物理 AI 深度研究报告 · 上篇｜物理 AI 的原理与平台

「物理 AI」主要是 NVIDIA 从 2024 年起推起来的说法。2026 年 1 月 CES，黄仁勋补了一句更有传播力的话——物理 AI 的 ChatGPT 时刻已经到来。

图 1-1　概念边界：四个词都在谈物理世界，只有一个负责「下手」

资料来源：本报告整理；参考 Towards Data Science《Physical AI: What It Is and What It Is Not》、NVIDIA 官方定义

▍1.2　这个词是谁造的，为什么偏偏是 2024 年

把时间轴拉长，这个词不新。1980 年代具身认知提出智能不能脱离身体与环境；1991 年 Brooks 写《Intelligence Without Representation》；1999 年 Pfeifer 与 Scheier 把形态算进智能；2018 年 Ha 与 Schmidhuber 让智能体在自己的梦境里学开车。学术侧一直叫 Embodied AI，没换过名字。

换名字发生在产业侧。2024 年起 NVIDIA 密集使用 Physical AI；2025 年 3 月 GTC 给出感知—生成—代理—物理四段论；下半年链博会补了系统定义。中国政策文本走另一条线：2023 年工信部《人形机器人创新发展指导意见》，2025、2026 年具身智能连续两年写入政府工作报告，「十五五」规划纲要列为未来产业。

造词的动机值得摆到台面上，CES 2026 那套「三台计算机」——训练、仿真、推理——正好对应三条产品线：DGX 集群、Omniverse／Isaac 软件栈、Jetson 边缘模块。一个能同时装下芯片、软件订阅和开发者平台的伞形概念，比谈「机器人」好用得多。说自己不造本体，200 万台存量工业机器人的虚拟调试、整车厂的仿真验证、人形机器人的训练，就都能进同一份叙事里。「每家工业公司都会成为机器人公司」这句话出现在新闻稿…

图 1-2　术语谱系：谁在什么时候，为了什么造了这些词

资料来源：本报告整理；依据 Brooks 1991、Pfeifer & Scheier 1999、arXiv:1803.10122、NVIDIA 2025—2026 公开发布与中国政策原文

▍1.3　第一性原理：闭环、三台计算机、一个评估难题

物理 AI 的最小单元是「感知—推理—行动—反馈」闭环。前两步生成式 AI 已经做过，难的是后两步：动作会改变环境，环境改变后下一次感知的输入就变了。开环预测断了这条因果链，静态数据集里学不到「我一脚油门下去，旁边那辆车会怎么躲」。

CES 2026 上黄仁勋给了一个挺实在的框架：需要三台计算机。一台训练，一台推理（车里、机器人里、边缘），还有一台专门做仿真。第三台不是为了画面好看，是为了回答「如果我这样做，世界会怎么反应」——没有它，就没法评估一个动作对不对。他举的例子很朴素：重卡滚下坡要更久才停，球会继续滚，这些常识小孩都懂，模型不懂。

图 1-3　一个闭环、三台计算机，以及绕不开的评估难题

资料来源：资料：NVIDIA CES 2026 主题演讲、科技日报 2026-01-16；三计算机为厂商框架

把闭环写成方程，就是带接触的拉格朗日动力学：M(q)q̈ + C(q,q̇)q̇ + g(q) = τ + J_c(q)ᵀλ_c。左边是惯量、科氏力、重力，右边是关节力矩与接触反力。难点全在 λ_c：接触是 discontinuous 的，摩擦锥、柔性体、间隙、执行器死区，任何一项简化过头，策略一上真机就崩。可微仿真想做的，正是把 ∂L/∂(m, μ, b) 算出来，用真机遥测反解质量、摩擦、阻尼。

图 1-4　四阶段演进：每一阶段的瓶颈都换了一次

资料来源：本报告整理；阶段划分依据 NVIDIA GTC 2025 / CES 2026 公开表述

▍1.4　相邻范式各自负责什么

世界模型预测下一状态，VLA 把图像与指令翻成动作，数字孪生表征真实资产，PINN 给预测加物理约束。它们都是组件；把组件接进动作回路，才轮到物理 AI 这个整体。

图 2-1　平台五层栈：卖铲子的人把每一层都做成了入口

资料来源：资料：NVIDIA GTC 2026 新闻稿、投资者关系页、开发者文档

▍2.1　GTC 2026 到底发了什么：把状态看清楚

2026 年 3 月 16 日 NVIDIA 投资者关系页那篇新闻稿，信息密度比所有二手解读都高。Cosmos 3 被称作首个把合成世界生成、视觉推理与动作模拟合在一起的世界基础模型；Isaac Lab 3.0 早期访问，建在 Newton 1.0 物理引擎与 PhysX SDK 上；GR00T N1.7 开放早期访问并带商业许可；GR00T N2 只是预告，基于 DreamZero 的世界动作模型架构，称在新任务新环境上的成功率是领先 VLA 的两倍以上，年底才可用，目前在 MolmoSpaces 与 RoboArena 排第一。

