物理AI深度解读

1、什么是物理AI：给聪明的大脑装上执行器谈物理AI，首先要区别原来的数字AI。数字AI的发展已有一段历程，最开始处理文字、语言类任务的语言模型，比如大家常用的豆包、DeepSeek等，都属于大语言模型、属于数字AI。它的能力边界主要还是处理与现实世界没有物理交互的纯文本、语言逻辑推理，作为聊天类的工具。物理AI（Physical AI）的区别在于它有物理实体。 一个直观的例子：大语言模型这类数字AI就像霍金——坐在轮椅上，没有执行能力，但他很聪明；物理AI相当于给这个聪明的大脑再装上一个物理端的执行器。物理AI的载体其实有很多：传统的关节类机器人（工业机械臂、协作臂）、轮式底盘、汽车，以及各种各样的工程机械自动化设备，都可以认为是物理AI的载体。而在所有载体里，目前公认最好的载体还是具身智能的人形机器人，因为它的通用能力最强。物理AI的组成关键要素有三方面：模型与算法；物理载体——各类物理端设备，包括人形机器人、机械臂、各类AMR移动机器人；数据——也是物理AI非常重要的组成部分。
2、模型路线：从VLA到世界模型，再到原生大语言模型物理AI真正的发展阶段，大概是从2022、2023年开始兴起，特别是模型进展出现重大突破时，让大家看到了物理AI实现的可能性。
1）相比传统工业机器人，天花板更高物理AI相比传统的工业机器人解决方案，不需要依赖预编程，也不只能实现固定轨迹和动作，而可以在多个层面实现通用和泛化：场景泛化：同一台物理AI设备，可以用在家庭、工业、商业等不同条件里；物体泛化：传统工业机器人用传统算法只能抓固定物体，换一种物体就要重新编程；物理AI则不必；任务泛化：不需要预编程，只要模型足够智能，就可以让它实现各种不同任务。所以相比传统工业机器人，物理AI的能力天花板会更高。
2）技术路线演变：VLA → 世界动作模型 → 原生大语言模型整个模型技术路线的演变历程是：最早的VLA，演变到世界动作模型（WM），再到最近关注度较高的、完全用原生大语言模型去实现的路线。先说VLA。 我们认为VLA的开山之作是谷歌的RT-1模型，算是真正意义上的第一个VLA模型，随后带动了整个物理AI模型的快速发展——国外成立了很多公司，国内也有很多物理AI公司聚焦这块。国外做得比较优秀的包括特斯拉、Figure、PI（Physical Intelligence）等，国内公司则多是从VLA开始做起。VLA在2023、2024年是主流路线，但逐渐做起来后发现有很多局限性。 因为本质来讲，VLA还是基于模仿学习的路线，从大量数据里学到一种轨迹映射关系，所以在动作生成、动作拟合上能力很强，但它原生缺少通用和泛化能力。基于这样的考虑，大家觉得用VLA方式想实现真正的物理AI比较难。于是进入第二阶段：把世界模型融入到VLA里，即世界动作模型（WM）。 原来的VLA缺少想象力，只是一味模仿；世界模型的专长是基于现实感知的输入数据、基于现实世界的物理规律，去预测下一秒整个世界的变化。 基于这个特点，可以让世界模型为VLA提供想象力——通俗讲，就是让VLA在生成、执行动作之前，先用世界模型"过一遍脑子"，先思考、预测一下。WM有很多不同的架构和融合方式，但整体思路一致：先让世界模型做动作预演，生成一系列可行的动作候选，再在所有可行动作候选中做筛选，然后让VLA把它转变成实际的动作轨迹去执行。WM提高了整个物理AI模型的能力上限，让模型更聪明、更智能，提升了泛化性。
