在今年中央廣播電視總臺春節聯歡晚會上，機器人高密度登場，輪番獻上精彩的節目。聚光燈下，臺下觀眾直觀地感受到，如今AI在真實物理世界中可觸可感。從“會聊天”到“會做事”，AI機器人正在經歷從“實驗室”到“應用端”的關鍵轉折。這背后，離不開人工智能技術發展的最新技術——物理AI。

在前不久舉辦的2026年美國拉斯維加斯消費電子展（CES）上，“物理AI”也被頻頻提及。作為國際消費電子領域的風向標，CES歷來是觀察前沿技術走向的重要窗口。與2025年熱議的“AI智能體”相比，今年展會熱議“物理AI”這一新詞，折射出AI技術發展路徑和產業關注重點的變化。

那么，什么是物理AI？它將帶來哪些改變？未來發展前景如何？又面臨哪些挑戰？請看本期關注。

從一個著名的“倒掛”現象說起

當今社會，人工智能浪潮席卷千行百業，越來越融入人們的日常生活。從最早的搜索引擎和語音助手，到近幾年的ChatGPT、DeepSeek等大語言模型，人們已經習慣于讓AI“理解語言”“生成內容”。這些大模型應用可以寫文章、畫圖，甚至編寫程序。然而，當我們想讓AI去做家務時，它大概率會手忙腳亂，甚至打翻杯子、撞上桌角。

這聽起來很矛盾，卻是人工智能領域一個著名的“倒掛”現象——“莫拉維克悖論”。

早在上世紀80年代，人工智能先驅漢斯·莫拉維克就發現：對人類來說，下圍棋、解微積分很難，但對機器人來說可能很容易；而走路、抓東西這些人類不假思索就能完成的動作，對機器人而言卻異常艱難。

傳統AI，本質上是個“脫體的大腦”。它或許能從海量數據中學習詞語間的關聯，用優美的語言描述“重力”，也能用數學符號寫出物理定律公式，卻并不能發覺玻璃杯掉在地上會碎，也不會在意濕滑的地面容易讓人摔倒。它在由0和1構成的數字世界里，無法感知也無法作用于我們這個充滿摩擦力、慣性和不確定性的物理世界。

過去幾十年，人工智能領域的發展也印證了這一點。1997年，“深藍”大模型擊敗國際象棋冠軍；2016年，AlphaGo大模型戰勝圍棋高手李世石；到了2023年，大模型能寫論文、編程序、生成逼真圖像……與之相對，在2025年舉辦的世界人形機器人運動會上，不少機器人仍頻頻摔倒、“洋相”頻出。擰開瓶蓋這一簡單動作，對它們來說都是一場高難度挑戰。

換句話說，過去的AI很會“說話”，卻不擅長“做事”。在這一背景下，人工智能的又一技術前沿——物理AI技術迅速發展起來。

所謂“物理AI”，通俗地說，就是將AI與物理世界深度融合的人工智能技術。物理AI不再滿足于只在屏幕里“紙上談兵”，而要讓機器人學會在真實世界里自如地行動和互動。從靈活奔跑的機器狗，到倉庫里精準分揀包裹的機械臂，再到家用掃地機器人……它們的背后，都有物理AI技術應用的影子。

智譜AI公司創始人、清華大學教授唐杰表示，對話AI的范式基本接近尾聲，將進入“做事AI的階段”。

能力邊界從虛擬信息層跨越到真實行動層

換言之，物理AI是一種能夠在現實世界中感知環境、理解物理規律、規劃動作并執行復雜任務的智能系統。它的目標不是給出一個理論答案，而是完成一件具體的事——比如打開一扇門、搬運一個箱子，或是在崎嶇的山路上穩健行走。

有人將AI發展分為4個階段：初期的“感知AI”，能看能聽；隨后的“生成AI”，能夠輸出文字、圖像等內容；“代理AI”，能夠調用、組合不同的軟件工具；現在的“物理AI”，能夠理解現實世界并執行具體的操作任務。

與傳統AI相比，物理AI最核心的特點在于擁有“身體”。它通過攝像頭、激光雷達、觸覺傳感器等“感官”從真實世界獲取信息，并通過電機、關節等“肢體”輸出一系列物理動作。整個動作過程是一個“感知—思考—行動—再感知”的動態閉環。

與此同時，物理AI還具備強大的空間智能感知能力。物理AI不僅要識別物體，還要理解三維空間中物體的相對關系：這個花瓶放在桌子邊緣，推一下會不會掉？那個箱子是紙做的還是鐵做的，該用多大力氣搬？

從這一角度來說，物理AI可以看作是具身智能與空間智能融合的應用范式。具身智能提供理論框架，空間智能提供實際執行任務的關鍵能力，物理AI將這些能力整合到現實可操作的系統中，最終落地為一個個能干活的智能實體。

