• 正文
  • 相关推荐
申请入驻 产业图谱

物理AI研究:构建“一脑多端”的可迁移底座

38分钟前
25
加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

佐思汽研发布《2026年物理AI的汽车及机器人应用研究报告》。

2026年,AI正加速从数字世界向物理世界渗透。背后除了现实需求——人类需要Agent在物理世界承担更多场景、更高难度的工作——还有一个关键动因:物理世界的"数据诱惑"。在数字世界,数据(尤其是互联网数据)已被大量用于预训练,继续挖掘的边际收益有限;而物理世界的真实数据远未充分开发,若能将其大规模投入 AI 训练,有望延续Scaling Law的红利,加速AI迭代。

数字AI通过预训练掌握了大量符号规则,但直接应用于现实世界时往往表现受限;物理AI则作用于真实环境,理解物理规律,并在环境交互中不断积累实践经验,从而持续提升任务执行的效率与精度。

当前主流方案是先将物理约束嵌入模型,再结合强化学习推演物体轨迹,这也进一步凸显了世界模型的价值。

相比数字AI,物理AI强调“直接作用于物理现实世界”

图片来源:佐思汽研

在汽车行业,物理AI主要有两个切入口:智驾与机器人。

1.在智驾方向,物理 AI的落地有两条路径:一是依托世界模型预判行人、非机动车、车辆的运动轨迹;二是依托物理仿真环境持续生成海量高风险、低概率的极端工况,并结合强化学习开展训练,大幅降低实车路试的成本与安全风险。

2.在机器人方向,头部车企一方面开发工业制造、检测、涂装等AI系统,另一方面布局人形机器人,将智驾积累的感知、轨迹规划与闭环控制能力,直接迁移到机器人的行走、抓取、避障交互任务中,形成一套可跨载体复用的物理 AI 基座。

两个场景通过共享同一套物理约束、世界模型与仿真训练体系,形成 “车端海量实车数据通过闭环反哺机器人,机器人精细交互能力反哺整车控制” 的协同迭代链路,使汽车行业成为物理 AI 落地最成熟、数据飞轮跑得最快的场景之一。

  智驾场景:物理AI切入口

2026年,头部智驾供应商与主机厂纷纷将重心转向物理 AI,汽车智驾之所以成为物理AI最容易规模化落地的场景之一,背后有两项支撑:

1商业模式得到验证。

城市 NOA、代客泊车、高速领航等功能可直接提升用户体验、形成产品差异化,跑通软件OTA订阅(如FSD)/一次性买断的商业模式,带动整车溢价与软件服务收入,依托量产车型持续获得的收入,又反哺算法、仿真等研发环节,形成商业闭环。

2数据储备充足。

大量的智驾量产车在路上持续回传多模态传感器数据(包含相机、激光雷达、毫米波雷达、底盘 IMU、轮速、制动、转向等时序信息),不仅记录画面语义,还同步记录车辆运动状态、路面变化、交通参与者交互的物理因果,自带真实世界的动力学约束、时空关联与交互不确定性,完全可用于物理 AI 进一步训练。

在数据飞轮构建上,汽车行业已经建立起成熟的数据筛选、标注、仿真复现流水线,可以从回传数据中提取打滑、鬼探头、非机动车穿插、落物等长尾高价值样本,一边在仿真世界里基于世界模型生成多个长尾工况,一边用实车回传的真实结果持续校准仿真偏差,形成 “真实物理数据采集→世界模型训练→仿真扩量生成新样本→实车验证反馈” 的数据飞轮。(这套飞轮机制同样适用于机器人场景,后文将展开)

不同主机厂在不同口径下的数据规模

数据来源:各主机厂官方发布;整理:佐思汽研

相比于机器人场景(真实数据完全不足以覆盖所需,数采成本又高,部分真机数据仅覆盖验证纠偏),智驾场景更能实现大规模真实数据闭环:车卖出去,数据自己回来,里程、指令、路况等数据,都可以作为物理AI进化的燃料。

