Physical AI（物理AI）标志着一次重大跨越——它告别了简单重复的自动化任务。借助基础AI模型的进步，机器人与机器人软件如今能够感知、推理、决策，并在真实的商业、医疗和制造环境中自主作业。
根据凯捷研究院（Capgemini Research Institute）2026 年对 1678 位高管的调查，近 80% 的组织已在涉足物理AI；同一调查还发现，60% 的受访者认为物理AI将催生出过去不可能或不切实际的机器人应用。跨国银行巴克莱（Barclays）估算，人形机器人市场将从今天的 20 亿美元增长到 2035 年的 2000 亿美元。
整个物理AI市场还要更大。咨询公司 Strategy&（普华永道旗下）的一份报告预测，随着物理AI在未来三到五年内从早期试点走向规模化商业部署，其市场规模到 2030 年将逼近 5000 亿美元。
物理AI（包含具身AI）正在众多行业落地。在汽车制造领域，BMW（宝马）使用 Figure AI 的人形机器人协助生产车辆，并在车身车间作业。在造船领域，军用造船企业 Huntington Ingalls Industries 将物理AI用于焊接、装配、表面处理、检测和喷漆。在农业领域，John Deere（约翰迪尔）计划到 2030 年为玉米和大豆种植者打造一个完全自主的生产周期。
"我们已经用了几十年自动化，"具身AI软件厂商 Palladyne AI 的总裁兼 CEO Ben Wolff 说，"人在建造和编程工业机器人时，就把所有决策都提前做好了。但仍有数百万件枯燥、无聊、有时还很危险的工作必须由人来干，因为机器人一直应付不了不可预测、非结构化或高度多变的任务与环境。具身AI的价值就在这里。"
Wolff 举了飞机零件翻新的例子。"多数情况下，飞机零件的旧漆和锈蚀，是由一个人穿着防护服、在喷漆房操作喷砂机或抛丸机去除的。"当工作变化多端、需要灵活性时，机器人同样派得上用场。"大多数制造商是把同一个零件做上一百万次，所以非常标准化、非常一致，"数字制造服务商 Protolabs 的首席技术与AI官 Marc Kermisch 说，"而我们是一条产线做一百万个不同的零件、每个只做一次，所以工艺流程中的变数极多。我们已经训练了机器人，也在用AI编程这些机器人来完成基础任务。"
走向边缘
边缘AI让机器人即便脱离网络或云端连接也能执行任务。"有了物理AI，我们把那个推理模型直接嵌进机器人本体里，"Kermisch 说，"当机器人用视觉能力检测零件时，它能在边缘实时推理并作出判断：这个零件合格，这个不合格。这一切都嵌在里面，所以它在边缘。"他补充说，AI训练只需局限在具有本地化知识的特定区域内。
那些在真实世界中干活的机器人，走的是「窄而深」而非「又窄又浅」的路线。它们把全部数据投入都集中在单一任务上。Jack Pearson 机器人投资机构 RoboStrategy 投资负责人
"AI机器人是独立的，"机器人投资机构 RoboStrategy 的投资负责人 Jack Pearson 说，"所有人拼命想抵达的大目标是通用机器人——一个机器人能干很多不同的事。而那些在真实世界中干活的机器人，走的是「窄而深」的路线，把全部数据投入都集中在单一任务上。"
物理AI还能提升智能工厂的生产率，机器人可以"以高度自主的方式组装、配齐并发出成品"，机器人系统开发商 Ambi Robotics 的 CTO 兼联合创始人 Jeff Mahler 说。"物理AI主要在云端训练基础设施上，用预先采集的数据离线学习。自学习是训练过程的关键阶段，其中用无标签数据学习视频、图像、传感器数据和动作的通用表征。这能让系统更好地适应新任务、新物品和新环境。"
视觉 + 听觉 = 感知
除了具身机器人的硬件，物理AI还由许多技术构成。"如果一个AI系统感知不了环境，那它干不了什么事，"传感器与感知系统供应商 Ouster 的 CEO 兼联合创始人 Angus Pacala 说。光学传感器把能与物理世界交互的AI系统，和"困在电脑控制台里的聊天机器人与AI"区分开来。
"LiDAR（激光雷达）和摄像头都是光学传感器，但 LiDAR 像是超人版本——它主动发射光并接收回波，"Pacala 指出，"你看到的大多数机器，无论是人形机器人、无人机、联合收割机、叉车还是汽车，主要都在用摄像头和雷达来安全、灵活地导航环境。"
你可以建出最精巧、最像人的推理模型，但如果喂给它的不是高质量数据，它照样会失败。Dani Cherkassky 语音AI厂商 Kardome CEO 兼联合创始人
摄像头能帮机器人避开障碍物，却帮不了机器人判断是谁在跟它说话，甚至判断不了有没有人在跟它说话，语音AI厂商 Kardome 的 CEO 兼联合创始人 Dani Cherkassky 说。"音频是高速反射层，在你还需要动用重量级推理模型之前，它就已经处理了人类意图这一关键现实。"
"今天的机器人本质上是'语境失聪'的，"Cherkassky 说，"我们不会走到一个人面前、站到离他三英尺的地方才开口提问。我们也不该指望机器如此受限。"他补充说，一台融合视觉、LiDAR 和音频的机器，才能理解自身所处的环境。
不过说到底，一切都要回归数据质量。"你可以建出最精巧、最像人的推理模型，但如果喂给它的不是高质量数据，它照样会失败，"Cherkassky 说。
物理AI并不适合重复性任务，比如"像可口可乐灌装厂那样，一次做一百万件事的岗位"，Pearson 说，"那种规模大到直接买一套固定式自动化设备就够了。"他还指出AI系统——尤其是物理AI及其各类组件这样的新兴技术——存在一个普遍问题。"它是黑箱，"他说，"你不知道内部发生了什么过程。对于关键安全任务来说，失败率仍然不够理想。"
Chuck Martin 是《纽约时报》畅销书作者、未来学家、演讲家和专栏作家，在新兴数字技术领域深耕三十余年。
参考文献：
“Physical AI in business gets smarter and more autonomous”
https://www.techtarget.com/ai/feature/Physical-AI-in-business-gets-smart...
本文转自：边缘人工智能，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