3）当下新路线：用原生大语言模型驱动本体（OpenAI GPT-6 Astra尝试）最近一两个月，OpenAI用其GPT-6 Astra尝试用原生大语言模型去控制机器人，作为物理AI模型去驱动本体。先给结论：包括我们在内也做了快速跟进和相关测试，从流程上现在确实可以跑通。 但要注意：它不可以直接部署，需要做工程化改造和改进——比如用现成的harness架构，或基于一些传统算法搭一个混合架构，整个流程确实可以跑下来。但这并不意味着这条路线现在一定能快速取代原有的VLA或WM路线，因为用大语言模型去跑还有很多问题没有办法解决：第一，推理问题。 大语言模型参数量比较大、比较重，一般在几百B甚至上千B，推理过程是全参推理——即使给一个非常简单的动作任务，也要把所有参数跑一遍，导致推理速度慢、延迟高、控制频率低，一般只能做到100Hz。而应用到机器人上这非常慢，没有办法和机器人底层的伺服层做闭环，因为底层运控一般要做到几百赫兹甚至1000Hz的高频控制。所以目前用大语言模型只能做一些低频动作，高频动作比如打羽毛球、打乒乓球是做不到的。第二，精度比较差。 只能做一些简单抓取——比如抓衣服、抓水杯这种厘米级甚至几个厘米精度任务是可行的；但精度稍高的任务，比如端子插拔这种需要做到亚毫米级的操作，就没有办法实现。并且对于一些柔顺、接触密集型的任务，整体表现非常差，模型基本处于坍塌状态，很多任务成功率会降到0%，最多可能10%左右。所以整体上，虽然大语言模型在流程上可以跑通，但当下还有很多实际问题，无法让它短期替代传统的VLA或WM。 不过它让我们看到了一个新的可能性：现在测试时训练没有加任何机器人数据，用的都是原来通用的互联网语料。那么未来如果在预训练过程中堆大量机器人数据——比如一万小时或几万小时的仿真或真机数据——模型能力会不会有断崖式提升？这目前还不确定，是接下来大家要去验证的事情。 包括最近的OpenAI、DeepSeek，可能也是他们接下来会重点做的事。此外，大语言模型相比传统VLA的优势在于：对任务的理解能力更强，通用性也更强，对没有见过的任务也可以很好地执行；并且因为数据规模足够大，还涌现出了一些原来VLA不具备的能力，比如自主纠错。因为物理AI和大语言模型一样，也遵循Scaling Law，所以这为整个物理AI的模型路径提供了一种新的可能性。
3、数据：从真机到仿真、UMI，再到Ego数据是物理AI另一个非常重要的要素。物理AI的训练数据（数据金字塔）主要有几部分，且经历了明显的阶段演变。
第一阶段：真机数据2023、2024年，大家的共识主要还在真机数据，当时在全国其实建了很多大型数据采集厂。 现在大家不再采用这种方式，最主要原因有几方面：第一，真机数据成本比较高。 做真机采集，首先要在全国建很多大型采集中心，这是重资产投入——建一个1万、2万平的采集中心，要买场地、装修、建工位，还要配服务器。而这还只是环境；真正采集时还要买机器本体（一台几十万），还要买遥操作设备（VR或外骨骼一套也要好几万），这些还只是固定支出。而且采集效率很低。 真正一天8小时工作制，有效采集时间也就一个小时左右，这一个多小时能采的数据非常有限，可能就几十条。所以真机数据价格非常贵，原来一条真机数据（或一个原子技能）价格要卖到几十块甚至几百块。第二，跨本体通用问题。 真机数据与每一个机器人硬件深度绑定——理论上用自研机器人采的数据，很难用到其他厂商的机器人上，因为跨本体迁移时数据质量衰减非常明显。也就是说，真机数据存在数据孤岛问题。基于这些原因，大家的共识和判断是：真机数据不可能成为未来物理AI数据的入口。 因为物理AI真正落地，数据规模要足够大，而真机数据很难实现规模化（Scaling）。
