物理 AI 到底是什么：让模型先学会物理世界的常识

一个模型能跟你聊一小时康德，未必能把桌上那只马克杯端起来。这不是段子，而是当下 AI 最真实的分界线：屏幕里的事情，错了可以重来；物理世界里的事情，错了要付电费、维修费，甚至有人受伤。

从 2025 年开始，「物理 AI」这个词在中英文的产业讨论里出现得越来越密。到了今年 10 月，连券商的研究简报都在说「全球巨头加速布局，物理 AI 浪潮渐起」（上海证券报·中国证券网，10 月 28 日）。但词热起来的时候，最该先弄清楚的往往是：它到底指什么，卡在哪里。

一、先拆名词：物理 AI 其实有两个意思

中文里「物理 AI」至少被两种含义混着用，而它们几乎是两个行业。

第一种是用 AI 做物理。用神经网络去解偏微分方程、从粒子对撞的海量数据里找异常、把实验数据反推成物理规律。这类工作有个更准确的名字叫 AI for Science，物理只是它的一个战场。

第二种是 AI 进入物理世界。让机器在真实空间里看见、判断、动手，也就是英文里的 Physical AI，或者叫具身智能（embodied AI）。机器人、自动驾驶、无人机，都属于这一支。

本文讲第二种，因为现在被大声讨论、被大量投入的是它。第一种同样重要，我们会在后续的篇目里单独拆。

二、三层闭环：感知、世界模型、行动

不管形态是机械臂、人形机器人还是四足狗，物理 AI 的系统都可以粗暴地切成三层。

第一层是感知：摄像头、深度相机、触觉阵列、力矩传感器、IMU，把连续、嘈杂、带噪声的物理世界压缩成一串数字状态。第二层是世界模型：模型要先回答一个假设性问题——「如果我这样动，下一秒世界会变成什么样」。第三层是行动：把推演结果翻译成关节角度、电机电流、夹爪开合。

中间这层为什么是这两年最热的？因为它换了训练目标。语言模型的训练目标是预测下一个词，世界模型的训练目标是预测下一个状态——我把杯子往左推两厘米，它会倒吗？桌沿还有多远？这一步会不会碰到旁边的碗？

这个差别听起来只是换个数据类型，实际上是换了一整套评价标准：预测下一个词错了，输掉一局问答；预测下一个状态错了，可能摔碎一个杯子。

三、为什么换到物理世界就难了

把在互联网文本上训练出来的能力搬到机器人身上，行业里试了很多年，结论是四个约束同时收紧。

试错的代价不对称。在软件里，一次失败的调用成本接近于零；在真机上，一次失败可能是一张维修单。这直接决定了「靠试错学习」这条路在物理世界里贵得离谱。

数据不在网上。互联网上现成的文本和图片是语言模型的食物，但「一只手以多大的力握住一只装满水的玻璃杯」这种数据，互联网上没有。它只能靠人戴着力反馈手套一遍遍遥操作采集，或者靠仿真生成。

时间预算是毫秒。聊天机器人多花两秒回答没人介意；机器人的控制环路晚 50 毫秒，可能就已经撞上了。这逼着模型必须又小又快，或者把「想」和「做」分成两个频率。

错误不可回滚。数字世界里的一切都能重来，物理世界不能。

这四条里最要命的是第一条和第二条的叠加：既贵，又没现成数据。所谓 sim-to-real gap（仿真到现实的落差）就长在这里——摩擦系数、材料形变、光照、传感器噪声，仿真里全被简化过，模型在虚拟世界里练出的手感，到真机上会有一层系统性的偏差。

四、一条技能是怎么「练」出来的

今天主流的做法，是把上面这些约束摊到一条流水线上，各段用不同的数据去补。

第一段：人类视频。从第一人称的操作视频里学「大概该怎么做」——先建立任务的粗轮廓，这一段便宜、量大，但精度极低。

第二段：仿真里试错。把失败留在虚拟世界，一天可以试几十万次。强化学习在这里最如鱼得水，代价是那个 sim-to-real gap。

第三段：世界模型预训练。让模型先学会「物理后果」这件事本身，形成一种可迁移的直觉。这也是最近 arXiv 上最拥挤的赛道：以世界-动作模型（world-action model）为名的论文成批出现，讨论的核心都是同一件事——先学会预测，再学会行动。

第四段：真机微调。用最贵的那部分数据，只补最后那一小段落差。这一段数据量最小，却往往决定成败。

五、进展到底在哪儿

如果只看发布会，容易以为物理 AI 已经快成了；如果只看演示视频里的失败片段，又容易以为它还很远。比较靠谱的判断方式是看三条线各自走到了哪。

模型这一条线，是最热的。世界模型、世界-动作模型、跨本体的动作表征，最近几个月的论文密度明显上升，说明学术界已经形成共识：光靠视觉-语言模型接一个动作头不够，得有一个显式建模物理后果的中间层。

基础设施这一条线，最容易被低估。仿真器、数据采集设备、真机评测场，这些不性感的东西，恰恰决定了模型能吃到的数据有多干净。谁掌握了高质量的遥操作数据，谁就握着这一轮的稀缺资源。

标准与治理这一条线，刚开始动。据中国电子技术标准化研究院的消息，全国信标委的具身智能工作组已在南京成立，并启动了世界模型系列标准的预研（CESI）。标准往往在技术还没定型时先到，它的作用是给「什么叫安全」「什么叫可评测」画一条底线。

六、别急着期待的部分

长尾问题没有捷径。叠衣服、开抽屉、插插头，这些对人来说毫不费力的动作，恰恰是机器人最不擅长的——因为它们各自都有无数种变体，而每一种变体都需要数据。

评测体系还没建立。语言模型有 benchmark 可以刷榜，物理 AI 的评测至今没有一个被广泛接受的统一标准。没有评测，进步就没法度量，「看起来很强」和「真的能用」之间的差距会被演示视频掩盖。

安全是天花板。一台在工厂里搬箱子的机器人失误，损失可控；一台在家庭里给人递热水的机器人失误，代价不可接受。这会反过来限制模型的激进程度。

结语

物理 AI 的进度条，可能不取决于模型再大多少，而取决于整个系统愿意为「失败」付多少钱：仿真越真，失败越便宜；世界模型越准，失败越少；真机数据越多，最后的落差越小。

理解了这条成本曲线，你再看那些机器人演示视频，就会多问一句：这段视频背后，是多少次虚拟的失败，和多少次真实的尝试。

本文为科普向梳理，不构成任何投资建议。