物理AI成为科技产业与资本市场新热点 - 物理AI正成为科技产业和资本市场共同关注的新热点，在半导体、存储等科技板块经历市场波动之际，物理AI相关概念表现出一定热度 [1] - 市场对AI下一阶段发展方向抱有期待：当大模型从数字世界走向现实世界，能够理解物理环境、与真实设备交互并自主执行任务的AI，或将打开新的产业空间 [1] - 2026年10月下旬物理AI领域接连出现三项值得关注的进展 [1] 三项标志性进展 - 10月21日，英伟达在GTC柏林大会上宣布扩展Isaac开放机器人开发平台，新增一款人形机器人参考平台、数据集和运行时，并更新机器人学习框架 [1] - 10月27日，谷歌DeepMind发布Genie 4世界模型研究成果，提升交互式模拟环境的逼真程度，加入原生音频生成能力，支持用户通过自然语言实时改变模拟场景 [1] - 英特尔与SAP展示物理AI与自主仓库概念验证（PoC），将企业仓储管理系统中的业务任务转化为机器人能够执行的操作，并将执行状态和结果反馈至企业系统 [1] 竞争焦点的关键转变 - 三项进展分别来自世界模型、机器人开发平台和产业应用，却共同指向物理AI发展的一个关键转变 [2] - 竞争焦点正从单纯提升模型的智能程度，延伸至构建一套完整的技术与产业基础设施——让AI理解物理世界、在模拟环境中学习如何行动，最终通过真实设备完成任务并创造可衡量的业务价值 [2] 世界模型：让AI先学会理解物理世界 - 传统生成式AI主要处理数字世界中的文本、图像和视频信息，而物理AI面对更复杂的现实环境，不仅需要识别物体，还要理解物体之间的空间关系、形状与属性，判断它们如何运动以及不同动作可能引发什么结果 [3] - 物理AI不能只根据当前感知结果直接生成动作，还需要具备预测未来状态的能力，世界模型通过构建能够表征环境状态、模拟环境变化的内部模型，让AI在真正采取行动之前先在虚拟环境中推演不同动作可能产生的结果，再据此调整决策 [3] - 10月27日谷歌宣布发布迄今最逼真、交互能力最强的世界模型Genie 4，与传统视频生成模型不同，Genie 4能够根据文本指令构建可探索的虚拟环境，并在用户持续输入指令时实时调整场景，让用户不仅能够观看AI生成的世界，还能进入其中与环境互动 [4] - 用户可以要求场景从晴天切换为暴雨、改变摄像机视角，或在原有环境中加入新角色和物体，系统会在模拟继续运行的过程中执行这些指令，而不是每次都从头生成一段独立视频 [4] - 谷歌尝试将Gemini的推理能力与Genie 4的世界模拟能力结合：Gemini负责观察模拟环境、理解任务目标、将复杂任务拆解为多个步骤并持续检查执行进度，Genie 4则根据这些指令实时生成和调整模拟场景 [4] - 谷歌展示的一项实验中，Gemini 4 Argon将用户提出的任务拆解为一系列步骤，再将这些步骤作为实时指令交给Genie 4，模拟Apptronik的Apollo人形机器人完成下棋任务 [4] - 世界模型的潜在应用并不局限于机器人，游戏开发、互动教育、影视制作等领域都可以利用它生成可探索、可调整的虚拟环境 [5] - 对于物理AI而言，更重要的价值在于为机器人和智能体提供更加丰富的训练与测试环境，让它们在进入真实世界之前就能对不同任务和复杂场景进行模拟 [5] - 对于人形机器人而言，世界模型尤其具有重要应用潜力：目前常见的视觉—语言—动作模型（VLA）能够结合摄像头画面和人类指令直接生成机器人动作，面对熟悉的任务已有明显进展，但在抓取易碎物品等复杂场景中，机器人还需要更准确地判断接触、受力、碰撞和物体运动 [5] - 世界模型可以与VLA协同，先理解当前环境与任务，预演不同操作可能出现的结果，再选择较合适的动作，执行后根据实际反馈进行调整，有助于提高人形机器人在陌生场景中的作业成功率和异常处理能力 [5][6] 机器人开发平台：构建从数据到部署的全栈体系 - 如果说世界模型解决的是AI如何理解和模拟物理世界，那么机器人开发平台解决的就是如何将这些智能能力训练出来并最终部署到真实机器人身上，从数据采集、模型训练、仿真测试到边缘计算和现场运行，机器人要真正具备自主行动能力需要一整套相互衔接的技术基础设施 [7] - 以NVIDIA此次扩展Isaac开放机器人开发平台为例，其布局已覆盖机器人开发的多个关键环节 [7] - 数据基础设施方面：Human 1M包含多样化的人类活动、同步的三视角视频和3D手部追踪数据；SimReady Central Library提供2000多个仿真就绪资产，为机器人训练提供数据和环境资源 [7] - 仿真训练方面：Isaac Lab 3.0是一个开源的、支持智能体的学习框架，利用多GPU工作流以及包括Newton和NVIDIA