以卓驭为例,卓驭在2026年9月提出“一湖两域”:"一湖"指一个数据湖统一承接基础模型、智能驾驶、企业三条业务线,“两域”指物理世界与数字世界两条数据流,由 Ontology 业务认知模型对齐语义口径。该数据架构能够优化物理AI模型在真正跑起来后,数据存储、流转、控本的问题:

•数据面上,全量训练数据湖放在对象存储,低成本长期留存,训练前按需把训练集导入到高性能存储,提供高带宽访问;

•治理面上,MetaHub记录访问、版本与归属,EMR做离线分析,找出冷热、冗余和过期版本,再把沉降、归档、清理下发给存储层。

3技术路线更加清晰化。

智驾的技术路线已收敛为两条主线:VLA(视觉 - 语言 - 动作)与世界模型。其中,VLA 侧重借助语言语义完成场景理解、交互推理;世界模型侧重对环境动力学、物体运动做物理推演。

现阶段,越来越多厂商不再执着于二选一,转而围绕两条主线及其融合变体持续迭代:由 VLA 承担语义认知与高阶决策,世界模型负责场景演化、轨迹与风险推演。研发资源、仿真平台、数据管线、评测体系都随之向这一范式靠拢,显著降低了物理 AI 方向的试错成本,也便于向机器人等其他物理AI载体迁移。

不同供应商与主机厂的路线选择

数据来源:各主机厂官方发布;整理:佐思汽研

Momenta世界模型R7

以Momenta R7为例,R7把世界模型和强化学习叠成了三层:

•第一层是世界模型预训练,把物理规律、常识与因果关系压缩进模型;

•第二层是世界模型仿真,闭环推演“自身行为变化时世界如何演变”;

•第三层是在这个世界模型里做强化学习,让车在虚拟世界中经历千万次推演,目标是在万中无一的极端场景里超过人类。

该方案具备理解物理世界的底层规律的能力——懂物理属性、懂运动因果、懂潜在交互。该模型能够针对智驾过程中的Corner Case,提前预见并进行避让或刹停,如在复杂路况道路识别后方车辆并预测轨迹、在混乱小区穿行。

小鹏汽车物理AI体系

小鹏物理世界基座模型,以第二代 VLA 与世界模型为两大支柱,把预测式/生成式世界模型与端到端VLA同时作为底座,从静态3D空间理解走向动态4D时空理解,实现模型拥有30秒时序记忆、可推演6秒未来,端到端响应提速300%。

小鹏汽车物理AI体系关键技术

数据来源:小鹏汽车;整理:佐思汽研

以X-World为例,其基础网络架构基于 WAN 2.2 隐空间视频生成框架改造而来,包含 3D VAE 隐压缩模块、定制视图 - 时序自注意力模块、解耦式多分支交叉注意力模块,可统一处理运动、场景、文本等控制信号;通过异构条件的解耦交叉注意力机制,能减少不同条件(自车动作、动态代理、静态道路元素、相机参数)之间的相互干扰,实现对驾驶场景的精细调控。

配套的是 XCoT 技术:把自然语言思维链压缩成能直接参与行动生成的决策标记,其中非轨迹标记交给 Reason FFN,24个固定轨迹查询位置交给 Control FFN,决策标记直接落在动作空间里,省去了从语言到动作的转译环节。该技术基于362万条监督数据训练,变道场景横向FDE从1.616降至0.648;在12Hz(约83.3毫秒)的时延预算下,决策标记序列仅需2~6个标记。

X-World总体架构

图片来源:小鹏汽车;整理:佐思汽研

4迁移同一物理AI底座可实现“一脑多端”

小鹏物理AI体系支撑同一套底座复用到汽车、Robotaxi、IRON 机器人、飞行汽车。采用类似方法构建物理AI底座,计划迁移到机器人场景/飞行汽车的还包括特斯拉、理想、奇瑞等厂商,都采用了“一脑多端”的迁移路线。这是因为除了“感知-决策-执行”闭环的软件体系相同外,从汽车到具身智能的硬件供应链也具备较高重合度。

•特斯拉把 Model S/X 产线改造成机器人产线,2026年10月供应商披露 Optimus V3 方案接近定型,计划2026年底前量产;