第二阶段：仿真数据第一阶段之后，大家把数据快速转向了仿真数据。 好处是不需要任何本体、不需要任何重资产投入，理论上只要有算力就能生成大量仿真数据、做数据增广。特别是世界模型的发展，进一步降低了仿真数据的门槛——比如李飞飞的World Labs，可以让仿真数据的获取变得更简单、更便宜。但仿真数据依然有它的问题，就是Sim-to-Real的Gap。 从物理AI发展到现在，大家依然无法完全弥补这个Gap。原因在于：仿真环境里的数据极其干净——比如机器人的关节角完全是一个确定值、固定值；但实际中，机加件都是有公差的，不可能完全一模一样；电机的输出，无论扭矩还是速度、加速度，也都不是一个完全静止的定值，而是波动的；减速器无论是谐波、行星还是其他，也都有回程差（背隙）问题。 现实中传感器如触觉传感器、相机，也都有各种噪音。所以仿真数据和真实数据差异比较大，完全用仿真数据做训练迁移，效果比较差，没有办法直接用。现在大家比较常用的做法是：先做Real-to-Sim，再做Sim-to-Real。 也就是在现实环境里搭一套和仿真一模一样的场景，两边同时跑，这样可以在真实世界采到很多数据，再把这些真实数据返回到仿真器里做虚拟数据的校准——这属于Real-to-Sim的过程。然后融合了真实数据的仿真数据，再去做真机迁移，相当于把没有校准的仿真数据的质量做了一定提升。但实际提升的效果，依然没有办法弥补真实世界和仿真世界的Gap。所以仿真数据的定位依然只能作为物理AI数据的补充——用于一些真实环境里没办法采的数据，比如机器人的失败数据、试错数据，用它来增加数据分布、增加数据广度。
第三阶段：UMI数据（2025年下半年至今年上半年）第三个阶段，大家把数据转向UMI数据，主要是在2025年下半年到2026年上半年，有很多UMI方案。 相比真机数据，UMI的好处是无本体、跨本体的采集方案，解决了数据采集效率和数据孤岛问题。效率上：用UMI方案，每天有效采集时间由真机的约一个小时提升到四五个小时；通用性上：在一定条件下也可以实现通用和跨本体。但UMI的通用和跨本体是有约束和前置条件的：要求采集过程中用的UMI夹爪、末端相机，要和机器人上实际部署的夹爪、相机一模一样——甚至夹爪的颜色、尺寸、开合度，末端相机的内参外参，甚至品牌规格都要保持一模一样。 这是一个强约束，对真正落地带来很多挑战：你不可能要求所有下游客户都采用和你一模一样的夹爪和相机，改造、适配成本太高。所以大家觉得UMI数据也很难成为数据的终极方案。
第四阶段：Ego数据（今年上半年以来）在这样的背景下，今年上半年大家把数据转向了目前比较流行、比较火的Ego数据。Ego数据的采集比较简单、轻量化：只需要一个人带着一个头环，就可以实现这种无感的in-the-wild采集。 采集效率很高，理论上不需要人做太多物理约束，可以一边工作一边采，并且不需要在工厂、素材工厂里完成，可以在无感的方式下实现。 所以我们觉得这比较符合大家对未来数据的期待。目前大家的共识是：Ego数据是通向我们真正物理AI的数据采集的一个有效入口。
训练范式：大规模预训练 + 少量数据对齐目前整个物理模型的训练范式，也在朝Zero-shot（零样本泛化）的趋势发展，就是尽量做到零样本泛化。但目前模型对于一些有精度的、复杂的接触操作，还没有办法完全做到。所以目前整个模型的训练范式还是需要做大规模预训练，再用少量数据做对齐、做微调，最后训练。 预训练过程中，数据结构主要还是混合式：以Ego数据为主，掺杂少量仿真数据，再补一些极少的UMI和真机数据，作为数据主体去训练；在后期对齐和后训练时，用少量高精度数据（真机数据或UMI数据）去做对齐。这也是目前主要的实现模式。
4、硬件与本体：人形机器人为什么是最终载体物理AI目前最合适的载体还是人形机器人。逻辑主要在于：目前物理AI的数据语料还是来自于人，无论是Ego数据还是互联网数据，它的语料还是"人"。所以硬件要天然地去适配模型、适配数据，这样训练出来的效果才是最佳的。这也是我们认为最终通用载体必然是人形机器人的原因。从2023年到现在这几年，人形机器人发展比较快——无论是人形机器人本身，还是像宇树这样的双足路线，整体成熟度都在日益提升。
