机器人、能源产业押注“物理AI”：AI产业下一条万亿赛道浮现

在中国北方的一片广阔草原上，一个规模庞大的零碳能源系统正在运行。风机、光伏阵列、储能设备、电解槽与氨合成装置彼此联动，构成了一张复杂的能源网络。与传统电力系统依赖人工经验调度不同，这套系统由人工智能在毫秒级时间尺度内完成决策——它实时感知气象变化，预测风光资源波动，并在物理约束下不断优化整个能源系统的运行效率。

随着可再生能源占比不断提高，风光资源的波动性与碎片化特征让传统调度模式愈发吃力。越来越多行业开始意识到，能源系统需要从“被动响应”转向“主动优化”，从依赖人工经验走向由算法驱动的自主运行体系。在这一过程中，人工智能不再只是分析数据的工具，而开始直接参与物理世界的运转。

也正是在这样的背景下，越来越多科技企业开始将人工智能从数字世界延伸到现实世界，一个新的技术概念逐渐进入产业视野——物理人工智能，即让AI具备感知环境、理解物理规律并对现实世界产生行动的能力。

人工智能的下一阶段，不再只是生成图像、文字或代码，而是要进入真实世界，与重力、摩擦、能量守恒这些基础物理规律直接交互。

AI正在离开屏幕

“下一波AI浪潮将是物理人工智能。”英伟达创始人兼首席执行官黄仁勋在多个场合反复强调这一观点。在他看来，物理人工智能意味着AI必须学习物理定律，并在仿真环境中进行数万次的演练，才能弥合从“模拟到现实”的巨大鸿沟。

这种判断正在得到越来越多企业的呼应。

2026年初，芯片公司Arm宣布成立专门的“Physical AI”业务部门，将机器人与汽车业务整合在同一体系中，以应对不断增长的智能机器人市场需求。

几乎在同一时期，汽车芯片厂商 恩智浦半导体 也在公开场合表示，“物理AI”正在成为工业自动化、机器人与智能设备的重要增长动力。

这些变化背后，是人工智能能力结构的一次重要转移。

这种范式的转变，标志着AI正在从一种“咨询工具”进化为一种“执行主体”。

2024年诺贝尔物理学奖授予了约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton），这被视为物理学与计算机科学融合的里程碑。正如诺贝尔委员会所言，人工神经网络的构建基础深深植根于物理学原理。而到了2026年，这种融合已经从理论进入了产业实操。

过去的大模型主要解决认知问题——理解文本、生成图像、回答问题。但现实世界远比数字空间复杂。机器需要理解空间关系、物体属性和因果关系，还必须在毫秒级时间内做出决策。

学术界对这一趋势也给出了系统化解释。一些研究将物理AI描述为一个包含“感知—认知—行动”闭环的智能体系，其中机器通过与环境的持续互动来形成知识，而不是仅依赖数据训练。

机器人为AI赋予“肉体”

在具身智能概念如火如荼的当下，物理AI最直观的形态便是机器人。根据国际机器人联合会的数据，目前全球运行的工业机器人已经超过400万台，而随着AI能力的提升，这一数字仍在快速增长。多家机构预计，未来几十年机器人将在制造、物流和服务业中承担越来越多的任务。

在MWC 2026的现场，中国企业在具身智能领域的表现验证了这一趋势。智元机器人、宇树科技、北京人形机器人创新中心等机构展示的产品，其核心突破并不在于“长得像人”，而在于它们对空间智能的掌握。

在技术日新月异的推动之下，机器人行业正在经历一场架构升级。过去的工业机器人通常是高度专用化的设备，每一台机器只负责单一任务。如今结合AI系统后，机器人开始具备更强的通用能力，可以在不同场景之间快速切换。

行业人士普遍认为，这种变化将重新定义自动化的边界。随着硬件成本下降和AI能力提升，机器可能在未来十年内承担大量重复性劳动。

但物理AI的应用范围远不止机器人。

在自动驾驶领域，AI需要实时理解道路环境并做出决策；在工业制造中，AI可以用于设备预测维护和生产调度；在智慧城市和智能建筑系统中，AI也被用于监控与管理复杂基础设施。

一些公司甚至尝试通过模拟真实世界来训练AI模型。以商汤科技推出的“开悟”生成式世界模型为例，它不仅是一个高精度的虚拟环境，更是一套能够理解并预测物理演变的认知系统。依托商汤绝影的产业积淀，“开悟”能自主生成符合真实物理逻辑的长尾场景，使自动驾驶与机器人系统在进入现实世界前，便已在“数字化实验室”中完成了数亿次的极端工况演练。这种模式正在重塑具身智能从虚拟到现实的迁移范式。

AI成为能源产业的“中枢神经”

如果说机器人是物理AI最直观的应用场景，那么能源系统则代表另一条更为复杂的技术路径。

近年来，随着新能源比例不断提升，电力系统的复杂度正在显著增加。天气变化、电力市场价格以及设备运行状态都会影响系统运行效率。因此，一些企业开始尝将AI引入电力系统管理。其中，远景科技集团提出了将人工智能与能源系统深度融合的思路。

远景科技集团董事长、远景能源创始人张雷指出，传统大模型主要用于消费互联网场景，而能源系统属于复杂的物理系统，其运行必须遵循物理规律和工程约束，因此需要新的AI模型体系。

在新型电力系统中，由于气象资源的随机性和波动性，传统的调度手段已难以应对多变的场景。远景推出的“伽利略AI风储一体机”及其背后的“天枢”能源大模型，本质上就是将物理控制作为核心，将风机、储能系统与AI模型结合，通过云、边、端协同实现实时控制和优化调度。

从行业视角看，这种探索体现出物理AI的另一种形态——即通过AI对复杂工业系统进行整体优化，而不仅仅是控制单一设备，将能源系统实现从简单的基础设施堆叠到“智能体生态”的转变。

从算法竞争到系统竞争

与互联网时代的AI不同，物理AI的竞争不仅是算法竞争，更是一场系统工程的竞争。

一个完整的物理AI系统通常包含多个关键环节：传感器、计算芯片、网络连接、控制系统以及执行机构。只有当这些要素协同工作，机器才有可能在现实世界中稳定运行。

这也是为什么越来越多科技公司开始从单一技术走向系统化布局。

芯片企业正在开发专门面向机器人和自动驾驶的计算平台；通信企业尝试将网络升级为支持AI运行的基础设施；机器人公司则在硬件与软件之间寻找新的协同方式。

在这一过程中，产业链的重要性变得更加明显。机器人、电机、传感器和电池等核心组件，都依赖成熟的制造体系。只有当这些供应链形成规模，物理AI设备才有可能从实验室走向量产。

因此，一些行业观察者认为，物理AI的竞争格局将不仅由技术决定，也与产业基础密切相关。

写在最后

如果回看过去二十年的技术发展，可以发现人工智能经历了几个明显阶段。

早期AI主要集中在算法研究；移动互联网时代，AI成为互联网产品的核心能力；而在生成式AI浪潮中，大模型成为技术竞争的焦点。

如今，随着机器人、自动驾驶与工业AI的发展，人工智能正在从“信息智能”走向“物理智能”。

从机器人到能源系统，从工业设备到城市基础设施，越来越多行业正在将人工智能视为一种新的基础能力。

技术周期的变化往往需要多年时间才能显现。但从当前产业动向来看，当人工智能真正开始“触摸世界”时，一个新的产业阶段已经悄然展开。