物理AI：大模型终于要动手了

大模型在数字世界里能说会道，但拧不开一瓶水。物理AI（Physical AI）要解决的，正是“会想不会动”这道最后关卡。本文先讲清它是什么、两条技术路线怎么分、海内外格局怎么摆，再用一份“数据金字塔”拆开能力来源，最后给出十处被市场说错的逻辑——这十处，比任何单篇研报都更接近投资真相。

为什么是现在？物理AI 不是 2026 年才有的概念，但三个条件同时到位，才让它从论文走到产线：一是大模型能力外溢，多模态理解和推理足够便宜；二是端侧算力成本骤降，10B 级模型能跑在机器人和车端；三是数据积累越过临界点——带动作标注的数据从几年前的几千小时，涨到今天全行业约 10 万小时，且世界模型能 1:100 扩样。三者叠加，才让“让模型动手”第一次具备工程和经济上的可行性。看这门技术，时点比热情更重要。

一、物理AI 到底要解决什么问题

大模型（LLM）在文本、图像、视频里游刃有余，但“动手”这一关始终没过——它能在屏幕上一步一步教你叠衣服，自己却拧不开一瓶水。物理AI 要补上的，是从“数字世界”到“物理世界”的最后一公里：让模型不仅能理解世界，还能预测物理变化、输出可直接执行的动作指令。

三个层次要先分清：

• 自动驾驶，是物理AI 已经落地的形态。它跑在车里，感知、预测、规划、控制早就形成闭环，是这条赛道最成熟、最被验证的样板。
• 具身机器人，是被寄予最高期待的形态。人形、机械臂、灵巧手，要在非结构化环境里完成“整理桌面”“分拣快递”“叠衣服”这类开放任务，难度远高于固定场景。
• 与传统工业机器人的分野，才是关键。传统工业机器人是“预设动作”——工程师把轨迹一条条编进控制器，产线十几年不变，换一个产品就得重新示教。物理AI 的核心是能理解世界并自主决策：看到没见过的物体、没排练过的任务，也能现场推理、自己想办法完成。不做预设动作，是它和工业机器人最本质的区别。

一句话概括：工业机器人是“提线木偶”，物理AI 是“第一次自己长了脑子”。前者解决的是“已知的、重复的”动作，后者要啃的是“未知的、开放的”动作——这恰恰是大模型擅长的泛化能力第一次真正落到肌肉和关节上。举个直观对比：一条手机包装产线换型号，传统机器人要工程师重新示教几天；物理AI 路线理想状态下，看几段新工序就能自己适应。差距不在“动作更准”，而在“不用被人手把手教”。

图1　物理AI 与传统工业机器人的本质分野

二、两条技术路线：VLA 与 WAM

当前主流有两条把“大脑”接到“身体”上的路线，区别只在于“动作头”长在哪类基座模型上。

VLA（Vision-Language-Action，视觉-语言-动作模型）：在多模态大模型上加一个动作头，把“看懂画面 + 听懂指令”直接映射成动作序列。这条路线已经被验证可行——固定场景采完数据、训练完，能稳定跑。但它的软肋是泛化差：换个没见过的场景，往往要重新采数据、重新训练，等于“换一个工位就得回炉重造一次”。

WAM（World-Action Model，世界模型 + 动作模型）：在世界模型上加动作头。世界模型先“在脑子里”预测下一步的物理变化——物体会怎么动、碰撞会怎么发生、重力会怎么拉扯，再据此输出动作。它的优势是泛化好：陌生场景不用重训，因为“预测物理”这件事本身是跨场景通用的，不依赖某个特定工位的样本。

2026 年，世界模型的热度明显抬升，业内对其能力的评价已不低于 VLA。

先把一个常见的误判摁住：路线优劣是数据量级的函数，不是非黑即白。材料里拿“当前 10 万小时数据下 WAM 占优”就宣布胜利，同一篇又自己写“明年 100 万小时仍无定论、1000 万小时两条线会趋同”。正确读法是：2026 年世界模型在泛化上领先，但 2028—2029 年之后差距会收窄。把“阶段”当成“终局”，是看错这门技术的第一种方式。

