行业与公司研究纪要关键要点 涉及的行业与公司 * **行业**：自动驾驶（智能汽车/智驾）、具身智能（机器人）、物理AI * **公司**：Momenta（自动驾驶厂商）[2]、理想汽车（推出VLM概念）[2]、特斯拉（FSD 12.3融入VLA概念）[2]、比亚迪（应用物理模型于动力学与热管理）[3]、英伟达（提供AI开发套件与生态）[5]、宇树科技（机器人公司）[4]、银河通用（机器人公司）[6]、光轮（机器人公司）[6] 技术范式演进与核心概念 * **技术路线转型**：自动驾驶正从基于规则的传统“感知-定位-预测-规划-控制”规控路线，转向“世界模型+VLA”的技术方向[2] * **中间阶段**：BEV+Transformer路线实现了部分端到端，简化了流程[2] * **VLA成为核心**：VLA路线从视觉到语言再到行动，被越来越多自动驾驶厂商采纳，并被视为构建机器人“大脑”的基础底座之一[2][3] * **世界模型本质**：对物理、虚拟和抽象世界进行通用表征并预测未来，类比人类大脑的基础功能[3] * **物理AI范畴更广**：不仅限于自动驾驶，可应用于车辆动力学仿真、底盘控制优化、电池热管理及数字孪生整车验证等领域[3] 数据：来源、应用与挑战 * **仿真数据成为主流**：超过80%的公司在训练模型时采用仿真数据与真实数据混合的方式，国内大部分自动驾驶厂商训练数据中约80%来源于合成数据[5] * **第一人称视角数据采集兴起**：通过模拟机器人或人类操作者视角采集数据，能提供更具沉浸感和真实交互场景的数据，是提升模型精度的新趋势[1][3][13]，预计将催生专门的第三方数据采集与标注外包产业[1][14] * **数据应用模式**：包括直接使用数据训练，以及不同模型/系统协同调用（类似AI Agent协作）[5] * **核心数据挑战 - Sim-to-Real**：弥合仿真到现实的迁移差距是主要技术难题[1][5][13] * **机器人数据困境**：场景极端碎片化导致数据割裂、非标准化，单个场景数据量有限，与训练高质量模型所需数据量存在巨大鸿沟[7][15] * **物理AI数据需求**：将物理学规律完全融入模型需要海量真实场景数据，仅靠模拟数据不足[6] * **与LLM的数据量级差异**：为物理世界模型采集和仿真的数据量，相对于真实物理世界的复杂性而言微不足道，远未达到能引发类似大语言模型智能涌现的临界点[16][17] 商业化、工程化与风险 * **商业化进度差异**：机器人商业化落地速度显著慢于自动驾驶，主因是数据和场景的极端碎片化[1][7] * **工程化挑战**：端到端模型存在“黑盒”特性，难以通过ISO 26262 ASIL D等级等功能安全认证，系统可靠性验证是商业化落地的主要瓶颈[1][10] * **新商业模式与挑战**： * 预计会出现专门从事具身智能数据采集和标注的第三方公司[14] * 第三方提供虚拟仿真数据在智驾领域已有实践，可应用于具身智能，但面临场景碎片化、客户少、需求分散导致的商业模式盈利挑战[14] * **高昂的前期投入**：具身智能数据采购被视为“无底洞”，需要为无数场景采集数据，前期投入巨大且回报不确定，对商业化构成严峻挑战[15] * **算法要求差异**： * 机器人在生命攸关的工业场景中，对精度和实时性要求极高（毫秒级延迟），需强大端侧推理能力[8] * 自动驾驶对实时性要求相对宽松，有时可依赖云端协同决策[8] * **技术迁移的可行性**：自动驾驶技术可迁移至机器人某些容错率较高、延迟要求不严的场景（如分拣、搬运），但对高精度场景（如康养机器人灵巧手控制）则挑战巨大，两者技术栈有可复用之处，但机器人对精度要求始终更高[8][9] 当前应用程度与发展瓶颈 * **物理AI应用现状**：尚未完全且深入地应用到自动驾驶和具身智能中，当前发展更多集中在端到端的VLA模型[6] * **技术变通方案**：为降低对海量数据的依赖，部分公司采用混合专家架构作为变通方案[6] * **机器人发展路径**：用一个通用模型适配所有机器人场景基本不可能，当前阶段仍需针对细分场景，根据机器人本体状态和数据要求进行专门模型训练[11] * **世界模型一致性难题**：长时间运行中出现一致性问题的根源在于记忆系统，需要处理和存储天量规模的上下文信息，对存储硬件容量构成巨大挑战，未来将驱动存储硬件性能需求升级[1][19][20] 未来技术突破与发展方向 * **近期核心方向**：未来1-2年，以世界模型结合VLA的端到端方案将是具身智能和智能汽车领域的核心发展方向[20] * **关键突破点**： * **记忆系统优化**：解决如何用更少存储资源记录更丰富上下文信息以支持复杂任务的挑战[1][20] * **群体智能协同**：技术将从单体智能向群体智能演进，如车路协同、机器人集群协同，构建支持成千上万智能体协同工作的世界模型是关键[20] * **长期挑战**：弥合仿真与现实之间的最后1%差距是巨大挑战[6]，行业依然任重道远[17]

日本政府增长战略与产业扶持计划 - 日本政府从AI与半导体、量子、造船等17个战略领域中，选定了61项应集中扶持的产品和技术 [2] - 政府先行公布了最优先推进的27项技术和产品的路线图草案，其中包括物理AI、半导体、新一代造船技术等 [2][4] - 首相高市早苗要求对扩大投资带来的经济增长效果进行验证，包括推算国内生产总值增长率、对税收增加的贡献以及债务余额占GDP比例的预期 [4] 战略目标与路线图 - 日本政府计划于2026年夏季制定政企合作推进的“危机管理与增长投资”相关路线图，并将投资目标等内容列入其中 [4] - 路线图草案瞄准的目标是，到2040年将日本国内生产的半导体销售额提高至40万亿日元 [5] - 为应对AI和数据中心需求的扩大，草案提出将为最先进半导体建设研究开发基地 [5] 重点扶持的技术与产品领域 - 最优先推进的27项技术包括利用AI驱动机器人和机械的“物理AI”，以及作为其基础的半导体 [4] - 其他重点技术包括以氨和氢为燃料的新一代造船技术、制造过程中大幅减少二氧化碳排放的绿色钢铁、永久磁铁以及游戏 [4][5] - 61项产品和技术的选择标准包括降低日本国内风险的必要性、获取海外市场的可能性、相关技术的创新性 [4] 政策与预算机制 - 日本政府将针对危机管理和增长投资引入进行单独管理的预算机制 [4] - 政府将在夏季前后制定《经济财政运营与改革基本方针》之前，公布对投资经济增长效果的推算结果 [4]

文章核心观点 - 2026年AI发展的核心已从技术试验和概念验证转向规模化价值创造，企业需通过业务流程重构和战略调整来实现差异化竞争，而非仅进行自动化改造 [1] - 技术、数据、投资与基础设施形成相互促进的加速飞轮，创新的复合效应使得技术变革速度远超以往，企业过往的成功模式已不可复制 [1][15][28] - 企业需快速感知、评估并应对技术变革，这种能力将成为其在AI时代的核心竞争力 [3] 创新的复合效应 - 技术采用速度呈指数级增长，一款领先的生成式AI工具仅用两个月就吸引了约1亿用户，而电话达到5000万用户用了50年，互联网用了7年 [15][25] - 创新的复合增长形成了一个加速飞轮：技术进步催生更多应用场景，产生更海量数据，吸引更多投资，从而打造更完善的基础设施并降低成本，进而推动更多实验 [15][25] - AI初创企业实现营收从1000万美元增长到3000万美元的速度，是SaaS企业的2到3倍 [25] - 企业必须重新设计业务流程，将投资与业务成果紧密关联，并快速执行，仅依靠渐进式改进已无法跟上变革速度 [15][39] 物理AI：探索AI和机器人的融合 - 物理AI实现了AI与机器人的深度融合，使设备从预编程机器升级为可自主感知、学习并适应复杂环境的自适应系统 [1][16][44] - 该技术已在仓储、制造、自动驾驶等领域落地，例如亚马逊部署了超过100万台机器人，其DeepFleet AI系统使仓库运输效率提升10% [30][54]，宝马工厂利用自动驾驶技术使汽车自主完成长距离生产运输 [30][55] - 人形机器人被视为下一个前沿领域，预计到2035年，工作场所的人形机器人部署量将达到200万台，潜在市场规模达300亿至500亿美元，到2050年可能增至3亿台，市场规模达1.4万亿至1.7万亿美元 [1][69] - 目前面临训练缺口、模拟与现实差距、网络安全、数据管理及人类接受度等挑战 [1][16][56][63][64] - 远期发展方向包括生物混合机器人（如由活体组织驱动）和量子机器人 [1][75] 未雨绸缪：为数字员工做好准备 - 企业对智能体AI（数字员工）的应用存在巨大落地缺口，仅11%的企业将其投入实际生产应用，38%的组织仅进行了试点 [1][17][32] - 核心障碍包括遗留系统整合困难、数据架构限制以及治理框架不完善 [1][17] - 领先企业正进行以智能体为核心的流程重构，利用智能体实现多智能体协同调度，并将其视为需要管理框架的“硅基劳动力” [1][17] - Gartner预测，到2027年，超过40%的智能体AI项目将因组织只有碎片化自动流程而非重新设计运营而失败 [32] - 未来智能体的自主程度将持续提升，人机混合劳动力模式将成为主流，智能体生成的数据将成为企业持续学习的重要资产 [1][17] 积极反思：优化AI基础设施策略 - 尽管AI推理成本在两年间下降了280倍，但由于使用量激增，企业AI总体支出仍居高不下，部分企业每月云服务账单高达数千万美元 [2][18][33] - 高成本推动企业从“云优先”战略转向战略性混合架构，结合云服务（处理可变工作量）、本地部署（稳定生产任务）和边缘计算（低延迟需求） [2][18][33] - AI专用数据中心或“AI工厂”成为建设重点，需要配备GPU优化硬件、先进网络系统和专门冷却设备 [2][19] - 未来挑战包括员工技能重塑、利用AI智能体管理基础设施，以及推动可持续计算创新（如采用可再生能源的数据中心、轨道数据中心、水下数据中心） [2][19] 脱胎换骨：重构一个AI原生技术组织 - AI正在从根本上重构技术组织，64%的企业计划增加AI投资，技术组织正从成本中心转向战略引领的创新引擎 [2][20] - 首席信息官（CIO）的角色从技术战略制定者转变为AI推广者与协调者 [2][20] - 新职业角色不断涌现，如AI协作设计师、边缘AI工程师和提示工程师 [20] - 领先企业通过将AI计划与可衡量业务成果绑定、设计模块化架构、制定人机协作人才战略以及建立自适应治理机制，来打造AI原生技术组织 [2][20] - 企业必须勇于持续变革并大胆重塑业务模式，而非局限于渐进式改进 [20][34] 走出困境：使用AI进行网络防御 - AI在网络安全领域形成“风险与防御并存”的悖论，在推动业务创新的同时也带来了新的安全威胁 [2][18] - 新威胁主要来自影子AI部署（未经授权的AI应用）、对抗性攻击以及AI系统固有漏洞，风险覆盖数据、模型、应用程序和基础设施四大领域 [2][18] - 企业可通过健全的访问控制、模型隔离和安全的部署架构来应对AI特有风险 [2][18] - 