IDC发文称，随着AI技术不断深入机器人、自动驾驶车辆等自主机器实体系统，对现实世界物理交互能力的需求日益凸显，物理AI(Physical AI)应运而 生，其核心价值，在于赋予自主机器在真实物理世界中实现"感知—理解—执行"闭环能力，是人工智能从虚拟智能向具身智能演进的关键桥梁。 具身模型泛化能力不足：模型需突破环境、任务和硬件本体的泛化限制，才能在复杂多变的现实场景中稳定感知与执行。 数据稀缺与高成本：训练具身模型需要大量高质量、多模态数据，但现实环境数据采集昂贵且难以覆盖极端"长尾场景"。 嵌入式端侧部署受限：端侧算力、功耗和体积限制使得具身模型难以高效运行，实现实时感知—决策—执行闭环存在挑战。为应对上述挑战，完善的计算 架构成为实现具身智能落地的核心支撑。当前，三大计算平台在物理AI发展中发挥着协同作用，从模型训练到应用部署，确保自主智能体能够在复杂动 态的现实环境中高效感知、决策与执行： 认知训练平台：提供强大的算力支持，通过多模态感知与复杂决策训练，面向具身智能模型的感知、理解与决策能力统一构建与持续优化。 虚拟仿真平台：基于专业视觉计算资源，融合高精度物理引擎与数字孪生技术生成逼真、可复现的训 ...