “ 理解 ” 交通参与者的意图与行为之间的因果关系。
数据显示，小鹏自动驾驶系统融合物理 AI 后，应对恶劣天气的能力提升 30% ；特斯拉 Optimus 机器人通过虚拟训练，动作精度提高 50 倍。
在医疗领域，物理 AI 正推动手术机器人走向更高精度。传统远程操作依赖医生经验，而新一代系统可通过物理建模，精确计算组织张力、缝合力度与器械形变，自动调整参数。例如在心脏搭桥手术中，物理 AI 能实时分析血流动力学与组织弹性，指导机械臂以最佳压力完成血管吻合，避免撕裂或渗漏。临床试验表明，达芬奇手术机器人集成物理 AI 后，术中出血量减少 40% ；超声穿刺机器人在经过虚拟器官模型训练后，操作失误率下降 60% 。
王翔则特别关注物理 AI 在智能科学发现中的潜力： “ 它将 ‘ 假设 — 实验 — 分析 — 迭代 ’ 转化为可规模化的自动闭环，驱动自动化实验平台进行高通量探索，主动选择信息增益最大的实验并实时纠错，从而加速新材料、新药与复杂工艺的研发。 ”
仍有险峰待攀登
尽管前景广阔，物理 AI 的大规模落地仍面临多重挑战。
首当其冲的是成本问题。王翔表示： “ 真实交互数据昂贵、稀缺且反馈延迟，长尾工况难以覆盖，导致物理 AI 的学习与迭代成本居高不下。 ” 例如，一辆无人车可能需行驶数百万公里才能遭遇一次极端天气下的紧急场景，而每一次失误都可能代价高昂。
此外，物理 AI 需在开放环境中应对未知场景、实时干扰，并在仿真与现实的偏差中保持鲁棒性与可控性。而且，从虚拟到现实的跨越，物理 AI 仍面临动力学、传感噪声等多重壁垒。
伦理与责任问题同样不容忽视。若物理 AI 驱动的无人车发生事故，责任应归于开发者、运营商还是 AI 自身？当前法律框架尚未完善，亟待建立清晰规则。王翔强调： “ 物理 AI 必须具备内生安全机制，叠加可验证的安全约束、全链路审计与合规闭环，才能支撑其规模化部署。 ”
最后，人机信任的鸿沟依然存在。许多人担忧被 AI 取代，或对机器决策缺乏信心。唯有通过透明设计、渐进部署与持续沟通，才能赢得社会接纳。
王翔强调： “ 物理 AI 不仅是技术的迭代，更是认知的跃迁。真正的智能，不只是 ‘ 算得快 ’ ，更是 ‘ 懂世界 ’ 。 ”
当机器人开始理解重力，当自动驾驶汽车学会预判风雨中的湿滑路面，当手术机械臂懂得生命的脆弱与组织的柔软 …… 我们或许可以说，机器，正在获得某种意义上的 “ 具身意识 ” 。