IDC报告拆解中国物理AI：五一视界位列软件基础设施关键环节

过去几年，AI产业的主线集中在大语言模型和生成式AI上。从文本生成、知识问答、代码开发到企业Agent，AI首先改变的是数字世界中的信息生产、内容生成和软件调用。

但随着智能驾驶、机器人、无人系统、工业设备和城市空间治理等场景逐渐进入AI应用视野，AI正在跨过一个新的临界点：它不再只是生成内容，而是开始进入真实物理世界，理解环境、预测变化、规划动作，并通过车辆、机器人、无人机、工业设备或边缘控制终端完成执行。

IDC发布的《从数字AI到物理AI：世界模型、仿真数据闭环与中国应用场景观察》指出，从大语言模型到世界模型，再到物理AI，并不是简单的技术名词更替，而是AI能力边界从“数字任务”向“物理世界闭环”扩展的过程。大语言模型解决语言和知识问题，世界模型开始处理空间、时间和因果问题，物理AI则进一步把模型能力嵌入真实设备和真实场景，让AI从“理解世界”走向“作用于世界”。

在这份报告中，IDC将中国物理AI产业链概括为三层：应用和业务层、软件基础设施层、硬件基础设施层。其中，软件基础设施层被认为是物理AI能否从演示走向规模化应用的关键。

一个值得关注的信号是，在IDC关于“中国物理AI产业图谱”中，五一视界同时出现在软件基础设施层的“模型与策略”“仿真与验证平台”“场景数据与合成数据”三大模块中。若以图谱呈现为口径，五一视界可被视为中国物理AI软件层唯一可见的“三位一体”闭环企业样本。

图：IDC中国物理AI产业图谱。

物理AI的关键，不是单点模型，而是闭环能力

如果说数字AI时代的核心数据单元是Token，那么物理AI时代正在转向IDC报告所说的Clips，也就是连续场景片段。

Token适合表达语言、知识和逻辑；但物理AI面对的是连续时间、三维空间、传感器误差、物理约束和安全责任。自动驾驶中的一次无保护左转、机器人场景中的一次抓取失败、低空场景中的一段避障轨迹，都不是单帧图片或一句文本能表达的，而是由时间、空间、对象、动作、环境和结果共同构成的连续场景片段。

这意味着，物理AI的竞争不再只是模型参数和算法能力的竞争。正如IDC报告所指，模型能力只是起点，真正落地还需要场景数据、合成数据、仿真平台、数字孪生、空间智能、测试验证、边缘算力、传感器、执行器和行业工程服务共同参与。

在IDC的框架下，软件基础设施层的核心是数据闭环飞轮：场景数据被采集后，需要经过治理、标注和结构化组织，形成可复用的场景资产；模型训练后，需要进入仿真环境进行验证、评估和回归；真实部署后，接管、故障、异常和风险事件又会重新回流，进入下一轮训练和验证。

由此形成“场景数据—数据治理—模型训练—仿真验证—合成数据扩展—真实反馈”的循环。

放到五一视界身上，这一闭环对应两层位置：在IDC图谱中，它同时进入模型、仿真、数据三类软件基础设施模块；在智驾案例中，它被理解为“模型训练与安全验证的基础设施层”。

三位一体：模型、仿真、数据同时卡位

从IDC产业图谱看，物理AI软件基础设施层主要由三类能力构成。

第一是模型与策略，解决“如何理解和决策”的问题。物理AI需要的不只是语言模型，还需要多模态模型、世界模型、VLA模型、策略模型和控制模型。智能驾驶需要预测交通参与者行为，机器人需要判断动作结果，工业设备需要理解工艺约束和异常状态，低空系统需要处理三维空间中的飞行路径和安全边界。

第二是仿真与验证平台，解决“如何在真实部署前测试”的问题。自动驾驶不能只依赖真实道路试错，机器人不能只在真实工厂中反复失败，无人机也不能在开放空域中无限测试。仿真平台可以构建可控、可复现、可追踪的虚拟环境，用于模型训练、场景回放、系统验证和安全评估。

第三是场景数据与合成数据，解决“如何覆盖复杂场景和长尾风险”的问题。物理AI需要的数据不是简单图片或文本，而是连续场景片段、传感器序列、轨迹行为、三维空间数据、设备状态和执行结果。合成数据则用于补充极端天气、危险交互、长尾事件和难以采集的复杂场景。

根据物理AI产业图谱，五一视界的特殊性在于，它不是只切中其中一个环节，而是同时出现在三大软件基础设施模块中。

在模型层，IDC报告称，五一视界的世界模型能力偏向世界生成模型，用于多视角车端时空推理、轨迹运动预测和物理常识表达，为主机厂的端到端模型或VLA模型提供场景推演与长尾生成支撑。

在仿真层，SimOne仿真训练平台支持WorldSim真实数据驱动和LogSim回放，并覆盖SIL、HIL、PIL、DIL等多阶段在环联调。

在数据层，DataOne一体化合成数据引擎用于高价值长尾场景挖掘、自动标注、Log2World转换、场景泛化和Corner Case合成训练。

三类能力合在一起，构成了五一视界在物理AI软件层的闭环位置。

智能驾驶，是物理AI软件基础设施的先行验证场

在IDC报告中，智能驾驶被视为物理AI较适合作为先行观察的场景之一，原因不在于它“用了AI”，而在于它天然具备完整的真实世界闭环。

车辆通过摄像头、激光雷达、毫米波雷达、定位系统等感知环境，模型需要理解道路、车辆、行人、信号灯、天气和交通规则，再完成轨迹预测、路径规划和控制执行，并将道路测试、接管、险情、事故和仿真验证结果重新回灌到研发体系中。

