首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于

万亿市场格局未定:「端侧原生」,一家中国AI公司给物理AI抛了个新解法

2026-06-30 1 阅读 约10分钟阅读 36kr
分享:
字号:
过去几年,AI的战场在屏幕里。GPT系列用参数堆出了惊人的语言能力,Sora用视频生成震撼了全世界……但2026年,产业界达成了一组共识:2026年,是物理AI的元年。 年初拉斯维加斯CES上,英伟达CEO黄仁勋用一场演讲,17遍提及物理AI,用以宣布“物理AI的ChatGPT时刻已经来了”。这也是他近两年一直推崇备至的关键词。而在过去的2年多时间里,物理AI在“大脑”(VLA模型)、“想象引擎”(世界模型)、训练场、本体及商业闭环五个维度取得关键进展,行业已初步具备走出演示环境、向真实场景探索的技术基础。 就在2026年上半年,全球物理AI领域的资本流动呈现出惊人的密度和规模。光一季度,全球物理AI融资就超过了64亿美元。其中不乏AMI Labs10.3亿美元种子轮、World Labs10亿美元融资,国内千寻智能三月完成四轮45亿元融资的案例。同时,物理AI的技术路线也呈现出清晰的产业分化。基础模型层呈现VLM、VLA与世界模型三条路径收敛之势。世界模型作为后台数据工厂合成训练数据,VLM承担长程规划的“慢思考”,VLA则把指令与感知直接转化为动作。 技术路线似乎已然固化,核心观点基本指向物理AI未来的核心技术架构将是“VLA与世界模型的深度闭环”——VLA负责“说人话、做决策”,世界模型提供“内嵌物理引擎”,提前模拟动作的物理后果,验证计划可行性。 不过,这些方案已经是“物理世界需要什么样的AI”这一核心问题的最终答案了吗? 物理AI还是一场“开放竞争” 资本汹涌、巨头入局、量产捷报频传,物理AI被视为下一个万亿级市场。 据Future Markets预测,全球物理AI市场规模将从2026年的约3830亿美元增长至2040年的3.26万亿美元,构成有史以来最大的科技市场扩张之一。Coatue Management的预计则更为激进,认为物理AI市场规模至少可达6万亿美元,较数字AI高出约50%。 但是,不同于数字AI领域竞争格局已日益明朗,物理AI当下的特征可谓是“格局未定”,决定胜负的维度——制造能力、部署数据、监管速度、供应链控制、基础模型智能——分布在不同的竞争者手中。 作为物理AI的底层底座,被寄予厚望的世界模型,产业界对其定位也远未形成共识。智源研究院院长王仲远曾指出,当前世界模型主流路线已有四条:以语言为中心路线(如Gemini3):能感知多模态数据,通过语言思考并描述下一状态,具备规划决策能力;以像素为中心路线(如Sora):适合视频生成,但不懂物理因果;以三维结构为中心路线(如李飞飞World Labs的Marble):瞄准元宇宙、游戏等数字世界仿真;以视觉表征为中心路线(如LeCun的V-JEPA系列):预测的是视觉表征的压缩,但视觉嵌入演化不等于物理规律演化。 四类路线,各有拥趸,各有短板。而主流的VLA、世界模型的技术路线中,有观点将VLA、世界模型放在了对立面,也有一部分企业选择两条技术路线并进并探索融合。有人走“VLA为主、世界模型为辅”的嵌入路线,有人走“世界模型原生、强化学习驱动”的独立路线,还有人走“类脑算法+世界模型”的底层重构路线。 不同技术路线,在产业层面体现得更加尖锐。 