同时，企业可利用AI技术进行防御，例如利用AI智能体开展红队测试、进行对抗性训练，以及实现机器速度的自动化威胁检测 [2][21] - 未来需重点防范AI与物理基础设施融合、自主网络战、量子计算及太空安全带来的挑战 [2][21] 拨开迷雾：AI进阶过程中值得追踪的技术趋势 - 报告提出了八大值得追踪的技术信号，作为企业技术布局的重要参考 [3] - 信号包括：基础AI模型发展是否触顶、合成数据的应用与风险、神经形态计算的崛起、边缘AI的普及、AI可穿戴设备的发展、生物识别认证的升级、AI智能体隐私问题以及生成式引擎优化（GEO）的兴起 [3][22]

文章核心观点 - 英伟达CEO黄仁勋在对话中提出，AI革命不是IT部门的升级，而是一次商业逻辑的“重置”，企业需要从制造工具的思维转向创造“数字劳动力” [4][16] - 在算力指数级提升（过去10年提升100万倍）的“丰盈”（Abundance）时代，企业领导者必须用“无限快”和“零重力”的假设重新定义核心问题，否则将被以这种新思维运作的竞争对手颠覆 [5][11][12] - 企业最宝贵的知识产权可能不是答案，而是员工在战略思考中提出的“问题”，这促使公司需要建立本地的、受控的AI能力以保护核心资产 [13] 企业迈向AI的路径与管理哲学 - 企业迈向AI的第一步不是计算投资回报率（ROI），而是鼓励“安全地试错”，允许内部AI项目“百花齐放”甚至达到“失控”状态，以培养组织的“AI感觉” [6][7] - 管理逻辑应像对待孩子的好奇心：对团队提出的AI尝试先回答“可以”，再问“为什么”，而不是先要求证明价值，以保护创新探索的触角 [6][23] - 在经过一段充分的探索期后，领导者再凭借直觉“修剪花园”，将资源集中到重要方向，但过早集中力量可能会选错重点 [7][24] AI工厂与价值创造的根本转变 - “AI工厂”的本质不是存放服务器的机房，而是源源不断产出“数字劳动力”或“增强型劳动力”的新型价值创造中心 [9][10] - 行业正经历从“制造工具”（如软件、芯片）到“创造劳动力”的根本性转变，例如自动驾驶汽车的本质是数字司机，其生命周期经济价值远超汽车硬件本身 [9][35] - AI带来的最大机会是渗透和重塑实体经济：全球IT产业规模约1万亿美元，而全球经济总量是100万亿美元，潜在市场总量拓宽了百倍 [10][35] - 每个传统行业都有机会通过注入数字劳动力，将自己重塑为一家技术公司，例如迪士尼想成为Netflix，梅赛德斯想成为特斯拉 [5][10][35] 用“丰盈”思维重新定义问题 - 在算力过去10年提升100万倍的指数级“丰盈”前提下，昔日的摩尔定律（10年100倍）慢得像蜗牛爬 [5][26] - 企业领导者需要建立新的认知基准，以“无限快”、“零重力”、“光速”的假设来思考公司最核心、最棘手的工程与商业难题 [11][27][28] - 例如，面对拥有数万亿关联关系的复杂网络分析，新思维是“把整个图都给我，多大都行，我不在乎”，而不是分而治之 [12][27] 数据主权、知识产权与未来公司内核 - 企业应建立“切身的技术掌控力”，建议像教孩子学骑车一样自己动手构建AI系统，而非完全依赖公有云 [13][38] - 公司最宝贵的知识产权可能不是数据库里的答案，而是员工与AI交互中产生的、反映战略重点的“提问”，这些必须被保护在受控的本地环境中 [13][38] - 未来每个员工都会拥有许多持续学习其决策和疑问的AI助手，这些进化了的AI将成为公司沉淀下来的独特智能资产，即“未来的公司” [13][39] 计算范式的根本革命：从显式编程到隐式编程 - 计算正经历60年来的首次重塑，从“显式编程”（编写精确代码）转向“隐式编程”（告诉计算机意图，由其生成代码） [18][31][37] - 