Momenta上市把“物理AI”炒火了，但我想认真聊一次：这五个字到底在说什么

Momenta敲钟，朋友圈全在转"物理AI第一股"。但我问了一圈——没几个人能说清楚"物理AI"这四个字的产业链到底长什么样。今天把它彻底拆开。

文｜杨宽

具身智能产业顾问，「杨宽AI洞察」主理人。著有《一本书读懂人形机器人》《一本书读懂ChatGPT》等5本科普图书。

Momenta上市那天，一个做二级的朋友发来一段话。

他说："宽哥，我现在看到'物理AI'这个词就头疼。黄仁勋在讲，Momenta在讲，宇树在讲，优必选也在讲。但每个人讲的好像不是同一个东西。你能不能给我画张图——物理AI的产业链到底长什么样？"

我说好。然后我花了一个小时画了一张图。

这张图的核心结论只有一句话：物理AI不是一个行业，是三层东西叠在一起。每一层的成熟度不一样，玩家不一样，钱的位置也不一样。混在一起讲，永远讲不清楚。

先定义：物理AI不是什么

在拆之前，先讲清楚一个容易搞混的点。

物理AI不是"会动的AI"。ChatGPT也是AI，但它活在服务器里。你问它"怎么拿起一个杯子"，它能写出2000字的操作手册。但它拿不起来。

物理AI的核心命题是：让AI在真实的物理世界里——有重力、有摩擦、有不确定性的世界里——感知、决策、执行。

这句话里藏着三个词。恰好也是物理AI产业链的三层。

三层拆开

第一层：感知——让AI"看懂"物理世界

这是目前最成熟的一层。也是Momenta真正在做的事。

你开车的时候，眼睛在看什么？前车的距离、路口的红绿灯、左边突然窜出来的电动车。人类做这件事毫不费力，但让AI做到，花了整个自动驾驶行业十年。

感知层的核心能力是把传感器数据（摄像头、激光雷达、毫米波雷达）变成对物理世界的理解。不是"这张图里有一辆车"——是"这辆车正在以每秒3米的速度从右侧切入，2.3秒后会进入我的车道"。

这背后是什么？是空间理解、时序预测、物理规律的隐式建模。

Momenta的120亿公里行驶数据，本质上就是在训练一个"眼睛和直觉"。它家的模型看完一段路况视频，能预测接下来3秒会发生什么——不是因为记住了这个路口，是因为它学到了"一个物体以这种速度从这种角度过来，接下来大概率会这样"。

这就是物理规律被压缩进了模型。

感知层的成熟度：已经可以规模化部署。Momenta 100万+台量产车在路上跑，65%的城市NOA市占率，说明至少在中国道路上，这一层的技术基本到位了。

但感知层只是第一步。真正的差距从下一层开始。

第二层：决策——从"看到什么"到"该做什么"

感知告诉你"右边有辆车切进来了"。决策要回答的是：你刹车还是加速？你让还是不让？

这是物理AI目前最被低估的一层。

我跟一个做了九年感知算法的朋友聊。他说了一句话我到现在都记得："大家总觉得感知最难。其实感知是体力活——堆数据、堆算力、堆标注。决策才是真正考智力的地方。"

为什么？因为物理世界的决策有几个数字世界没有的约束。

第一个叫"不完备信息"。你永远看不到全局。那辆车切进来的时候打了转向灯吗？司机在看手机吗？他下一秒会不会突然加速？你没机会问。

第二个叫"实时性"。你不能像ChatGPT一样想30秒再回答。120公里时速下，100毫秒的延迟就是3.3米的刹车距离。晚了就是事故。

第三个叫"安全临界"。LLM回答错了最多被用户骂一句。物理AI决策错了一次可能就是人命。

这三个约束叠在一起，意味着什么？意味着物理AI的决策层不能用LLM那套"预测下一个token"的逻辑硬套。

现在业界在做的事是——用世界模型做"脑补"。具体来说，就是让AI在看到当前画面之后，先在脑子里模拟未来几秒可能发生的几种情况，然后选最安全的一种去执行。这跟人类开车的内在逻辑其实很像。你看到前面刹车灯亮了，脑子里瞬间闪过"如果我不减速会怎样"——你不会真的撞上去才知道要刹车。

这个"脑补"的能力，是物理AI决策层的核心。也是Momenta从智驾往机器人跳的逻辑基础——如果世界模型能预测道路上会发生什么，理论上它也能预测一个杯子从桌上滑落会发生什么。

但"理论上"和"实际上"之间，差了一个数量级。

决策层的成熟度：在受限场景（高速公路、固定路线）基本ready。在开放场景（城市复杂路况、家庭环境）还有很多坑。

第三层：执行——从"算出来"到"做得到"

这是三层里最难的一层。也是为什么"物理AI"这个词说得热火朝天，但你家里还没有机器人。

感知告诉你杯子在哪儿。决策告诉你该用多大力度去拿。执行的问题是：你的手能不能真的做到？

一个朋友做过灵巧手的创业项目，他给我算过一笔账。人手有27个自由度，指尖皮肤每平方厘米有2500个触觉感受器。现在市面上最先进的灵巧手，自由度大概12-16个，触觉传感器阵列还处在"有没有"而不是"好不好用"的阶段。

你以为差距是2倍。实际的差距是一个数量级——可能更多。

而且这里有一个很反直觉的事实。数字世界的东西，越复杂越难——GPT-5.5做数学竞赛题比做翻译难100倍。但物理世界刚好相反。对人类来说最难的事（解微分方程）对AI来说最简单。对人类来说最简单的事（拿起一个鸡蛋不捏碎）对AI来说最难。

