物理AI行业电话会议纪要关键要点总结 一、涉及的行业与公司 * **行业**：物理AI行业，涵盖世界模型、机器人、自动驾驶及空间智能等方向[2] * **海外公司**：英伟达、特斯拉、Figure AI、Physical Intelligence[9][10] * **国内公司**：银河通用、宇树科技、51WORLD、群核科技[10][11] 二、核心观点与论据 1 物理AI的定义与发展阶段 * 物理AI是继大语言模型和多模态模型后AI产业的下一个重要趋势，核心是将大模型能力从数字世界拓展至真实物理世界[2] * 物理AI需具备感知、理解、任务规划和执行四个层次的核心能力[3] * 预计2026年至2028-2030年将成为爆发期，目前处于大规模商业化前期和小批量验证阶段[2][13] * 物理AI对GPU及AI服务器的需求量级可能超过生成式AI[9] 2 技术演进路径 * 技术路径从VLA模型向世界模型跨越[7] * VLA模型解决从感知到动作生成的问题，例如谷歌DeepMind的RT-2模型将互联网语义知识迁移到机器人动作控制中[6][7] * 世界模型在VLA基础上解决理解物理世界并预测动作后果的问题，价值体现在三方面：提升物理世界理解能力、执行前进行结果推演和风险评估、生成仿真合成数据降低训练成本[7] 3 数据瓶颈与壁垒 * 当前世界模型发展的主要瓶颈在于数据，数据是未来物理AI产业竞争的重要壁垒[9] * 机器人领域数据短缺问题更严重，因需要3D数据且采集方式有限[9] * 数据来源包括：互联网视频提取数据（数据量最大）、世界模型生成的仿真数据、高质量但成本高的真实数据（如真实机器人部署数据和遥操数据）[9] * 未来随着机器人部署数量增加，采集到的真实数据会越来越多，形成数据飞轮[9] 4 海外公司布局路径 * **英伟达**：侧重布局基础设施，通过Cosmos平台构建全流程开发生态，涵盖算力层、Omniverse和Isaac Sim仿真层、GR00T世界模型层[8][9] * **特斯拉**：以工厂场景和真实数据驱动，Optimus基于自动驾驶积累的视觉感知和神经网络训练能力，早期商业化验证在工厂等结构化环境中实现[9][10] * **Figure AI和Physical Intelligence**：新势力更看重定义机器人软件栈，围绕VLA、真实数据闭环和机器人模型展开，推动产业从硬件工程向软件模型驱动转变[10] 5 国内公司布局路径 * **银河通用**：仿真合成数据代表，重点围绕机器人基础模型、仿真训练平台及机器人操作能力，通过大规模合成数据与真实数据融合训练[10] * **宇树科技**：产品布局全面，注重产品矩阵建设和工程化能力提升[10] * **51WORLD**：从数字孪生切入构建仿真训练平台，技术路径与英伟达Omniverse和GR00T平台相似，已应用于高仿真环境下的自动驾驶训练与测试[10][11] * **群核科技**：空间智能代表，通过“酷家乐”积累大量室内家装3D空间数据，推出空间理解与生成的“空间大模型”，核心特点是拥有高质量真实室内空间数据[11] 三、其他重要但可能被忽略的内容 * 物理AI、空间智能、具身智能和世界模型共同构成物理AI框架：物理AI是概括性目标，空间智能是认知基础，具身智能是载体，世界模型是前沿技术方向[5] * 物理AI与传统机器人不同，更强调基于模型的推理、任务分解以及失败后的恢复调整能力[4] * 物理AI的发展是系统工程，不仅依赖算法突破，还受数据、训练平台、本体控制能力等多重因素影响[4] * 当前阶段重点是进行技术梳理并跟踪行业内软件技术栈的变化[13] * 群核科技的空间理解模型能为影视、电商广告等行业提供3D空间构建服务[11]