Cosmos 3 的「3 月发布」与「6 月开放权重」两处日期并存，本报告按两个事件分别记录，不替厂商调和。

▍2.2　两套「安卓剧本」，一条闭源路线

NVIDIA 不造机器人，靠开放基础模型 + 仿真平台聚开发者，再卖芯片与算力；Google 的打法更像当年的 Android——2026 年 ROSCon 上把 Intrinsic Core 以 Apache 2.0 开源，覆盖控制、运动规划、抓取、仿真、位姿估计与相机标定，而 Gemini Robotics 大脑保持闭源。开放基础软件层、闭源高价值组件，这个组合熟不熟悉？

另一头是垂直整合：Tesla 用 FSD 同源的视觉与决策架构做 Optimus，完全自用；Figure 靠 Figure 03 在 BMW 工厂里的部署拿真机数据，Helix 不对外授权，靠整机挣钱；1X 用遥操作采家庭数据，NEO 2 万美元起加订阅。国内又是第三种形态——本体厂自己建大模型团队，智元有 GO 系列和 AgiBot World 开源数据集，宇树开源 UnifoLM-VLA-0，银河通用做 GraspVLA 加百亿级合成数据基建。原因不复杂：整机卖得出去，数据就回得来。

图 2-2　平台战争：两套安卓剧本，一条闭源垂直路线

资料来源：本报告整理；资料：NVIDIA／Google／各厂商公开发布与开源仓库

▍2.3　真瓶颈：数据按小时计价，仿真按 GPU 小时计价

2026 年上半年，国内 15 家独立数据服务商一年融资约 44.7 亿元，报价带大致是一般数据 200–500 元/小时、真机数据 500–1000 元/小时。智元给 2026 年定的累计目标是 1000 万小时，其中真机 200–300 万小时。这些数字放在一起看，就能理解为什么「物理 AI 数据工厂」成了 GTC 上最不起眼却最要紧的发布。

还有个容易被忽略的制度变量：YD/T 6770—2026《具身智能基准测试方法》2026 年 6 月实施；《人工智能 关键基础技术 具身智能数据集质量要求及评价方法》2026 年 7 月批准，2026 年 11 月 1 日实施。数据开始有质量标准了，报价方式也会跟着变。

图 2-3　数据工厂：把「缺数据」拆成一条可计价的流水线

资料来源：资料：云启资本 2026 报告、NVIDIA 数据工厂蓝图、厂商公开材料；价格为区间口径

▍2.4　发布 ≠ 可用：把状态词当成工程参数读

一份 GTC 新闻稿里，预告、早期访问、商业授权、已出货四种状态常常挤在同几段话中。判断依据不是形容词，是能不能查到版本号、授权文本、发布说明和第三方可复现记录。

立项书里每写一个模型名，后面跟一个状态编号和核验日期。GR00T N2 在 2026 年 11 月仍属预告，写进今年的量产计划就是拿路线图当物料。

这类基础设施的迭代节奏已经比应用层快。Newton 每两三周一个版本，Isaac Lab 3.0 处在 0.3.x 系列。写进报告或合同的结论，都要能回答「当时用的是哪一版」；完整冻结清单见附录 F。

◆　◆　◆

▍补充：把发布会能力拆成五道可部署纬度

行业专家不会先问‘谁的模型最好’，而会先问：这项能力处于预告、可下载、可复现、可商用还是可维护状态？同一个产品名只要版本、许可证、硬件或运行时变了，结论就应重新评估。

因此，平台选型的核心指标应从‘模型分数’改为‘每个通过验证任务的综合成本’：数据采集、GPU 小时、工程集成、端侧能耗、失败返工、许可和长期维护全部入账。能跑通一次 Demo 只是技术事实；能被另一团队复现、能合法交付、能在故障后回滚，才是平台能力。

▍本篇结论

▍展望：平台护城河将从权重转向可验证的系统能力

未来一到两年，基础模型能力仍会快速靠拢，但平台差异会更多体现在数据闭环速度、仿真—真机一致性、跨硬件部署和安全证据生成。如果开放资产格式、日志格式和评测协议成熟，单一厂商锁定会减弱；如果接口继续碎片化，全栈平台会以更高迁移成本换取更快落地。真正应追踪的不是发布数量，而是第三方复现率、量产版本占比和单位验证任务成本。

▍本篇数据源与核验入口

以下只列本篇实际使用的原始论文、开放代码、标准/法规或官方入口。厂商规格属于来源自报，市场口径属于公开披露；链接可定位原文，不等于本报告已完成真机复现。标准适用性仍应由有资质机构依据正式文本判定。