这个现象有个学名叫莫拉维克悖论。它揭示了一个残酷的事实：物理AI的执行层，不是在追赶人类水平——是从零开始重新发明一套"物理智能"。

几千万年的进化把人类的抓取、行走、平衡刻在了基因里。AI没有这个。AI要从牛顿力学从头学起。

执行层的成熟度：还在实验室阶段。工业场景（固定工位、重复动作）开始有POC。家庭场景（开放环境、不确定物体）至少还需要3-5年。

一张表看完

感知层决策层执行层核心问题物理世界长什么样接下来该做什么怎么让身体做到成熟度可以规模化受限场景ready实验室阶段代表玩家Momenta、地平线、Waymo世界模型公司、VLA模型团队机器人本体公司、灵巧手/传感器公司最近进展城市NOA全国覆盖、100万+量产R7世界模型、Cosmos仿真GR00T、宇树/智元本体迭代关键瓶颈长尾场景(已大幅改善)开放场景泛化、安全验证执行器精度、触觉反馈、成本钱在哪许可收入、量产搭载算力服务、仿真平台硬件销售、解决方案

三层看完你会发现一件事。

Momenta说自己做的是"物理AI"——它在哪一层？主要在感知层，开始做决策层。执行层目前为零。具身智能2027年才开始投入。

宇树说自己做的是物理AI——它在哪一层？主要在执行层（本体），感知和决策靠合作伙伴和开源模型。

黄仁勋说Nvidia要做物理AI——他在哪一层？他三层都想吃。Cosmos做感知和决策、GR00T做执行、Vera Rubin做算力底座。他不是要做一家物理AI公司，他是要做所有物理AI公司的房东。

"物理AI"这个词最大的问题就在这里。不同的人用它讲完全不同的东西。有人说的是眼睛，有人说的是大脑，有人说的是手脚。然后大家坐在一起开会，都以为在聊同一件事。

为什么现在？

那为什么偏偏是2026年上半年，"物理AI"这个词突然炸了？

三个基础同时到位了。

第一个是技术。视频生成模型——可灵、Sora 3、Veo 3——在过去18个月里进步了不止一个数量级。世界模型不是一个新概念，2023年就有学术paper提了World Action Model的recipe。但当时能力不够，做不出能用的东西。到2025年底，视频生成的画质、物理一致性、时序连贯性同时过了临界点。100多家公司冲进来，人才和资金往一个方向涌——你看到的不是"大家突然发现了世界模型"，是能力到位之后的集中释放。

第二个是资本叙事。大模型的估值已经很难再往上拉了。GPT-5.6和Claude Opus 4.7当然很强，但"更强的语言模型"这个故事市场听了三年，边际效应在递减。AI行业需要一个新的、足够大的故事——大到一个千亿美金级别的基金愿意把未来十年的筹码押上去。黄仁勋给了这个故事一个名字：物理AI。TAM? $40万亿。比SaaS大、比电商大、比数字广告大。万亿美元市值的公司需要万亿美元的故事。

第三个是中国的政策窗口。具身智能进了十五五规划。各地政府的数据工厂、机器人产业园、智能制造补贴——钱在往这个方向走。一级市场的投资人在找能对标Momenta上市的项目，二级市场的散户在找"下一个物理AI概念股"。

三个力往同一个方向推，就有了2026年上半年的物理AI热。

冷静的部分

但我想说几句难听话。

感知、决策、执行——这三层的成熟度差了不止一代。感知层已经规模化量产了，执行层还在实验室里拧螺丝。把三层打包叫"物理AI"，很容易让人误以为它们差不多ready了。其实差得远。

还有一个更根本的问题。我跟一个做技术的前辈聊，他有一个判断我觉得很对："数字AI（LLM）要迁移到物理AI，中间有一个结构性gap。LLM解决的是'符号世界'的问题——语言、代码、数学——这些本身就是人类抽象好的东西。物理世界没有抽象好。重力、摩擦、弹性形变——你需要从最底层的物理规律开始建模。这跟LLM的成功路径是完全不同的两件事。"

换句话说，不能因为大语言模型成了，就线性外推物理AI马上也会成。两件事的难度曲线不一样。

具身智能的训练算力天花板目前在万卡级——对OpenAI这种公司来说不是特别大的算力预算。这意味着如果Omni model路线成立（一个模型同时搞定语言+视觉+动作），大模型厂商进入物理AI赛道的门槛其实很低。对创业公司来说，跟大模型厂商拼算力等于不可能赢。

所以物理AI的终局，大概率不是100家公司百花齐放。是几个大厂吃掉模型层，一批垂直公司吃掉应用层。中间那层——既没有大厂的算力又没有垂直的客户——会被挤死。

你能带走什么

物理AI这个词你不会少听了。但下次有人跟你讲物理AI的时候，你问他三个问题。

第一，你做的是哪一层？感知、决策、执行——到底在赚哪一层的钱？

第二，你这一层现在的成熟度到哪了？是规模化量产的阶段，还是实验室POC的阶段？别听故事，看交付。

第三，如果大模型厂商进入你这层，你的壁垒是什么？是数据、是客户关系、还是你的东西他们三年内做不出来？

三个问题问完，你基本就能判断这家公司是在做物理AI——还是在讲物理AI。

这两件事不是同一件事。

我每天都会跟一线的产业朋友聊——做芯片的、做模型的、做本体的、做投资的。每次聊完我会把最有价值的信息和判断沉淀下来，攒一个认知库。等齐备了会放出来。

在这之前，你可以先星标「杨宽AI洞察」，不错过每篇的深度拆解。