物理AI与世界模型

物理AI（PhysicalAI）是指具备在真实物理环境中感知、理解、推理与执行能力的智能系统，其典型载体包括人形机器人、自动驾驶及工业自动化等。物理AI模型相比传统多模态大模型（LLM），关键区别在于需融入对物理世界的理解、预测与生成能力。预训练阶段需引入世界模型效果，后训练阶段需融入仿真器生成的轨迹、链路数据及手部操作数据，使模型具备动作规划与自主数据生成能力。物理AI的技术路线正沿着“VLA（视觉-语言-行动）模型”与“世界模型”两条主线协同演进。VLA模型实现了从感知、语言理解到物理动作的端到端统一，使机器人具备了在复杂环境中执行任务的基础能力。世界模型则通过对环境动态的预测性表征，为VLA提供前瞻模拟与虚拟验证能力，弥补其在长程规划和分布外泛化上的不足。未来物理AI将是VLA与世界模型的深度闭环，VLA负责实时决策与执行，世界模型环境推演与规划验证，共同推动物理AI从数字环境走向真实场景的规模化落地。

VLA模型

VLA模型突破了将视觉、语言和动作视为独立领域的局限，并显著提升了机器人在复杂环境中的泛化与推理能力。受Transformer架构大语言模型启发，其概念于2021—2022年间被提出，而2023年Google DeepMind推出的RT-2（Robotic Transformer2）则将感知、推理与控制整合于同一架构，把机器人控制视为一个自回归序列预测任务。技术实现上，VLA在视觉-语言模型（VLM）的基础上引入“action token”，将机器人电机指令（如关节角度、移动距离）进行数值化或符号化编码，使模型能够从视觉、语言与机器人轨迹数据中联合学习。这一方法显著提升了机器人在未见物体、新语言指令以及非结构化环境中的泛化与多步推理能力。在架构设计上，典型的VLA模型融合三个核心模块：视觉编码器（如CNN或ViT）、语言模型（如LLM或Transformer）以及策略模块或规划器。当前VLA模型的性能虽已逼近技术极限，但从仿真环境迁移到真实物理世界时，仍然面临泛化能力不足等挑战。自2023年以来，VLA模型发展迅猛，性能已接近当前技术体系下的天花板。尽管VLA在封闭或相似环境中表现卓越，其在真实物理世界中的迁移部署仍面临一系列挑战，其中泛化能力不足是关键挑战之一。当面对全新任务或不熟悉的任务变体时，模型性能往往出现大幅下滑。这种局限性本质上源于模型对狭窄训练分布的过拟合，以及对多样化任务表征的接触不足。因此，行业亟需精心构建的、平衡且全面的领域特定数据集。

世界模型

VLA模型是当前观测直接映射出动作，缺乏对周边环境以及未来状态演化的显式推理。这一局限在复杂物理环境中尤为突出，当任务涉及长时程规划、多步推理或不确定性下的决策时，纯反应式VLA往往因累积误差和缺乏前瞻而表现不佳。世界模型是一种对环境动态的预测性表征，能够根据当前状态与候选动作，预测未来一系列状态的演化轨迹。它为VLA提供了环境动态的“内嵌物理引擎”。VLA可借助世界模型提前模拟动作的物理后果、验证计划可行性，并在虚拟环境中进行安全训练与数据增强。世界规划器：作为前向动态模型，通过预测未来状态（图像或潜在特征）来为策略提供语义上和物理上的“前瞻”指导，确保动作计划在物理上可行。物理规律学习：目前没有显式预测物理规律，而是通过海量视频数据隐式学习。视频本身遵循物理规律，模型在特征层面（隐空间）学习映射关系，不单独表达重力、摩擦力等。主流范式不显式重建空间或预测未来视频，而是在隐空间学习物理规律，例如OpenAI前团队创立的AM Lab就在隐空间学习。隐空间指特征层面，基于Transformer架构，所有token之间计算attention权重，学习当前token与未来token的关系。视频中的物理规律隐含在特征中，模型正确预测动作即代表学到了规律，但不显式输出具体物理参数。目前主流世界模型没有单独向量预测物理量。研究层面有将杨氏模量等显式预测的工作，但小众，因为无法scale。VLA vs World Model：VLA：输入语言和图像，输出语言规划与动作，特定任务成功率极高，但泛化性较差，特定任务、特定场景的展示与表演。World Model（WA）：输入语言和图像，输出动作+对未来状态的预测。泛化性天生强于VLA，适合做行动预测（小脑），但整体能力更偏“小脑”，对世界的理解与规划（大脑能力）不强。端到端为主流：VLA和WA目前并行、竞争，均为主流方向。端到端路线基于大数据、大模型，解决了传统模块化系统模块间信息损失大、规则多、成本高的问题，是未来主趋势。双系统架构（System1&System2）：未来主流趋势或为“双系统”架构。System1(C1/小脑)：负责快速行动预测（Action）。System2(C2/大脑)：负责对世界/语言的理解、规划及空间认知，目前存在欠缺。例如，在家庭场景中，先由“大脑”接收语言指令做规划，再将具体指令下发给“小脑”(WA)执行。技术路线未收敛：当前存在多种架构，目前主流技术路线尚未收敛，模型层面未来竞争激烈。端到端（适合自动驾驶）、高层推理+底层动作双系统架构（适合机器人）、VLA+扩散模型动作生成策略（主要用于实验室demo，如叠衣服、双臂协作）、视觉模型+策略模型。