•小鹏把图灵芯片和智驾栈复用到 IRON(3颗图灵芯片、2250TOPS);

•理想在2026年9月推出ME-VLM,以统一 VLM(4B / 35B-A3B 两个变体)整合具身认知(物理环境几何感知、时序动作建模、执行反馈建模)与多模态智能体能力(长程规划、技能与工具调用、失败归因与错误恢复),经具身能力注入、专家强化学习与多教师蒸馏收敛为单一可部署策略,并在自动驾驶(MAPLM 等5项)与具身导航(R2R/RxR)基准上验证。在硬件的共用层面,统一 VLM 4B 变体支持在理想自研智驾芯片 M100 SoC 上做端侧本地推理;ME-Brain-1.0 的 Evolvable Memory 模块同样支持移植到 M100。

  机器人场景:“迁移”底座加快发展

先看案例。主角是GPT-6 Astra。

2026年9月,人形机器人系统HomeBody公开演示,项目砍掉专用训练控制层,直接让OpenAI的GPT-6 Astra作为决策大脑,驱动宇树Unitree G1人形机器人完成陌生厨房内的多步整理任务,全程无针对训练数据、动作策略,结果如下表所示:

HomeBody的演示成果

资料来源:斯坦福大学Movement Lab、加州理工学院

还是9月,GPT-6 Astra在未针对进行驾驶训练前提下,经两次尝试,完成驾驶丰田汽车跑完 134.7 米测试赛道的任务(耗时5分22秒,平均速度约1.5km/h;封闭停车场、限速 3.5m/s、配安全员)。

这是第一梯队通用模型(数字AI)在未经专用训练的前提下,在物理AI场景直接应用的效果。通用模型在跨界追赶,那么行业垂域模型在物理AI场景的优势在哪?或者换一句话说,能否将顶级数字AI注入物理约束知识后,直接应用在具身外壳上?

先看物理AI产业的优势。

•第一是数据。

物理AI模型直接作用于现实世界,需要使用真机数据训练(虽然目前覆盖不了所需,但比没有强)。而互联网的海量混杂数据,即使包含物理知识,也无法让顶级数字AI真正“理解”真实物理规律。

垂域场景的数据采集、标注、迭代高度聚焦,每一份真实场景数据都能针对性优化模型短板,数据利用率远高于通用模型对海量混杂数据的利用水平。

以Foxglove数据管理平台为例,其服务覆盖数据全生命周期——采集、调试、存储、挖掘与策展。

国内的厂商中:

1.千寻智能的 uDAS 可穿戴数采设备已采集超20万小时,有效性达到遥操作的95%,成本只有1/20;

2.自变量机器人的 QUANXTA Zero 无本体数采方案每小时近百次、为传统遥控的2.33倍,良率从60%~80%提升到85%。

3.银河通用LDA则构建了“失败数据也能当燃料”方案,该方案采用跨本体的隐式世界-动作基座模型,训练数据从5千小时攀升到3万小时时,性能仍在持续上升。其特点是,引入大量低质量甚至失败数据后,性能不降反升。支撑这个结果的底座之一是五层数据金字塔:互联网图文视频、人类行为数据、多本体合成仿真、真实遥操作、真实机器人自主回流。

•第二是工程可迁移性。

机器人物理AI可以迁移智驾场景的部分底座能力:

机器人物理AI与智驾物理AI的异同

图片来源:佐思汽研

虽然硬件上需要针对长时序、高频运动做出升级,但是现有底座可以大大降低训练时间。这是因为技术底座是共用的:世界模型负责预测,数据闭环负责迭代,强化学习负责试错,端侧模型负责执行。物理AI厂商就需要把这套底座在物理约束下跑通打通了从数字到物理的最后一公里。

•第三是模型性能。

相比通用模型参数规模庞大,推理延迟高,仅能胜任非实时、低速的上层任务调度(比如DrivingBench 中 1.5km/h 的场地驾驶、HomeBody 中无时间压力的厨房整理);而物理 AI 的底层控制(电机伺服、应急避障、车辆动态控制)要求毫秒级响应,这是通用模型无法覆盖的。