在“VLA路线”阵营,英伟达在GTC 2026展示了自研VLA模型Alpamayo,同时还有专为人形机器人设计的开源推理视觉语言动作(VLA)模型Isaac GR00T N1.6;小鹏在CVPR 2026推出X-Foresight,把世界模型直接嵌进VLA架构……在“世界模型路线”阵营,吉利汽车集团在GTC 2026发布WAM世界行为模型;World Labs持续押注空间智能(以三维结构为中心的世界模型路线);谷歌DeepMind于2025年8月发布一款通用型世界模型Genie 3……在“VLA+世界模型融合路线”阵营,也不乏热门企业,智元机器人、宇树科技、特斯拉Optimus等,其中,宇树科技更是表示将同时保持对VLA技术路线的持续跟进与对标,并探索“世界建模”能力与VLA架构的合理化融入方式。 当前物理AI尚无固定实现范式,或许将是最生动的写照。只是在基础模型层技术路线的选择上,似乎VLM、VLA与世界模型三条路径已经开始呈现收敛之势。 事实上,VLA模型突破了过去将视觉、语言、动作视为独立领域的局限,主流VLA模型成功率已趋于稳定,任务执行能力快速提升。而世界模型本质是对环境动态的预测性表征,可为VLA注入想象力,提供内嵌物理引擎,让AI能够提前模拟动作后果、验证计划可行性。 而纯反应式VLA仅能根据当前观测映射动作,缺乏对未来的推理能力,长时程规划易翻车,世界模型是破局的核心。这也使得VLA与世界模型的融合成为主流之势。 但值得思考的是,面向物理AI的模型,到底应该是什么样子? 答案或许既不在技术路线,也不在发布会的演示视频里,而在真实场景的需求中。它的核心评价标准,从来不是“生成的世界够不够逼真”,而是“能不能帮机器更好地在物理世界里行动”,能不能降低试错成本、能不能提升泛化能力、能不能嵌入真实的业务闭环…… 物理AI不缺“手”,缺的是看懂物理世界 当行业热衷于讨论VLA与世界模型的路线之争时,一个更根本的问题被忽略了——对于绝大多数物理终端设备而言,真正缺失的不是“灵巧的操作”或是“对未来的预测”,而是“对空间的基本理解”。 曾有机器人在厨房“翻车”的视频在社交平台引发热议。视频中,一台人形机器人不仅打翻沙拉碗、酱汁飞溅,甚至失控摔倒在地。然而这并非孤例,从会空翻、能跳舞的炫技表演,到连叠衣服、收拾桌子都做不好的真实表现,“翻车”正在从个别现象变成行业普遍困境。 现象背后的逻辑很简单,舞台上的流畅动作,都是预设编排、反复调试的结果,环境绝对可控;而家庭场景充满随机变数,杂物摆放、突发动静等不确定因素,都是机器人的技术难题。其根源,在于AI对物理空间的理解力远远跟不上硬件的能力。 物理AI并非与绝大多数人第一反应的人形机器人、自动驾驶等单一细分赛道,而是能够全方位渗透物理世界的庞大产业生态,应用领域宽广,涵盖自主机器人、自动驾驶车辆、人机系统、工业自动化、可穿戴设备以及支持AI的医疗和农业系统。这里面还包含摄像头、无人机、机器狗、巡检设备、工业终端、AI眼镜等大量具备视觉能力的终端。 这一现状已引发全球AI巨头关注,如Meta发布的Segment Anything Model 3、Google发布的Gemma 4和Vision Banana、英伟达Jim Fan提出的Vision-FIrst模型,这些模型虽然技术路线不同,但都指向一个共同的愿景:构建真正的通用视觉能力。 实际上,对于固定环境、固定坐标、标准化指令,只要求上万次重复动作零偏差的工业场景而言,传统物理AI已足以应付,但无规则杂物、随机指令、上万次场景各不相同的场景而言,真正缺少的不是灵巧手,而是持续感知、空间理解、精准定位和自主导航能力。 比如,机器狗不需要灵巧手,它需要的是在开放空间中自主导航;无人机同样不需要“手”,它需要的是在无GPS环境下持续视觉定位;AI眼镜不需要抓取物体,它需要的是精准的空间定位和实时环境理解;工业巡检终端不需要仿人形态,它需要的是在复杂环境中稳定感知和自主决策…… 当前主流的
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