從虛擬信息層跨越到真實行動層，AI的能力邊界不斷拓展。一個日見清晰的技術拐點，正呈現在我們面前。

推開一扇扇通往真實世界的“門”

傳統機器人往往是“死腦筋”，大多按照預設程序重復單一動作：走規劃好的線路、抓取預定位置的物體，以及跳固定動作的舞蹈等。一旦環境變化，它們就會束手無策。而應用物理AI系統的機器人，具有前所未有的靈活性和適應性，落地應用速度明顯加快。

——工業制造更加高效。在制造領域，由于應用場景相對穩定，目前車間生產線上的各類工業機器人已經開始大顯身手。例如，特斯拉公司推出的焊接機器人借助物理AI輔助，焊接精度突破0.1毫米。位于四川綿陽的某企業車間，多臺自主機器人靈活穿行、搬運周轉箱，不僅能避開障礙，還會預判工人走動路線，主動讓路，儼然一副“老員工”的樣子。

——輔助醫療更加精準。在醫療領域，新一代手術機器人將不只是醫生可有可無的幫手。它能實時分析人體組織的彈性、血流狀況，并自動調整傷口縫合的力度。臨床數據顯示，搭載物理AI系統的達芬奇手術機器人，能讓術中患者出血量減少40%；而用于超聲穿刺的機器人，在經過虛擬器官模型訓練后，操作失誤率更是大幅下降。這些機器人正從飽覽醫書病歷的分析工具，漸漸升級為具備精湛實操技術的“手術搭檔”。

——自動駕駛更加可靠。在交通領域，自動駕駛汽車也將迎來重要飛躍。過去的智駕系統主要靠識別路標、車道線和四周車輛輔助司機決策。而物理AI則讓汽車開始“理解”物理世界的動態規律，如判斷路面是否結冰，預測汽車旁邊電動車騎手的下一步動作，甚至與橫穿馬路的行人進行“眼神交流”式的意圖溝通。例如，某汽車公司宣稱，其融合物理AI的新一代智駕系統，實現了在復雜小路和人車混行的場景下，平均接管里程提升了13倍。

——家政服務更加貼心。在家政領域，變化同樣顯著。物理AI讓掃地機器人能辨認出地上的拖鞋、電線，主動繞行；面對瓷磚、木地板或地毯等不同材料地面的不同臟污程度，機器人能自動切換清掃模式。更令人驚喜的是，一些同時搭載機械臂的家政機器人，已經能夠整理散落玩具、推輪椅送藥，甚至協助老人起身。這些能力背后，是物理AI對家庭環境的三維理解、對物體材質與重量的感知，以及對人類意圖的推理。可以預見，未來的家政機器人功能將會越來越多，成為真正懂生活、會干活的“家庭幫手”。

走向全面深入應用仍面臨諸多挑戰

盡管物理AI應用前景令人激動，但其想要真正走進千行百業、走進千家萬戶，仍面臨著諸多挑戰。

首先是數據難題。訓練一個能在馬路上安全駕駛的AI汽車，物理AI系統要積累數百萬公里的真實路測數據，才有可能涵蓋各種突發情況，而這往往意味著高昂的訓練成本；工廠里的機械臂也需要成千上萬次試錯，才能學會輕拿輕放精密零件。更麻煩的是，不同行業場景需要考慮的物理規律天差地別，例如，手術機器人和工業搬運機器人根本不能采用同一套數據訓練。為了應對這一問題，專家們寄希望于合成數據（在虛擬世界中通過仿真技術生成的數據），或者在高度逼真的虛擬世界中訓練AI，再遷移到現實世界中。

但這又將帶來第2個風險挑戰：“仿真世界”和“真實世界”的鴻溝。很多機器人在虛擬環境中被訓練得像個“學霸”，可一放到現實里就“掛科”。比如，有的智能體在模擬環境中能輕而易舉地抓一個蘋果，但現實環境中，由于蘋果表面可能有水珠、或者蘋果形狀不規則等，稍有動作偏差，蘋果就會從機械手中滑落。如何縮小從仿真到現實的差距，也是AI工程師們未來重點攻關的課題。

此外，物理AI是一個高度復雜的系統工程，它不像大語言模型那樣，依靠堆疊算力和數據就能提升能力。物理AI融合了人工智能、機械工程、信號傳感處理等多個領域，任何一個環節的短板都會影響系統整體表現。

最后，安全問題也不容小覷。物理AI系統操控的是有質量、有力量的實體設備。一次錯誤的決策，就可能導致設備損壞、財產損失，甚至造成人身傷害。因此，未來物理AI要更加可靠。

面對洶涌而至的物理AI浪潮，一個共識正在形成：AI的未來，不再只是生成華麗的詞藻和內容，更要真正進入世界、理解世界、改造世界。物理AI，正是破解“莫拉維克悖論”的鑰匙，它正為那個曾經只會“思考”的大腦裝上一雙靈巧、可靠的手，推動人工智能發展步入一個嶄新的階段。

來源：《解放軍報》