这意味着编程（被比喻为“打字”）能力变得平庸化，技术门槛极大降低，而深谙客户与业务问题的领域专长价值飙升 [16][37] - 软件范式正从“预录制”时代（如刻在CD-ROM中，基于检索）迈入“生成式”时代，未来的软件实例将是高度情境化、动态生成的独特存在 [14][15][32] 物理AI与工具使用 - 下一代AI是理解物理世界和因果关系的“物理AI”，它将能够理解如多米诺骨牌效应般的物理概念 [34] - 让AI学会使用现有工具（如CAD软件、ERP系统）是重要方向，因为对于已有确定性答案（如F=ma）的问题，应直接使用精准工具而非概率猜测 [34] - 最终目标是创造能够使用工具、进行研究和规划的“智能体AI”（Agentic AI），以解决从未见过的问题 [20]

英伟达CEO黄仁勋近期活动与观点 - 英伟达CEO黄仁勋近期行程密集，先后出席达沃斯论坛、访问中国多地，并在美国休斯顿参加达索系统活动，演讲主题聚焦工业AI [2] 英伟达与达索系统的合作 - 英伟达宣布与工业软件公司达索系统合作，双方将利用虚拟孪生技术构建工业AI平台 [2] - 合作将结合达索的虚拟孪生技术与英伟达的AI基础设施、开源加速软件库，建立经科学验证的行业世界模型，应用于生物学、材料科学、工程和制造等领域 [2] - 技术的融合将使工程师能在比以往大10万倍的规模上开展工作，并实时生成虚拟孪生世界 [3] 工业AI与虚拟孪生技术的应用前景 - 黄仁勋认为，未来设计、模拟、验证及操作都将由软件定义，从网球鞋到汽车、工厂均是如此 [2] - 物理AI与仿真的结合，使AI能学习预测物理行为，实时运行时预测规模可达1万倍以上，结合模拟和仿真将带来革命性改变 [3] - 在工厂中，数以百万计的工厂可以在虚拟孪生世界中预先完成生产线安排和机器人组织 [3] - 达索系统高管表示，物理AI与虚拟孪生技术结合，可使工厂在虚拟环境中测试和重新配置生产的过程耗时从几个月缩短至几个小时 [4] 工业基础设施建设与AI工厂 - 黄仁勋指出，全球正开始史上最大规模的工业基础设施建设，价值数万亿美元甚至数十万亿美元 [4] - 为满足AI基础设施建设需求，芯片工厂、计算机工厂和AI工厂三个产业正在扩大规模 [4] - 这些工厂非常复杂，在破土动工前于虚拟孪生世界设计和模拟，能节约大量时间和金钱 [4] - 黄仁勋提出，每个制造商未来都将有两个工厂，一个用于制造产品，另一个创造驱动这些产品的智能 [5] 英伟达在工业AI领域的布局 - 近一年来，英伟达频频在工业AI领域布局 [4] - 去年6月，英伟达宣布在德国建设全球首个工业AI云，配备1万颗Blackwell GPU [5] - 在该云平台的图景中，汽车可在虚拟环境中设计，机器可在虚拟环境中训练，优化后放到现实工厂运行 [5]

物理AI的发展趋势与核心突破 - AI技术正取得三大突破：从聊天到干活的智能体、开源模型降低门槛、物理智能理解客观自然世界 物理智能展现出AI开始理解蛋白质结构、化学分子、流体力学等自然科学规律 这被认为是AI的下一波浪潮[1] 物理AI的核心技术范式：VLA与世界模型协同 - 为加速AI理解、重建和生成物理世界，需依赖世界模型这一利用AI训练AI的新工具[2] - 行业共识认为，单纯依赖真实机器人数据采集不够 正在见证VLA模型或VA模型与世界模型双模型协同的新范式崛起[2] - VLA或VA模型担当负责感知、推理和行动的大脑 世界模型充当负责推演和想象的场景模拟器[2] VLA与世界模型协同的价值与路径 - VLA+世界模型是解决物理AI中具身智能数据饥渴和物理安全性矛盾的最优解 真实机器人数据采集较贵、较慢、有危险[3] - 世界模型能生成无穷无尽的仿真数据 可低成本生成各种情景甚至反事实场景 