PhysX在内的物理引擎，支持从桌面端到数据中心训练并优化机器人策略 [7] - 运行时与部署方面：Isaac OS是一款基于NVIDIA Holoscan构建的开源运行时框架，将AI、传感器、控制系统与机器人硬件无缝连接，从而实现从仿真环境到实体机器人的确定性实时性能 [7] - 边缘计算与安全方面：Jetson Thor等计算平台为机器人提供本地推理和实时控制能力，Halos则进一步关注机器人部署过程中的安全问题 [8] - 从数据资源、仿真训练框架到运行时软件、边缘计算平台和安全体系，英伟达正在将机器人开发过程中原本相对分散的技术环节整合起来，说明英伟达并不满足于仅仅扮演机器人AI芯片供应商的角色，而是希望通过算力、模型、数据、仿真工具和软件框架建立覆盖机器人开发全生命周期的技术生态 [8] - 这让人联想到NVIDIA当年通过CUDA构建GPU软件生态的路径——CUDA不仅提升了开发者使用GPU进行并行计算的便利性，也逐渐成为AI计算领域的重要基础设施 [8] - 如今NVIDIA希望通过Isaac将类似的生态优势延伸至机器人领域：开发者使用其工具生成数据、训练模型、开展仿真，并进一步在基于资深算力的平台上部署应用，当越来越多的机器人企业和开发者围绕这一体系开展工作，Isaac的价值就不再局限于某一款软件或硬件，而可能体现在整个开发生态的集聚效应上 [8] 产业应用：让AI真正转化为现实世界的行动 - 机器人具备感知、推理和动作能力并不意味着它已经能够真正融入企业生产经营，物理AI还需要理解企业业务目标，并将业务系统中的任务转化为现实世界的执行活动 [9] - 英特尔与SAP展示的自主仓库概念验证（PoC）提供了一个很好的观察案例：该方案将SAP扩展仓库管理系统（SAP EWM）所提供的业务场景信息与工作流编排能力，与基于英特尔技术的边缘AI及机器人软硬件相结合，展示了物理AI如何自动化仓库物料搬运流程，并将企业系统中的业务请求转化为自主机器人的执行任务 [9] - 具体而言，任务请求由SAP EWM发起，并通过英特尔的边缘AI硬件和软件派发给自主机器人，机器人负责运输物料并将任务状态及完成情况反馈至SAP EWM，由此在企业工作流与物理执行环节之间建立闭环 [9] - 此次PoC展示了该方案在运营效率方面的改善，包括缩短物料运输距离以及减少重复性人工搬运工作 [9] - 英特尔提供了面向边缘AI与机器人的技术基础，其中包括可扩展的异构计算能力，即通过CPU、GPU和NPU协同工作，在本地完成环境感知、推理、路径导航、检测以及实时控制 [11] - 围绕物理AI，英特尔还构建了涵盖工业级芯片、实时计算能力和开放软件的技术体系，包括OpenVINO Physical AI、Physical AI Studio和Robotics AI Suite，旨在降低不同软硬件系统的集成复杂度，为方案从概念验证走向规模化、可重复部署提供支撑 [11] - 传统机器人自动化往往围绕预先设定的任务和相对固定的控制流程展开，而这一方案试图进一步打通企业业务系统与物理执行系统之间的联系：SAP不只是向机器人发送一条搬运指令，而是提供任务背后的业务上下文、工作流和流程规则；英特尔的边缘AI技术则为机器人在现场感知环境、判断情况并执行任务提供计算支持 [12] - 更重要的是，机器人执行过程中的状态、结果和异常信息能够回传至SAP EWM，使企业业务系统不仅能够下达任务，也能够掌握任务的实际执行情况 [12] - 这意味着机器人不再只是一个相对独立的自动化设备，而是被纳入企业整体业务流程之中，企业可以从业务需求出发调度物理设备，并根据设备反馈的信息了解现场执行情况，这种IT与OT之间的双向协同也为未来将物理AI扩展至不同厂区、机器人平台和运营场景提供了参考 [12] - 物理AI真正进入产业应用，关键并不只是让机器人接入AI模型、获得更强的感知和行动能力，而是让智能能力融入企业业务流程，建立从业务决策、任务执行到结果反馈的完整闭环 [13] - 只有当AI不仅能够理解现实世界，还能够理解企业希望现实世界发生什么，并通过物理设备推动其实现，物理AI才真正开始创造可衡量的业务价值 [13] 行业趋势：物理AI基础设施体系与物联网产业新空间 - 从谷歌的世界模型到英伟达的机器人开发平台，再到英特尔与SAP的自主仓库实践，可以看到物理AI正在形成一套新的基础设施体系，这套体系既需要模型和算力，也离不开传感器、边缘计算、通信网络、工业软件和设备管理平台 [14] - 对于传统物联网产业而言，这意味着新的价值空间：传感器不再只是数据采集工具，边缘计算不再只是数据预处理节点，工业网络也不再只是设备连接通道，它们将共同支撑AI对物理环境的感知、理解和自主执行 [14]