2026年：AI开始“物理扎根”

思策智库·2026年01月27日 13:30

2026年，AI从“云端大脑”落地为“边缘终端”，嵌入工业现实。物理AI既是新工业革命引擎，也面临更为艰难的探索。

在技术迭代周期不断压缩的时代背景下，我们似乎总在寻找一个“转折年”。

进入2026年，肉眼可见的转变是：人工智能的主流应用，从数字领域的生成与对话，无可逆转地转向物理领域的感知应用。

去年我到国家电网下属的一个沿海省市电力公司，刚走进他们的变电站车间，我就感受到了满满的工业质感。依照电网“发、输出、变、配、用”全环节需求，将电网嵌入AI算法，实现数字孪生与多模态大模型融合，以此提升电网优化、智慧体验、覆冰预警，以及智能计量运维和故障诊断的可靠性与运营效率。

从云智能体在物理层构建，从云端大脑到边缘终端。事实是，AI智能的形态正从手机屏幕里跃迁出来，并越来越多地嵌入了物理世界的运行中。

AI的“ChatGPT时刻”是否已到来

如果说过去的AI擅长在比特世界里预测下一个词，那么现在就变成了如何在原子世界里预测并塑造下一个世界状态。黄仁勋称之为AI的“ChatGPT时刻”。

这就是最近科技圈比较火的一个概念：物理AI。它的特性是AI可以理解物理定律，与现实环境互动并施加改变的智能系统，实现“假设－AI模拟－实验验证”的科研新范式。这有望成为驱动这场新工业革命最具想象力的动力引擎。

但坦白说，物理AI的突破，可能要更为艰难。业内共识是，5到10年的深耕可能只是起步。

这就引出了物理AI最核心的发展逻辑。它不像语言模型去集纳规模化的数据符号。简单说，它既是AI，也是AI训练员。

你可以这样理解：一个优秀的语言模型，需要海量的文本语料来习得语法、逻辑与知识关联。而一个可靠的物理AI，则需要海量的物理交互语料来内化这个世界的运行法则。它需要知道，用力推一个放在桌沿的杯子，后果大概率是碎裂；它也需要体会，在光滑瓷砖地和在松软沙地上行走，膝关节的驱动策略应有根本不同。这种“知道”和“体会”，不能只靠标注，必须靠“经历”——无论是虚拟的还是真实的。

于是，物理AI的发展路径，呈现出一种有趣的“分层-融合”螺旋。传统的机器人学采用分层架构（感知、规划、控制），它清晰、模块化。国内很多机器人公司能快速在仓储、巡检等场景落地，这套成熟工程范式功不可没。但它的“天花板”也明显：各模块间的信息损耗和延迟，在面对动态未知环境时，会显得笨拙。

而当下的趋势是实现更极致的 “端到端” ——让AI像自动驾驶那样，从视觉输入直接映射到动作输出。这很“大脑”，很统一。但物理世界的复杂性和安全性要求，让这条路径充满险阻——数据从哪来？安全性如何保障？一个错误的输出可能意味着真实的碰撞与损坏。这不像文本生成，错了可以重来。

正是在这种两难中，“世界模型” 的概念被推至前台。它让智能体能在采取真实行动前，先在“脑海”中进行快速、低成本的推演与试错。这听起来很理想，但构建一个足够逼真、又能高效计算的通用物理世界模型，其难度目前来说，极具挑战性。

当前，它更多在特定封闭领域（如机器人操作特定物体）展现潜力。我们既需要“世界模型”赋予的常识与泛化能力，又不得不依赖分层架构的可靠与可控。未来的主流，很可能不是谁取代谁，而是一种基于世界模型的分层决策——大脑负责想象和规划，小脑和脊髓负责反射与稳定等等。

行业正在用一系列“开源节流”提升效率。首当其冲的是 “合成数据”。在高保真的物理仿真引擎（如英伟达的Isaac Sim、开源的MuJoCo）中，我们可以以零边际成本生成近乎无限的数据——让成千上万的虚拟机器人在虚拟工厂里日夜训练。但这里有个著名的“仿真到现实”的鸿沟：虚拟世界再逼真，其物理参数与真实世界总有微妙差异。一个在仿真中行走如飞的机器人，到了现实地面可能瞬间“翻车”。

因此，另一种“开源”思路备受关注：利用人类日常视频进行预训练。YouTube上无数第一视角的生活、工作视频，潜含着海量关于物体属性、物理常识和操作技能的信息。让AI模型大量观看这些视频，从中无监督地学习到“什么东西是易碎的”、“门通常怎么开”等基础物理常识。这成了弥补仿真鸿沟、注入人类先验知识的一条捷径。

比如英伟达的GROOT模型等前沿探索，正实践着“人类视频预训练+仿真微调+真机精调”的混合模式。这或许暗示了物理AI数据问题的未来解：一个由人类经验、虚拟仿真和实体交互共同构成的“三位一体”数据生态。

中国场景：在“性价比”与“战略纵深”之间

当我们将视角拉回全球竞争格局，物理AI的发展呈现出一个有趣的对比。美国在基础算法、芯片架构和前沿探索上依然引领风潮，其路径充满科幻感和原创性。而中国的路径，则深深烙刻着自身的产业基因，更突出工程的场景落地。

这种现实主义首先体现在性价比上。中国的优势，在于将前沿技术迅速工程化、产品化，并依托全球最完整、响应最快的供应链，将其成本控制在市场可接受的范围内。就像开头提到的变电站场景，其背后的技术整合、成本控制和部署效率，构成了中国物理AI落地的一把钥匙。它可能不是第一个发明某项算法的，但常常是第一个能把它稳定、便宜地用在工厂流水线、物流仓库或电网巡检中的。这种能力，在物理AI从实验室走向千行百业的初期，是一种强大的市场穿透力。

其次，是 “战略纵深” 。与一些国家倾向于基础研究和自由市场探索不同，中国通过顶层设计，为物理AI提供了清晰的应用场景和产业通道。“人工智能+”行动和“具身智能”被写入政府工作报告，意味着从智能电网到智慧农业，从柔性生产线到城市管理，一系列庞大、复杂且自带需求的“训练场”和“试验田”被系统性地开辟出来。我们的目标是具体的：2027年智能终端普及率70%。这为物理AI的进化，设定了一个充满想象力的现实坐标系。

当然，这条路径也有其挑战。过于强调应用和性价比，是否会削弱对更底层、更革命性原创技术的长期投入？如何在“集中力量办大事”的效率与激发“草根”创新活力之间取得平衡？这些都是需要持续思考的问题。