为VLA提供细节丰富的训练场[3] - 斯坦福大学李飞飞教授提出空间智能是连接数字与物理世界的桥梁 世界模型应生成具备3D几何一致性、物理互动性的可操作世界 VLA在此训练才能真正理解物理规律[3] - 协同进化工程化落地分为四个阶段：冷启动、接口对齐、在仿真场景中训练、虚实迁移与校准[4][5] 解决生成式模型物理常识缺失的关键技术 - 需警惕生成式模型在长时间序列预测中的一致性幻觉 如物体突然变大或穿透[6] - 解决对策：引入3D几何、材质等约束 结合3DGS等技术 确保生成的物体在三维空间中守恒[6] - 公司日常训练中将3DGS技术与3D几何图形引擎融合 形成3DGS混合仿真引擎 使虚拟环境物理特性与真实环境保持一致[6] - 为判断任务成功 需训练配套的奖励模型作为裁判 查看生成场景并给出分数反馈[6] - 为解决世界模型推演速度瓶颈 可采用潜一致性模型等加速技术 将预测从像素级转移到特征级 速度可大幅提升[6] 数据共享与互补的最佳实践 - 世界模型训练需要输入真实数据与合成数据[7] - 共享视觉底座：VLA和世界模型的视觉编码器可共享权重或联合训练 以节省显存并保证对世界特征的同频理解[7] - 反事实数据生成：利用世界模型生成假设性失败案例数据 让VLA学习从未经历过的失败 提升鲁棒性[7] - 数据配比：建议发展初期按照真实数据与合成数据1:9的比例混合使用 真实数据用于校准物理规律 合成数据用于拓展多样性[7] 物理AI的演进方向与未来应用 - 世界模型未来需直接生成4D的交互式环境 VLA将在完全三维的动态可交互环境中训练[8] - 在公司的"数字孪生工厂"中 利用物理AI可在虚拟产线调试机械臂、应对异常 再同步到实体工厂执行[8] - 构建动态"虚拟训练场" 使人形机器人在部署前学会应对数千种突发状况[8] - 实现快慢系统默契配合：VLA处理毫秒级实时反应 世界模型处理长程规划 当VLA遇难题可呼叫世界模型推演方案[8] - 最终VLA和世界模型可能合并为一个大一统模型 输入观测时既能预测下一个动作也能预测下一帧状态[9] - 未来应用包括：机器人管家、模拟火星环境中自主作业的工程车、在药物研发中推演蛋白质折叠与分子互作的"虚拟实验室"[10]

公司业务与技术定位 - 公司物理AI业务聚焦于多物理场仿真、物理规律驱动的智能体训练及行业级应用 [1] - 公司技术面向新能源电池、具身智能、低空经济等领域的虚拟训练场景 [1] - 公司技术具备自主可控、安全可定制的优势 [1]

核心观点 - 人工智能正从数字领域走向物理世界，被用于提升建筑、工厂等实体场所的运营效率与生产力，其大规模应用阶段正在开启 [1] - 行业领袖提出“物理AI”概念，并认为其“ChatGPT时刻”已经到来，意味着机器开始具备理解、推理并作用于现实世界的能力 [1] 行业趋势与应用 - 所谓的“物理AI”在2025年从试点项目发展到广泛应用，全球有超过20万个场所部署了此类工具 [1] - “物理AI”的应用场景包括配置汽车工厂的工作流程、决定建筑物在不同时间段的能源使用等，旨在提升能源效率、安全保障和人员生产力 [1] - 每栋建筑都存在提升能源效率、加强安全保障和提高生产力的需求，这是“物理AI”发展的核心驱动力 [1] 供应链战略调整 - 新冠疫情促使企业重新审视供应链，推动其建立能够在本地生态系统中运作的体系，以增强韧性 [1] - 世界贸易秩序正在转变，从标准的全球供应链转向更多双边贸易 [1] - 霍尼韦尔公司利用疫情期间的经验，已构建能够承受双边关系变化和关税冲击的供应链 [1] 技术发展框架 - 英伟达首席执行官提出了AI“五层蛋糕”理论，自下而上分别为：能源、芯片与计算基础设施、云数据中心、AI模型以及最上层的应用层 [1] - 该框架明确了支撑AI，特别是“物理AI”发展的底层技术栈和基础设施层级 [1]