但硬件方面，现在还没有完全收敛，主要有几个模块：第一，手（灵巧手）还没有完全成熟和收敛。 首先路线上没有完全收敛，主流的有连杆、直驱、腱绳等不同技术路线，不同公司走了不同路线。国外比较有代表性的，Figure和特斯拉就选择了不同的技术路线：特斯拉走腱绳路线，Figure选的是直驱路线。 特别是高自由度的灵巧手，整体难度还比较大——特斯拉到现在没有兑现量产承诺，最主要的卡点也在手这块。手的设计难在"不可能三角"：既要把尺寸做得足够小，又要保证自由度、力控等功能和性能，还要保证整机的寿命和可靠性，这很难。所以现在高自由度灵巧手的成熟度还远未达到工业级量产阶段，寿命、可靠性和成本都还有一段路要走。第二，一些核心路线也没有完全成熟。 比如触觉传感器，现在也有很多不同技术路线在走——薄膜的、磁电的、电容的、电阻的等，还没有完全收敛。另外一些核心部件，比如丝杠、微型电机，成熟度也还需要进一步优化。
Q&A1、人形机器人训练中，数据量和参数量有类似1:20的比例关系吗？没有严格的对应关系。大家现在要做的就是把这个数据的规模做上去；现在整个具身模型的数据还远没有达到能够涌现出一定能力的阈值，数据还是非常少的。
2、Sim-to-Real的Gap往后怎么解决？有几种路线？目前来看有两种路线：第一种：先做Real-to-Sim，也就是提升数据质量——加大真实数据的比重和权重，再去做校准，从而提升综合数据质量；第二种：在仿真数据生成时，对物理参数通过扩散等方式去加噪音，比如对力、角度做随机的加噪，这样可能比原来的质量有一些提升，也算一种途径。
3、异构数据、真机数据的重要性往后会下降吗？不会。这个Gap很难完全消除，目前我们对仿真数据的定位依然只能作为补充数据，没有办法充当数据主力。所以在预训练过程中，还是需要大量的异构数据。
4、大量数据"大力出奇迹"的路线是否已经确认？混合比例有趋势吗？目前相对比较确定的是数据的类型，但混合比例没有答案——每家公司的数据配方都不一样。从比例趋势看，一般仿真数据会用到10%~30%，最多也就30%；其他主要是用异构数据，再补充5%左右的真机数据。仿真的比例会不会越来越少？我们觉得仿真还是要维持一定比例，因为有些数据是真实采集不可达的。这里有一个指标叫数据多样性：不光要采成功的数据，也要采失败的数据，数据不能太干净——太干净的话，学到的策略会比较过拟合。而失败数据正是仿真数据的优势：在真实环境里采失败数据成本很高，特别是真机，失败可能造成硬件损坏；人采数据虽然卖得出去，但效果不一定有仿真生成那么好、分布那么广。
5、采集数据量按什么颗粒度衡量？一个动作要多少条？一般按场景、按任务来衡量。我们预测，一类场景要想实现一定程度的智能或通用泛化、并保证通过率，可能需要起码几十万到百万小时的规模。 当然这只是一类场景；如果要真正实现跨场景的通用，数据规模会非常大。
6、大家对物理AI产业化的信心为什么一下子变化这么大？主要来自GPT-6 Astra和OpenAI的进展吗？这是一个非常关键的节点。国内外头部、Top 1的大语言模型玩家同时做了这样的决策，确实对行业有提振作用——比如最近GPT和另一家同时宣布入局这个领域，对行业确实是一种鼓励。从技术角度看，也不排除有人是为了融资、炒股票，但并不完全是这样。 因为包括我们在内，很多传统的具身智能公司或团队都做了实验：用大语言模型去控制我们的机器人，发现整个流程现在确实可以跑通。这件事带来的最大惊喜在于：它是一个原生的大语言模型，没有经过任何机器人数据训练，也没有喂给它任何机械数据，就靠原来整个互联网的数据，就可以把这些任务跑下来。 而且它在具身智能上的表现有些是可圈可点的——在任务规划、任务理解、任务泛化以及自我纠错能力上，都是数据规模达到一定量之后自己涌现出来的，因为我们并没有提前给它这些数据。所以这让大家看到了物理AI的一种新的可能性（Scaling Law），也为大家带来更多的想象空间：接下来的阶段，如果在大语言模型预训练时给它堆大量机器人数据，会不会有不同的呈现？这些目前还不确定，是接下来需要验证的方向。