物理AI数据需求 - 物理AI落地需要满足三大核心标准的"好数据"支撑 包括物理真实性 语义可理解性和场景泛化性 [2] - 物理真实性要求数据精准刻画物体的几何结构 材质属性和动态交互关系 构成智能体行动的约束条件 [2] - 语义可理解性要求数据包含能被智能体理解的语义信息 实现跨模态认知 将视觉识别 指令理解和动作执行深度关联 [3] - 场景泛化性要求数据能够打破数据孤岛 支撑智能体从有限训练场景中提炼通用规律 适应全新场景的决策需求 [4] 3D铰接数据价值 - 3D铰接数据能精准刻画物体可交互部件的结构属性与运动规律 如门的合页转动轨迹 抽屉的滑动阻尼等物理细节 [3] - 该类数据实现从二维视觉表达到可计算 可推理的物理结构模型的跃升 为智能体提供细粒度描述与标注 [3] 具身智能发展 - 具身智能成为人工智能下一阶段发展方向 需要通过与现实世界主动交互获取智能 而非仅依赖标注或语言学习 [5][6] - 主动交互对智能形成至关重要 1963年实验显示能互动的猫比被动观察的猫成长速度快得多 [6] - 具身智能面临模拟与现实差距的挑战 模拟环境中训练的动作可能因重力 摩擦力等物理参数差异而失效 [7] - 世界模型生成数据存在违反物理规律的问题 如自动驾驶中出现车辆幽灵穿越十字路口或难以控制的随机事故 [7] 行业互动关系 - 物理AI时代的"好数据"标准与具身智能发展相辅相成 "好数据"为物理AI落地提供基础 具身智能探索完善"好数据"内涵 [8]