全球物理人工智能专利竞争格局 - 在物理人工智能（Physical AI）专利领域的全球综合实力排名中，中国位居世界第一，美国以微弱差距紧随其后[1][3] - 按公司或机构综合评分排名，中国科技公司包揽前三：百度（4126分）、华为（3645分）、腾讯（3043分），中国平安保险（1881分）位列第六，中国科学院（835分）位列第十[1][4] - 韩国三星电子（2734分）位列全球第四，LG电子（1393分）位列第八，但韩国整体落后于中美两国[3][4] - 美国公司英伟达（2154分）、英特尔（1543分）、Alphabet（1325分）分别位列第五、第七和第九[4] - 日本整体排名第四，其排名最高的企业是工厂机器人制造商发那科，位列全球第13位[3] 物理人工智能的技术内涵与战略地位 - 物理人工智能是指让摄像头、机器人和自动驾驶汽车等自主系统能够在物理世界中完成感知、理解、推理并执行复杂动作的技术[5] - 业界认为其核心是让AI具备在现实世界中“看、想、动”的能力，使“机器智能”能直接参与并改变现实环境，而不仅限于提供信息[5] - 物理人工智能被视为中美科技博弈的下一阶段，中国正将其作为国家战略大力支持[5] - 中国“十五五”规划建议强调了高质量发展及科技在引领“新质生产力”中的作用，重点包括人工智能等先进领域[4] - 2025年8月，中国国务院印发《关于深入实施“人工智能+”行动的意见》，明确提出推动工业全要素智能联动，加快AI在全环节落地应用[5] 人工智能与制造业的融合应用进展 - 实体系人工智能作为连接信息世界与物理世界的桥梁，通过“感知-认知-决策-执行”体系架构，是“人工智能+制造业”从概念走向落地的重要环节[6] - 工业全要素智能联动旨在利用AI技术，通过嵌入行业知识、融合业务流程，对传统产业进行全方位、全链条的升级改造[6] - 中国工业企业应用大模型及智能体的比例从2024年的9.6%大幅提升至2025年的47.5%[7] - 中国已培育421家国家级智能制造示范工厂，人工智能、数字孪生等技术在90%以上的示范工厂得到应用[7] - 中国已累计建成7000余家先进级、500余家卓越级智能工厂，并遴选出15家领航级智能工厂培育对象[7]

全球“物理AI”专利竞争力排名 - 在“物理AI”相关领域的专利综合实力排名中 中国位居世界第一 美国以微弱差距紧随其后 日本排名第四[2] - 韩国虽有部分企业进入排行榜前列 但整体实力与中国和美国仍有差距[4] 主要企业与机构得分 - 百度以4126分的综合得分位列全球第一[5] - 华为以3645分的综合得分位列全球第二[5] - 腾讯以3043分的综合得分位列全球第三[5] - 三星电子以2734分的综合得分位列全球第四[5] - 英伟达以2154分的综合得分位列全球第五[5] - 中国平安保险以1891分的综合得分位列全球第六[5] - 英特尔以1543分的综合得分位列全球第七[5] - LG电子以1393分的综合得分位列全球第八[5] - 美国Alphabet以1325分的综合得分位列全球第九[5] - 中国科学院以835分的综合得分位列全球第十[5] 行业格局与竞争态势 - 综合得分前三名由百度 华为和腾讯等中国大型IT企业包揽[6] - 中国平安保险凭借专利数量的优势位列第六[6] - 与进入前列的美国英特尔 英伟达 Alphabet相比 中国企业在专利质量方面仍有差距 但华为已接近美国企业的水平[6] - 日本企业中排名最高的是第13位的发那科[6] - 随着竞争主战场从日本长期领先的机械技术转向AI 日本国内企业被迫采取新的应对措施[4]