WAM 的因果链有个常被跳过的环节。“只要能预测未来物理变化，就能输出正确动作”这句话缺两环——预测准确率要到什么阈值才算可用，以及预测结果到动作指令的映射靠什么训练。这两环不解决，泛化优势就只是论文里的优势，落不到真机上。第三方基准也能佐证泛化之难：在 VLA-REPLICA 上，π0.5 分布内成功率约 54%，分布外（OOD）骤降到 35%——这就是 VLA 路线真实的泛化鸿沟，也正是 WAM 想啃下的硬骨头。

图2　两条技术路线：VLA 与 WAM 的核心区别

三、海外格局：三路并行

• 英伟达 Cosmos 3（2026 年 5 月 31 日发布，GTC Taipei / Computex）：4B Edge、16B Nano、64B Super 三档，走视频世界模型路线，开放权重（OpenMDW-1.1，由 Linux 基金会管理），本身就是 WAM 主干。它把“物理推理 + 世界生成 + 动作生成”压进单一开放模型，等于把机器人训练的基础设施层直接开源。战略意图很清晰：让更多团队用英伟达的 GPU 和软件栈造机器人，把物理AI 变成下一波算力需求——这和当年 CUDA 把显卡变成 AI 默认算力的打法如出一辙。
• AMD 收购 World Labs（2026 年 9 月 28 日宣布，约 82 亿美元全股票交易，预计 2026 年底交割）：走3D 空间智能路线。李飞飞出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报。买的不只是模型，是一支约 70 人的世界模型团队和对“工作负载怎么演进”的直觉——这是芯片公司反向收购模型公司的标志性动作，逻辑和英伟达一致：要定义下一代 AI 计算平台，就得先深刻理解模型怎么跑。
• 谷歌：基于视频生成模型叠加动作预测，范式与英伟达接近，同样押注“先生成/预测世界、再出动作”，意在把 YouTube 级的视频生成能力顺延到机器人。
• Physical Intelligence 的 π0.5：长期是全行业对标基准（开源 VLA 的代表水平）。但要补一句：到 2026 年，已有多款模型在各类基准上超过 π0.5（千寻 Spirit v1.5、小米 Xiaomi-Robotics-1 等），它正从“领跑者”变成“刻度尺”——这本身就说明赛道迭代极快，今天的第一明天可能就只是参照物。

图4　海外三路并行：英伟达、AMD、谷歌、PI

四、国内格局：按估值分两档

• 第一档（约 100—200 亿估值）：千寻、自变量、极佳、银河，定位“物理世界大脑”，做通用人形 / 机械臂的基座模型，资金最厚、团队最成体系。
• 第二档（百亿以内）：降贤、自然意志、流行空间为代表，多选世界模型路线，追求泛化，赌的是 WAM 这条更省数据的路径。
• 一个共性：普遍是一个底座复用到三条线——自动驾驶、具身机器人、内容生成（“一鱼三吃”）。这能摊薄数据和方法成本，但也意味着评估时不能只看某一条线，要看底座是否真的被三条线共用、还是各做各的。

估值 ≠ 技术排序。估值是融资结果和叙事强度的反映，顶多说明谁钱多。真正该看的技术指标是零样本成功率、真机部署台数、客户复购率——这三样材料一个都没给，所以国内两档目前只能当“钱多不多”的参考，不能当“谁更强”的结论。还有一个旁证：2026 年多个开放权重机器模型在 LIBERO 这类基准上已收敛到 97% 附近（差异落在噪声内），说明榜首在快速收敛，竞争优势正从“谁的模型分高”转移到“谁的数据管线强、谁部署快”——这和“别用榜单、别用估值排序”的判断完全一致。

五、通用大模型入局：被低估的真实意义

一个容易被误读的事实：通用大模型（GPT 级）下场做物理AI，表现并不惊艳——叠衣服要 1 小时，而专用模型 1 分钟以内；单次官方评测花 30 余万元，榜单只排 10 到 15 位。