垂域模型则针对单一垂直场景做轻量化裁剪、算子优化与硬件加速,可直接在端侧芯片上实现低延迟推理,既满足实时控制要求,又因为参数规模小,端侧部署的推理成本仅为云端通用大模型的几十分之一,从而无需依赖云端大模型的高算力成本。

此外,通用大模型是概率性生成系统,存在幻觉、决策不可控、边界外行为不可预测的问题,而垂域模型基于垂直场景的全量边界数据训练,内置可解释的安全约束与故障兜底机制,可通过 ISO 26262(对应 GB/T 34590)功能安全流程与第三方认证、IEC 61508 工业功能安全评估,也可实现精密装配、力控打磨、复杂地形行走等高阶任务,在成功率、作业效率、精度上达到商用标准。

智元机器人推出的GO-2具身基座大模型是个代表:该物理AI垂域模型采用"动作思维链",在动作空间而非语言或视觉空间中完成推理规划;并采用异步双系统架构,慢系统生成"意图流",快系统结合当前视觉观测做实时局部修正,在LIBERO-Plus上取得零样本86.6%的成绩。

智元动作思维链 (Action Chain-of-Thought)

来源:智元机器人

智元还推出Genie Sim3.0 一站式仿真开发平台,直接生成环境,实现RGB、深度、激光雷达等多模态数据原生同步输出。

智元的路径是从基座模型一路铺到产线。2026年4月,精灵G2在龙旗科技南昌平板工厂的MMIT测试工站做了8小时真实产线直播:2283次任务零失误、成功率100%,适配20秒节拍、每小时310件。产线先用 Genie Sim 3.0 做1:1数字孪生复刻,真机强化学习再形成类人作业策略。智元计划2026年三季度将该产线扩至100台。

而在量产过程中,无法避免的是接触交互与长流程执行中反复出错的问题,智元机器人与无问芯穹等为物理AI提出的解决方案是“群体经验学习”,通过失败引导的经验检索微调算法FERT,对失败样本、成功样本做差异化利用,具体包括:

1.失败轨迹用来定位短板:截取失败任务临近故障时刻的观测信息,经过图像、关节状态联合编码,标记出集群需要重点补强的工况;

2.成功轨迹用来输出范本:所有机器人产生的有效成功轨迹存入群体共享经验池;

3.检索优先采样训练:以失败场景的特征作为查询条件,在经验池中检索工况匹配的成功操作片段,提升该类样本训练采样优先级,把算力集中投入高频出错环节;

4.策略迭代闭环:更新后的策略下发全部机器人,继续产出新一轮成功、失败轨迹,循环往复持续优化。

FERT算法(Failure-guided experience retrieval fine-tuning)

来源:智元机器人等

再看劣势,以上讨论的是单机场景,物理AI要规模化落地,面临的问题完全不同。

机器人物理AI场景遇到的部分问题

整理:佐思汽研

以部分硬件约束为典型代表:机器人靠电池供电,长续航任务下,端侧算力与功耗都有天花板;完整流水线的延迟预算只有20~100毫秒,而4bit 量化后的OpenVLA 7B 在 Jetson AGX Orin 上推理约200毫秒,只能靠一次推理执行10到50个时间步的动作分块来凑。

这种反差,恰恰揭示了物理 AI 的难题所在:数字世界里,AI 面对的是清晰、可枚举的符号;物理世界里,AI 面对的是摩擦、惯性、形变、光照,以及那些“稍微偏两度就插不进去”的真实零件。符号可以被精确推理,物理却永远带着噪声与不确定性。

解决仍需产业链的协同:

物理AI产业链不同环节

整理:佐思汽研

 

「联系方式」手机号同微信号

产业研究部丨赵先生 18702148304

推广传播部|杜先生 13910162318

相关推荐

佐思汽车研究:致力于汽车、TMT、新能源(特别是新能源汽车、智能汽车、车联网)领域的产业研究、专项调研、战略规划和投资咨询服务。