相比很多仍处于早期探索的物理AI场景，智能驾驶已经形成较完整的研发流程，包括数据采集、数据标注、场景库建设、仿真测试、算法评测、道路测试、量产验证和持续运营。这使其成为观察物理AI软件基础设施价值的重要先行场景。

IDC报告在“智驾代表性厂商案例”中提到，五一视界在智能驾驶领域通过51Sim切入高阶智驾研发与测试验证环节，定位更接近物理AI软件基础设施提供方，而不是整车厂或自动驾驶主控算法厂商。

这一区分非常关键。五一视界并不替代主机厂的自动驾驶算法，也不直接定义整车智能化路线。它解决的是另一类更底层的问题：帮助主机厂把真实道路问题转化为可复现、可泛化、可回归的训练与验证资产。

对迈向L3/L4的主机厂而言，车辆“驾驶大脑”需要持续迭代，但模型能否进入量产，还取决于训练数据是否足够丰富、长尾场景是否覆盖充分、仿真验证是否可信，以及硬件在环测试是否打通。这恰恰对应五一视界在IDC报告中被描述的核心能力边界。

从“工具软件”到“场景数据资产”

物理AI时代，仿真平台的价值正在发生变化。

IDC报告指出，过去仿真更多被视为测试工具；进入物理AI阶段后，仿真开始参与训练、评估、场景生成、长尾验证和数据闭环，成为AI进入真实世界前的重要验证环境。

因此，仿真平台不再只是“模拟一个场景”，而是将真实世界中发生过的问题转化为可复现、可对比、可回归的测试资产。

IDC报告进一步指出，物理AI软件基础设施的商业价值，不再只是卖一个仿真软件、交付一批标注数据或搭建一个数字孪生场景，而是帮助客户建立长期可复用的场景数据资产、持续迭代的仿真验证体系，以及面向真实部署的安全证据链。

这对五一视界尤其重要。IDC报告将其描述为一家围绕三维空间、仿真验证、场景数据和数字孪生能力开展业务的中国科技厂商，并指出其在智能驾驶领域通过51Sim切入高阶智驾研发与测试验证环节。

从IDC报告表述看，五一视界的智驾业务更体现为一套数据闭环工程能力：前端接入车端与路测多源数据，完成目标、轨迹、语义要素和事件标签处理；中间将高价值片段进行结构化转换、场景重建和场景库管理；后端进入仿真测试、模型训练、算法评测、道路问题复现、量产验证和持续运营。

中国物理AI的软件层机会正在浮现

IDC报告认为，中国物理AI产业链不是传统意义上的上下游线性结构，而是围绕真实物理场景形成的循环体系：应用提出需求，硬件提供运行底座，软件组织数据、模型和仿真能力，真实部署后的反馈再回到数据闭环中，推动模型和系统持续优化。

这意味着，未来物理AI的核心价值环节，不一定只掌握在芯片厂商、机器人本体厂商或整车企业手中。能够组织模型、数据、仿真和真实反馈的软件基础设施企业，正在更接近物理AI长期价值环节。

对中国市场而言，IDC报告给出的判断是：中国已经具备较强的设备供应链、工程实施能力和应用场景基础，智能驾驶、具身智能、低空经济、工业智能和智慧城市等方向也提供了丰富的真实数据和部署机会；当前需要进一步加强的是软件平台的独立产品能力、场景数据的跨项目复用、不同厂商之间的接口协同，以及覆盖训练、仿真、部署和运行的验证体系。

在这一背景下，五一视界的“三位一体”位置踩中了物理AI从概念走向规模化落地的关键节点。物理AI时代的竞争焦点，不只是“谁的模型更强”，而是谁能把真实世界转化为可训练的数据资产，在虚拟环境中提前验证风险，并让模型在持续反馈中不断进化。

物理AI的下一场竞争，在软件闭环

物理AI的产业化不会由单一模型厂商推动。模型能力只是起点，真正落地还需要场景数据、合成数据、仿真平台、数字孪生、空间智能、测试验证、边缘算力、传感器、执行器和行业工程服务共同参与。

从IDC报告和产业图谱来看，中国物理AI产业正在从单点能力竞争，转向软件闭环竞争。企业的稀缺性不再只是“有没有AI模型”，而是能否把真实世界中的复杂场景转化为可训练、可验证、可回归的系统能力。

五一视界的答案，是把世界模型、仿真验证、场景数据和合成数据连接成一套闭环。它区别于单一自动驾驶主控算法厂商或单点仿真工具厂商的地方，也正在于IDC报告所说的“模型训练与安全验证的基础设施层”。

如果物理AI的终局是让AI真正进入车辆、机器人、工业设备、低空系统和城市空间，那么软件层的门槛，将不只是“看见世界”，而是让AI在进入真实世界之前，先完成理解、推演、训练、验证和持续进化。在这个意义上，五一视界正在成为中国物理AI软件基础设施层值得观察的“三位一体”稀缺闭环样本。