但这组数字读反了方向：

• 它说明通用大模型短期替代不了专用小模型——在“高精度执行”上，专用模型的效率是通用模型的 60 倍量级，这是成本和时间都绕不过的差距。
• 更说明一个没做过专门训练的通用模型，已经逼近专用模型。它在榜单排 10—15 位，恰恰证明“理解任务 + 调用 VLA / 世界模型等工具 + 执行中自我纠偏”这条路径走得通。

正确的结论不是“通用大脑不行”，而是端云分工已被实证：端侧 10B 以内的小模型负责高精度执行，云端大模型负责理解、规划、调度。慢 60 倍、贵，是推理时延和工具调用开销，谈不上能力上限；它今天性价比不成立，但架构本身没被证伪。对投资者而言，这条“端执行、云调度”的分工，是当前最稳的架构判断，不必因为通用模型当下笨拙就否定它。

图5　国内两档估值格局与通用大模型定位

六、数据金字塔：五层与关键数字

物理AI 的能力，最终由数据决定。行业把数据分成五层金字塔：

层级

数据来源

量级

用途

1 互联网图文视频

公开网络

10 亿级、视频百万小时

预训练，打通用性与泛化底子

2 仿真生成

世界模型 / 传统仿真

世界模型可 1:100 扩样；银河等已积 10 亿条抓取数据

低成本放大样本

3 真人 EGO

第一视角佩戴采集

光轮采 10 万小时、开源 1 万小时，重定向偏差约 1 厘米

高保真人类动作

4 真人 VIMU

同构末端设备佩戴

单家小几十万小时，无模态 gap

最贴近真机的动作真值

5 真机数据

机器人实采

各家小几万小时，精度最高

后训练精修

几个关键数字：

• 带动作标注的数据全行业约10 万小时，2027 年目标100 万小时（10 倍缺口）。
• 预训练之后，单任务真机标注从500 条降到 100 条——这说明质量和预训练可以替代一部分数量
• EGO 开源的 10 万小时里，只有 1 万小时质量达标

这两组数字直接打碎“数据量级决定一切”的单变量叙事：预训练把 500 压到 100，等于承认质量能补数量；而第三方数据也印证了这点——Perceptron 2026 年 8 月发布的结果显示，把通用视频从 1000 小时扩到 100 万小时，所需遥操作从约 5900 小时降到 28 小时（约 210 倍缩减）。能力是数据量、模态质量、任务分布三者的函数，不是小时数的单调函数。

图3　数据金字塔五层：从互联网到真机

七、数据是卖铲子生意——但要小心价格崩

OpenAI 在全球高价买断机器人数据，国内 2027 年百万小时目标多数要外购。这催生了一批“卖铲子”的数据供应商。竞争要素就两条：

• 模态完整：多摄像头同步、视场统一、时间对齐，外加细粒度动作步骤标注。
• 动作标注精度：关节位置与轨迹真值。

缺真值、或超出人体活动范围的 EGO 数据没有竞争力——材料点名简智的数据存在这类缺陷。优质供应商被点名的是光轮、上海蜜蜂，海外是MaxInsight。

但“卖铲子”成立有个前提：铲子稀缺。材料从“10 万小时缺口”直接跳到“必须外购”，中间漏了一步成本对比——没比自采成本与外购单价。更要命的是，它对数据价格的下行风险一个字没提：一旦供给涌进来，单价就会崩。判断一家数据公司值不值得投，价格曲线和稀缺性比“有多少小时”更致命——给稀缺性付溢价之前，先想清楚三年后这铲子还稀不稀缺。

八、落地成熟度排序

按“离真赚钱还有多远”排：

• 已实际投产：物流分拣。星动纪元、自变量 × 顺丰、中国邮政、京东已在跑——这是当前唯一跑通商业闭环的场景。
• 半自主、仍需人兜底：无人药房、无人零售。
• POC 通过后的半年试运营：一汽物料搬运、苹果 iPhone 打包、瑞幸、海尔、老板。
• 家庭场景：保守 2—3 年

这里有个自相矛盾要挑明：材料一边说“技术范式无核心门槛”，一边给家庭场景 2—3 年。既然无门槛，落地时间就由成本、可靠性、安全合规决定——可这三项材料一个数都没给。要么补 BOM 成本曲线，要么给平均无故障时间（MTBF），要么承认这是拍脑袋。投资者要的是后者任何一个，而不是一句“还要两三年”。