数据瓶颈：核心矛盾与数量级差异

数据是最大瓶颈，语言模型是算力密集型，而具身智能是数据驱动型：当前真实机器人数据最宝贵、精度最高，但获取成本极高（占用空间、机器、时间、人力）。目前行业没有一家公司拥有100万小时高质量仿真数据。仿真数据虽为跳板，但前期建模门槛高。从0到当前，物理AI数据量差至少一千倍量级。预计若每年补齐一个量级，产业约需2-3年达到类似GPT-3那种通用性与“涌现”时刻。数据金字塔结构:第一层（海量互联网数据）,只能训练World/WLM部分，对Action帮助有限;第二层（生成式仿真数据）：通过世界模型（3D/VideoWorldModel）进行场景泛化，可实现1:1000甚至1:10000的泛化，高效生成海量高价值数据;第三层（传统物理仿真）：如大量人工手调物理参数，适合抓放等刚体任务，但对复杂柔性操作（如叠衣服）无能为力;第四层（人类操作数据）：2025年流行UMI（手持夹爪），2026年最火的是Ego（头部带摄像头，双手空手操作）,Ego数据量增速最快，但纯视觉定位偏差约1厘米，无法用于精细任务（如一毫米偏差），主要用于大模型预训练;第五层（真机数据）,精度最高，但获取效率低，成本高。数据飞轮：实现数据飞轮需达到百万级机器人部署量，才能像自动驾驶一样回流各种真实数据，目前尚未达到此阶段。最缺的是带动作、结果、物理反馈的交互数据（场景状态、目标指令、视觉流、工作轨迹、成功/失败标签、异常原因），而非单纯图像数据。OpenAI重启具身智能，在全球高价买断异构数据，意图建立数据壁垒。

产业壁垒

数据是核心壁垒：拥有百万级高质量数据且算法不拉垮的团队，可建立核心级别壁垒。算法：对创新有深度认知的顶级算法团队是中期壁垒，特别是长时序任务规划，需实现十步以上任务，要求状态记忆、错误检测、自动恢复、任务重规划、局部失败不崩溃。仿真：将sim-to-realgap趋近于零的仿真路线（如银河通用）。需解决物理仿真准确性、仿真参数校准、后训练/强化学习适应真实世界。场景落地能力：与政府、产业方关系密切或自带产业需求的团队有优势。当前做“大脑”的公司最缺真实场景。不能看封闭环境（固定位置/物体）下的表现，这是传统机器人已解决的问题。必须看开放环境下的随机性，也就是泛化能力，需应对新物体、光照、背景、任务、动态干扰。资金与算力（GPU）：模型迭代速度取决于融资金额与GPU数量。本体-模型协同:硬件能力决定模型上限，需具备跨本体迁移能力。

产业链与价值判断

第一层算力与芯片（GPU、端侧芯片、边缘计算、训练集群）。第二层核心零部件（减速器、力传感器、电池，以传感器为核心）。第三层数据与仿真（仿真引擎生成虚拟数据）。第四层模型与系统（VLM模型、世界模型、小脑模型、机器人OS/中间件）。端侧芯片国产端侧芯片厂商受益确定性最高；数据与仿真工具目前市场价值尚小，但机器人领域大量依赖英伟达等国外产品，国产仿真工具公司有发展机会；核心零部件中的灵巧手、传感器公司偏硬件，爆发性增长有待下游拉动；模型层面技术路线未收敛，竞争激烈。