核心内容总结
2026年7月28日，第一财经科技创新大会上，五位物理AI领域领军人物围绕“物理AI的定义、软硬协同路径、商业化落地”展开讨论。核心共识是：物理AI正从概念走向量产拐点，需算力、仿真、通信、终端、算法协同；其本质是让物理载体（机器人、汽车等）具备感知-决策-执行的智能闭环，是AGI（通用人工智能）的前置条件；软硬协同需在开放与耦合间找平衡；商业化难点在场景开放、数据稀缺，关键是“用起来”形成闭环。
一、物理AI到底是什么？业界终于有了“接地气”的解释
物理AI不是新词，但今年突然火了（港股七八家公司抢“物理AI第一股”标签），但大家之前对它的定义很模糊。嘉宾们给出了几个通俗理解：
- 本质是“物理世界的智能闭环”：灵巧智能许春山说，就是让机器人、汽车这些看得见的物理东西，能理解重力、摩擦力这些物理规则，然后从“感知环境→思考决策→执行动作→得到反馈”形成完整循环（比如机器人拿杯子，得知道杯子重、表面滑，才能稳稳拿起）。
- AGI的“必经之路”：松应科技聂凯旋认为，现在AI学的都是互联网文字图片，没掌握物理世界的工艺规则（比如怎么造车、怎么炒菜），就没法完整建模物理世界。所以物理AI成熟了，AGI才可能来。
- 像人一样“活”在物理世界：Momenta刘科用自动驾驶举例，物理AI是“理解物理世界，还能安全做事”——比如自动驾驶汽车能看懂红绿灯、避开行人，这就是物理AI的成熟应用。
二、物理AI的“卡脖子”问题：数据、时延、算力一个都不能少
嘉宾们一致认为，物理AI不是“卷算力”那么简单，有三个核心痛点：
- 数据比算力更缺：灵境智源须海江说，现在训练AI的物理数据太少了——要么靠视频，但视频没有声音、温度、力这些“真实感”；紫金星宇吴建军更直接：ChatGPT有现成互联网数据，物理AI没数据可卷，得想办法解决数据采集和共享。
- 时延不能差一毫：吴建军举了个例子：物理AI（比如机器人）对时延要求极高，100毫秒延迟可能让机器人动作偏20-30厘米（拿杯子变成碰倒杯子），这在云端AI里无所谓，但物理世界里会出大事。
- 算力要“聪明用”：不是堆算力，而是“把算力放对地方”。吴建军说，希望机器人本体只做动作控制，把算力放网络边缘（比如6G基站附近），这样能降低机器人的成本和功耗。
三、软硬协同：开放还是耦合？嘉宾吵出了“平衡方案”
英伟达是“软硬全干”的选手，但中国物理AI该走“自己做硬件+软件”（耦合）还是“分工协作”（开放）？嘉宾们各有看法：
- 合而不同：许春山说，硬件要稳定（比如机器人关节不能坏），软件要灵活（随时更新算法），得通过三个办法破局：一是“用起来”让软硬件一起解决问题；二是设计硬件时就考虑软件需求；三是多落地实践，让二者互补。
- 开放更能繁荣生态：聂凯旋拿安卓举例——PC时代微软Windows闭环，移动时代苹果iOS软硬一体，但安卓开放后占了80%市场。松应科技就走开放路线，和多家芯片公司合作，软件也开源了。
- 通用开放，场景绑定：须海江说，芯片、操作系统这些通用技术要开放（这样更多场景能用），但到具体场景（比如机器人炒菜）就得深度绑定（软硬件一起适配场景）。
- 垂直整合+开源平衡：吴建军说，垂直整合（像SpaceX自己做火箭全链条）效率最高，但开源对生态重要。比如汽车行业，大家一起定几个标准构型，集中搞场景数据，不用互相迁就。
四、商业化落地：从“Demo好看”到“赚钱”，关键在这几步
物理AI概念很火，但收入没跟上，嘉宾们给出了落地路径：
- 先“用起来”再说：许春山说，别光谈难点，先让产品在场景里用——比如机器人去送快递，用的时候发现问题（比如爬楼梯困难），再调整算法和硬件，慢慢形成闭环。
- 解决数据“稀缺”：聂凯旋说，他们的系统能把一个真实场景（比如仓库）模拟出1000个类似场景，让模型学更多情况，但前提是要有真实场景愿意开放（比如企业愿意让机器人进仓库）。
- 降低三大成本：刘科说，量产的核心是降成本——数据获取成本（少花钱采数据）、端侧算力门槛（机器人不用装太贵的芯片）、硬件定制化成本（别为每个场景做新硬件）。比如Momenta的自动驾驶，用同一套模型支撑乘用车、无人卡车，交付周期从24个月缩到40天。
总结
物理AI不是“空中楼阁”，它是让AI从“网上聊天”走到“现实做事”的关键。现在它到了量产的拐点，但要跨过“最后一厘米”，得解决数据、时延问题，找到软硬协同的平衡，更要让产品在真实场景里“用起来”——毕竟，能赚钱的AI才是好AI。