物理AI产业深度解析：基础模型与工具层演进

物理AI的定义与核心边界

物理AI（Physical AI）由黄仁勋于2024年提出，指能感知、理解并在真实物理世界中执行复杂操作的模型。它是人工智能从虚拟智能迈向具身智能的关键桥梁，外延覆盖人形机器人、智能驾驶与工业机器人三大核心场景。与生成式AI相比，物理AI的训练数据来源多为高昂的真机遥操数据或仿真数据，输出空间为连续动作，对推理延时容忍度极低，且失败成本不可逆，缺乏统一的评估体系。

基础模型层的三条路径收敛

物理AI的基础模型层呈现VLM、VLA与世界模型三条路径收敛之势。世界模型作为后台数据工厂合成训练数据，VLM承担长程规划的“慢思考”，VLA则把指令与感知直接转化为动作。海外格局中，英伟达凭仿真、世界模型、基座VLA与软硬件全栈抢占“机器人安卓”地位；国内则由人形机器人厂商主导基模+硬件，大厂仍在追赶。

工具层：仿真平台与工业软件

工具层是被低估的一环。仿真平台是基础模型训练的核心数据来源，英伟达Omniverse/Isaac主导，国内智元Genie Sim等开源生态加速追赶。物理AI还从仿真训练与数字孪生两个维度拉动工业软件需求，英伟达已与Cadence、达索、PTC、西门子、Synopsys等巨头深度合作。随着部署量提升、数据持续回流，物理AI有望进入“数据增长—模型迭代—能力提升—场景扩张”的飞轮。

场景端：智驾与人形机器人的落地

智驾完成从端到端到VLA世界模型的切换，人形机器人加速量产并构建数据—模型飞轮。车企技术路径经历切换，主流车企完成了从规则驱动时代、端到端AI时代与VLA时代的路径切换。人形机器人正从样机验证进入小批量/规模化部署阶段，Figure、Tesla、智元、宇树等厂商均给出2026年万台级产能或部署目标，应用场景从工厂、物流逐步扩展至家庭与零售。