隨著 AI 技術不斷深入機器人、自動駕駛車輛等自主機器實體系統，對現實世界物理交互能力的需求日益凸顯，物理AI（Physical AI）應運而生，標志著人工智能從虛擬智能向具身智能的加速演進。

國際數據公司（IDC）近日發布的《物理AI 時代來臨：仿真先行、云端訓練到端側部署，具身智能機器人邁向高效落地》（Doc#CHC53801225，2025年9月）報告指出，物理AI是指使用人工智能技術對現實世界進行理解、推理、規劃并與之交互的模型，它們通常封裝在機器人或自動駕駛汽車等自主機器中。物理AI的核心價值，在于賦予自主機器在真實物理世界中實現“感知—理解—執行”閉環能力，使人工智能從虛擬智能向具身智能演進的關鍵橋梁。

物理AI時代來臨——新的市場發展和動力

物理交互需求驅動物理AI發展。隨著機器人和無人系統在制造、醫療、物流等領域普及，用戶對其智能化提出更高要求，不僅需識別理解，還要能在真實環境中穩定感知、決策與執行。這種對物理世界中類人感知+自主決策+精準執行能力的迫切需求，正成為推動物理AI發展的核心動力，驅動機器人邁向具身智能機器人。

AI技術演進加速賦能物理實體。從視覺感知模型到決策控制算法，從大規模預訓練模型到強化學習框架，AI正在為機器人、自動駕駛等系統注入更強的自主學習與任務執行能力。

物理AI的三大挑戰與三大計算平臺支撐

物理AI在機器人、汽車等自主智能設備中的具身化應用，當前仍面臨三大技術挑戰：

• 具身模型泛化能力不足：模型需突破環境、任務和硬件本體的泛化限制，才能在復雜多變的現實場景中穩定感知與執行。

• 數據稀缺與高成本：訓練具身模型需要大量高質量、多模態數據，但現實環境數據采集昂貴且難以覆蓋極端“長尾場景”。

• 嵌入式端側部署受限：端側算力、功耗和體積限制使得具身模型難以高效運行，實現實時感知—決策—執行閉環存在挑戰。

為應對上述挑戰，完善的計算架構成為實現具身智能落地的核心支撐。當前，三大計算平臺在物理AI發展中發揮著協同作用，從模型訓練到應用部署，確保自主智能體能夠在復雜動態的現實環境中高效感知、決策與執行：

• 認知訓練平臺：提供強大的算力支持，通過多模態感知與復雜決策訓練，面向具身智能模型的感知、理解與決策能力統一構建與持續優化。

• 虛擬仿真平臺：基于專業視覺計算資源，融合高精度物理引擎與數字孿生技術生成逼真、可復現的訓練數據，低成本優化操作與導航技能，并通過軟件在環（SIL）驗證控制邏輯。

• 實時部署平臺：依托高性能推理計算資源，將訓練完成的具身模型高效運行于端側自主設備，實現實時“感知—決策—執行”閉環，同時產生的數據反哺訓練體系，形成持續優化循環。

未來展望：具身智能機器人加速發展

隨著物理AI及三大計算平臺的持續成熟，具身智能機器人正成為物理AI時代機器人演進的核心方向，其應用落地進程不斷加快，前景愈加廣闊。IDC預測，到2029年，全球機器人市場規模將突破4,000億美元，具身智能機器人將成為關鍵形態，市場占比預計超過30%，引領機器人向通用化與自主化的高階階段演進。

IDC給技術提供商的建議：

• 由硬件導向轉向AI+平臺導向，構建覆蓋建模、訓練與部署的一體化流程；

• 利用高保真仿真生成低成本訓練數據，提升策略在現實場景中的可遷移性；

• 依托開源具身智能模型推動多場景適應；

• 同時設計模塊化、可擴展的系統架構，結合云端與邊緣算力，確保高性能、低功耗與實時響應，支撐機器人大規模落地應用。

IDC中國新興技術研究部研究經理李君蘭表示，物理AI在機器人領域的落地將依托“三大計算平臺”，沿“仿真先行-云端訓練-端側部署”路徑加速推進。虛擬仿真計算資源通過完善的仿真平臺與世界模型，為機器人提供低成本高復現的仿真數據和訓練場。認知訓練計算依托云端可擴展的算力資源，加速具身智能大模型的泛化訓練。同時，實時部署計算聚焦端側計算需求與資源利用效率，推動具身智能大模型在本體中實現感知-執行閉環與數據反饋的統一。