九、车企整体落后

• 小鹏：硬件拟人度高，但软件偏早，产业链降本尚未验证。
• 理想：自研模型约 π0.5 水平，相当于落后一年，尚在投入初期。
• 比亚迪：目前只有投资。
• 行业共识：年投入10 亿元 all in才可能有一席之地，多数仍在观望。
• 真正的威胁是 OpenAI 下场做软硬全栈——它若把“通用大脑 + 自研硬件”打通，对车企是降维打击，因为车企最缺的恰恰是最上层的“大脑”。

但“10 亿是入场费”不等于“10 亿是竞争力”。车企真实的比较优势是产线、供应链、整车场景数据。该论证的真问题是“汽车采集的数据能否迁移到机器人操作”，材料绕开了它，只留下“投钱才有一席之地”——等于什么都没说。对投资者而言，看车企做机器人，别只看砸了多少钱，要看它手里的整车数据能不能真的迁移、能不能复用到机器人操作这条线。

图6　落地成熟度排序与车企位置

十、给投资者的十个提醒：市场正在说错的十件事

把前九节里被纠正的逻辑收拢成一份尽调清单，按重要性排序：

1. 别把阶段当终局：路线优劣是数据量级的函数，2026 年 WAM 领先，2028—2029 后差距收窄。
2. 别用榜单证明泛化：榜单能被针对性采数据、堆参数、外挂大模型优化，而泛化恰好是最易被过拟合的维度。要证明泛化，只看零样本新场景成功率这类没给训练机会的指标。
3. WAM 的因果链有两环没补：预测准确率阈值、预测到动作的映射训练——不解决，泛化只是论文优势。
4. 别单变量归因：能力是数据量、模态质量、任务分布三者的函数；预训练把 500 条压到 100 条，已承认质量可补数量。
5. 别用工程状态否定架构：通用模型慢 60 倍、贵，是时延与开销，不是能力上限；排 10—15 位恰恰说明通用路径走得通。端云分工是算力约束下的最优解。
6. TAM 别算错：10 万 × 80 亿人口 = 800 万亿（接近全球 GDP）是量级错误。按户数算：20 亿户 × 单价 10 万 × 渗透 5% ≈10 万亿元。材料 Q&A 还写成“10 万美元”，同一篇两个单价。
7. 缺口 ≠ 必须外购：中间漏了自采成本 vs 外购单价对比；更要盯数据价格下行风险——供给涌进，单价就崩，这决定数据公司估值。
8. 别用估值给技术排序：估值 = 融资 + 叙事。技术排序看零样本成功率、真机部署台数、客户复购率。
9. 家庭 2—3 年要有依据：要么给 BOM 成本曲线，要么给平均无故障时间，要么承认拍脑袋——“无门槛”和“2—3 年”本身打架。
10. 车企别只谈钱：真实壁垒是产线、供应链、整车场景数据的迁移能力，不是 10 亿入场费。

投资结论（一句话版）：物理AI 的确定性机会在“卖铲子”——但铲子的价值取决于模态完整性 + 动作标注精度 + 真机验证，且必须盯住数据价格的下行风险，别为稀缺性付溢价；真正的技术排序要看零样本成功率、真机台数、复购率，而不是估值和榜单；端云分工（端侧 10B 内执行 + 云端理解调度）已被实证，是这条赛道最稳的架构判断。TAM 用“户数 × 单价 × 渗透”重算后约 10 万亿元，是一个值得认真跟踪、但远未到“闭眼买入”的阶段。

普通投资者怎么跟踪这个赛道：别盯估值和榜单，盯四个可验证的信号——① 头部公司是否开始披露零样本成功率和真机部署台数（谁先披露，谁更敢对自己技术负责）；② 物流分拣之外，是否出现第二个跑通商业闭环的场景；③ 数据供应商的单价走势（涨说明稀缺、崩说明逻辑生变）；④ 英伟达 Cosmos、AMD-World Labs 的开源进展与真实调用量。这四条比任何“XX 估值多少亿”都更接近真相。

图7　投资三指标：用正确的尺子量物理AI